Contexte et cible
Un groupe d'acteurs cybernétiques russophones a exploité deux vulnérabilités récentes, CVE-2026-81578 (contournement d'authentification) et CVE-2026-82078 (exécution de code à distance), pour pénétrer des installations PaperCut NG/MF. L'attaque a touché au moins 440 instances hébergées par 395 organisations réparties dans 48 pays, principalement le secteur éducatif en Amérique du Nord et Europe. L'adresse IP 45.142.193.132, déjà liée à des scans de ports et à des tentatives de force brute, a servi de point d'ancrage initial.
Mécanisme d'exploitation
Le flux d'attaque commence par un balayage automatisé via le service Netlas.io, utilisant une clé API identifiée pour générer des listes cibles. Une fois un serveur PaperCut vulnérable détecté, le groupe déclenche un exploit combinant le contournement d'authentification et l'exécution de code, permettant l’injection de charges utiles Java basées sur Metasploit/Meterpreter ainsi que des outils de collecte de registres Windows. Des scripts Python suivent le processus post-exploitation : récupération d’identifiants Active Directory, découverte du réseau, et mise en place de proxys. Le temps moyen entre accès initial et élévation à un compte administrateur de domaine a été mesuré à sept minutes dans un lycée américain, et 11 organisations ont été compromises en 26 secondes dès le lancement du campaign.
Architecture de l'opération assistée par IA
Le cœur du projet repose sur plusieurs centaines d'agents IA alimentés par OpenAI Codex, un modèle DeepSeek et des outils open‑source tels que Mimikatz, SharpHound, Certipy, Rubeus et Impacket. Ces agents opèrent dans un environnement de laboratoire contenant PaperCut et un serveur Active Directory, où ils testent, corrigent et ré‑exécutent les exploits en boucle. Deux services open‑source, Hindsight (mémoire persistante) et AionUi (interface graphique unifiée), permettent de conserver l’état de chaque agent et de visualiser simultanément leurs actions. Le workflow IA suit un cycle continu : recherche de vulnérabilité → génération de code → validation multi‑thread → filtrage géographique (exclusion de 28 pays dont la Russie et la Chine) → exécution → collecte de métriques d’échec. Les échecs sont enregistrés, analysés et réinjectés, réduisant ainsi le besoin d’intervention humaine à chaque itération.
Impacts et limites
Le recours massif à l’IA a réduit le temps de développement et de déploiement d’une campagne de plusieurs centaines de cibles à quelques heures, avec un délai de quatre heures entre la création du workspace et la première exécution réussie. Cependant, la campagne montre des limites : l’exclusion géographique n’a pas été totalement respectée, et seules 12 organisations ont vu leurs droits élevés à un niveau d’administrateur de domaine, suggérant que la chaîne d’exploitation reste sensible aux configurations spécifiques. Le manque de visibilité sur les objectifs finaux (vol de données, ransomware) indique que l’automatisation ne garantit pas une finalité opérationnelle claire. Enfin, la dépendance à des modèles IA publics expose le processus à des contre‑mesures potentielles, comme la détection d’appels d’API Codex ou la perturbation du service Netlas.io.
