云服务劫持 (T1496.004)

一句话通俗理解

攻击者用你的云账号跑AI训练、电影渲染——算力你出，成果归他。

30秒速查卡

难度等级

⭐⭐ 中级 - 需要一定的云服务和API知识

前置知识检查

读这个文件需要什么？

• 了解云服务基本概念（EC2/GCE实例、IAM、VPC）
• 了解GPU计算和批处理作业

技术描述

云服务劫持（Cloud Service Hijacking，T1496.004）是 资源劫持（T1496）的一个具体变体，属于 影响 阶段的攻击技术。

☁️ 打个比方：就像有人偷了你的车去跑滴滴赚钱——油钱你出（云账单），收入归他。

具体怎么理解？

攻击者利用盗取的云服务凭据，在受害者的云账户中启动大规模计算资源（GPU实例、弹性计算集群、批处理作业队列），用于执行自己的计算密集型任务，如AI模型训练、3D渲染、科学计算或加密货币挖矿。所有这些计算资源产生的费用全部计入受害者账户。

为什么有效？

这种技术之所以有效，是因为：

1. 资源丰富：云平台提供几乎无限制的计算资源，攻击者可启动数百个GPU实例
2. 成本转嫁：所有费用由受害者承担，攻击者零成本获得海量算力
3. 操作隐蔽：攻击者可能选择在夜间或周末启动实例，避开实时监控
4. 应用广泛：GPU算力可用于AI训练、挖矿、渲染等多种盈利场景

真实攻击流程

graph TD
    A["攻击者窃取云账号凭证"] --> B["创建新VPC隔离环境"]
    B --> C["启动大规模GPU/CPU实例集群"]
    C --> D["部署AI训练/渲染/挖矿负载"]
    D --> E["执行计算任务"]
    E --> F["任务完成终止实例销毁痕迹"]
    F --> G["受害者收到巨额GPU实例账单"]
    style A fill:#ff6b6b,stroke:#333,stroke-width:2px
    style G fill:#cc0000,stroke:#333,stroke-width:2px,color:#fff

步骤详解：

1. 窃取凭证 - 攻击者通过泄露的云访问密钥、IAM角色临时凭证或已攻陷的CI/CD管道获得云账号访问权限
2. 创建隔离环境 - 在受害者的云账户中创建新的VPC、安全组和子网，确保活动不被已有的监控发现
3. 启动计算集群 - 使用EC2 RunInstances / GCE instances.insert等API批量启动GPU实例（如p4d/p5实例或A100/GPU实例），数量可达数十到数百个
4. 部署工作负载 - 通过用户数据脚本或自动化配置工具（CloudFormation/Terraform）部署恶意计算负载
5. 执行计算任务 - 利用云算力执行盈利性计算任务，如AI模型分布式训练、好莱坞级3D渲染、密码哈希破解
6. 销毁痕迹 - 任务完成后终止所有实例并删除日志，API调用历史仍留存于CloudTrail中
7. 账单冲击 - 数小时的高密度GPU实例运行即可产生数万至数十万美元的费用

攻击流程

graph LR
    A["窃取云访问密钥<br/>环境变量/CI泄露"] --> B["创建隔离VPC<br/>避免被监控发现"]
    B --> C["批量启动GPU实例<br/>p4d/A100 数十台"]
    C --> D["部署训练/渲染负载<br/>用户数据脚本自动化"]
    D --> E["完成任务销毁实例<br/>百万账单留给受害者"]
    style A fill:#4a90e2,stroke:#333,stroke-width:2px,color:#fff
    style E fill:#ff6b6b,stroke:#333,stroke-width:2px,color:#fff

关键步骤说明：

1. 凭证获取 - 攻击途径包括：GitHub代码仓库泄露的AWS_ACCESS_KEY_ID/AWS_SECRET_ACCESS_KEY，SSRF漏洞获取的云元数据服务临时凭证（http://169.254.169.254/latest/meta-data/iam/security-credentials/），被攻陷的CI/CD平台（Jenkins/GitHub Actions）环境变量中的云凭证，员工终端被植入窃密木马获取的AWS CLI配置文件
2. 环境隔离 - 攻击者使用CreateVPC或新建项目的方式创建独立的网络环境，避开受害者已有的监控和告警规则。部分攻击者还会修改CloudTrail日志的过滤规则
3. 实例选择 - 攻击者偏好启动按需GPU实例（非竞价实例），因为按需实例配额更高，可一次性启动更多资源。目标实例类型包括AWS p4d.24xlarge（每个$32.77/小时）、GCE a2-highgpu-8g（每个约$20/小时）、Azure ND40rs_v2等
4. 负载类型 - AI模型训练（Stable Diffusion、LLM微调）、影视渲染（Blender/Arnold渲染农场）、密码哈希破解（Hashcat配合GPU加速）、加密货币挖矿（门罗币的RandomX算法）等

真实案例

案例1：云GPU实例挖矿集群

• 时间: 2023-2024年
• 目标: 多家云服务用户
• 手法: 攻击者利用泄露的AWS访问密钥在受害者的东京区域启动了超过100个p3.2xlarge GPU实例用于加密货币挖矿。实例运行了约12小时后被云服务商的异常检测系统发现
• 影响: 受害者的AWS账单增加了约$50,000。云服务商在检测到挖矿行为后自动冻结了受害者的账户

案例2：AI模型训练劫持

• 时间: 2025年
• 目标: 某AI创业公司
• 手法: 攻击者通过泄露的CI/CD管道环境变量获得GCP服务账号密钥，创建了新的GCP项目并启动了32个A100 GPU实例进行自己的LLM微调训练。训练任务运行了约8小时
• 影响: 云账单增加了约$25,000。公司事后发现其GCP服务账号具有过高的权限（Project Editor角色），被迅速降级

关联视图

与攻击链其他部分的关系

与其他技术的关联

• T1528（窃取云服务账户凭证）：获取云凭证的主要途径
• T1078（合法账户）：使用泄露的合法云账户进行攻击
• T1496（资源劫持）：该技术的父技术
• T1562（削弱防御）：攻击者可能先禁用CloudTrail等审计服务

检测与监控

关键检测点

检测规则示例

CloudTrail异常检测规则：

• 30分钟内启动超过5个GPU实例（p3/p4/p5/g4ad/a100等类型）
• 从非办公IP地址启动大量计算资源
• 新创建的VPC中启动GPU实例（先建网络后建实例的模式）
• IAM角色/用户首次使用的区域启动GPU实例

缓解措施

推荐配置

1. 费用预算告警：设置月度预算告警（如$1000告警阈值），并配置实时费用通知
2. 资源配额限制：为每个IAM用户设置EC2实例配额上限，防止大规模启动
3. SCP策略：使用服务控制策略（SCP）限制非生产账号启动GPU实例
4. CloudTrail监控：启用CloudTrail并配置基于API调用的实时告警规则

攻击检测关联

Blue Team 检测参考

• 主要检测: 云费用告警系统在费用异常增长时的即时通知
• 辅助检测: 分析CloudTrail中批量启动GPU实例的模式
• 关联分析: 结合IAM Access Advisor判断凭证是否被用于非预期服务

数据源

在攻击链中的位置

该技术属于 影响 阶段（TA0040），位于攻击链的末端。攻击者在完成初始访问和凭证窃取后，利用云服务的弹性计算能力进行大规模资源滥用。

前置条件

• 获取有效的云服务访问凭证（Access Key / IAM角色）
• 该凭证具有启动计算资源的权限（ec2:RunInstances）

后续影响

• 巨额云服务账单（数万至数十万美元）
• 云服务商因可疑活动暂停账号
• 业务服务因预算超支被中断

防御建议

快速自查清单

• 是否设置了云费用预算告警？
• 是否限制了每个IAM用户的实例配额上限？
• 是否对敏感API操作（RunInstances）设置了MFA保护？
• 代码仓库中是否还有硬编码的云凭证？
• 是否在CI/CD中使用临时凭证而非长期Access Key？
• 是否定期审核IAM权限（最小权限原则）？

攻击面分析

参考资料

官方文档

• MITRE ATT&CK - Cloud Service Hijacking (T1496.004)
• MITRE ATT&CK - Resource Hijacking (T1496)
• MITRE ATT&CK Enterprise Matrix v19

安全报告

• AWS Security Hub - Resource Hijacking Detection
• GCP Cloud Armor - Abuse Detection

相关文章

• AWS Security Blog: “How to detect and automatically respond to resource hijacking”
• Datadog Security Labs: “Detecting Cloud Resource Hijacking with CloudTrail”
• Sysdig 2025 Cloud Threat Report: “The Rise of Cloud Resource Hijacking for AI Compute”