KeyFrame內部研究專用

How Hackers Hack Using AI (Hashcat + AI)

iceberg·7月1日週三·3 min中文

三句話摘要

使用 AI 生成針對性密碼字典搭配 hashcat 破解 MD5 哈希的實務攻擊手法。 AI 與傳統破解工具結合後,針對性攻擊的成功率可通過個人信息駭客增加數倍,這也說明了在數位安全中妥善保護個人公開資訊的重要性。 信息蒐集是前置步驟:檢視頁面源代碼識別用戶名(admin)與密碼形式(MD5 哈希),同時從公開頁面(CEO 部分)蒐集個人背景資料如真實姓名和生活細節。

重點整理

重點
  • 1

    信息蒐集是前置步驟:檢視頁面源代碼識別用戶名(admin)與密碼形式(MD5 哈希),同時從公開頁面(CEO 部分)蒐集個人背景資料如真實姓名和生活細節。

  • 2

    AI 生成針對性字典的優勢:直接將蒐集到的個人信息提供給 DeepSeek,讓 AI 根據此人的背景、興趣與習慣推測可能使用的密碼組合,省略大量無關的暴力破解嘗試。

  • 3

    Hashcat 工具的執行:使用 `hashcat -m 0`(MD5 模式)將目標哈希檔案與 AI 生成的密碼清單進行快速比對,無需預先破解哈希本身。

  • 4

    這是「個人化攻擊」的典範:結合社交工程、開源信息收集(OSINT)與 AI 能力,針對特定目標而非隨機嘗試,大幅提高成功率與效率。

實用技巧與重點

乾貨
  • 目標用戶名:admin
  • 密碼格式:MD5 哈希
  • 個人信息來源:CEO 頁面(姓名:James Davidson;座駕:Ferrari Prius)
  • AI 工具:DeepSeek
  • 破解工具:hashcat
  • Hashcat 命令格式:`hashcat -m 0 hash.txt hello.txt`
  • `-m 0`:MD5 破解模式
  • `hash.txt`:包含目標 MD5 哈希的檔案
  • `hello.txt`:AI 生成的密碼字典檔案
  • 檔案編輯方式:nano 編輯器,Ctrl+Shift+V 貼上,Ctrl+O 儲存,Ctrl+X 退出
  • 終端開啟快捷鍵:Ctrl+Alt+T

結論

結論

AI 與傳統破解工具結合後,針對性攻擊的成功率可通過個人信息駭客增加數倍,這也說明了在數位安全中妥善保護個人公開資訊的重要性。

完整解析

詳細

這支影片演示的是一個完整的針對性密碼破解流程。首先,攻擊者通過檢視頁面源代碼發現管理員登入入口與密碼儲存的形式(MD5 哈希),這是信息蒐集的第一步。隨後,他在網站公開頁面(CEO 部分)找到個人背景資訊:CEO 名叫 James Davidson,且開著 Ferrari Prius,這些看似無害的細節卻成為生成密碼清單的寶貴線索。

講者接著採用一個創新的策略:不採用傳統的字典或暴力破解,而是將蒐集到的個人信息提供給 DeepSeek AI。AI 基於這些背景資訊,推測出此人可能設定的密碼組合——這種「個人化」的推測遠比隨機密碼字典更有針對性。講者將 AI 生成的密碼清單逐行複製到 `hello.txt` 檔案中。

隨後,通過在終端執行 hashcat 命令(`hashcat -m 0 hash.txt hello.txt`),工具快速比對 MD5 哈希與密碼清單,在眾多候選密碼中找到匹配項。整個過程展示了成功破解密碼的過程,最後講者複製破解得到的明文密碼,成功登入管理員面板,驗證了攻擊的有效性。

整個攻擊鏈條的核心在於:結合開源信息蒐集(OSINT)、社交工程洞察(推測人員行為模式)與 AI 能力(快速生成高概率密碼),遠比暴力破解或通用字典攻擊更高效且成功率更高。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 安全」的內容

SN 1093: Tokens in the Stream - Why LLMs are inherently insecure and prompt injection will persist
168 min
AI 安全英文PODCAST8月25日

SN 1093: Tokens in the Stream - Why LLMs are inherently insecure and prompt injection will persist

Security Now

  • Token 流的基礎設計:LLM 不具備狀態管理能力,所有輸入都被視為等值的 token 序列。系統無法區分「這是系統指令」和「這是外部資料」,只能依靠訓練期間習得的格式識別能力,這本質上是脆弱的。
  • 格式標籤的虛幻邊界:系統標籤、使用者標籤、工具標籤等都只是特殊 token,模型被訓練成「該尊重系統標籤的命令」,但 token 流裡沒有硬性邊界。移除標籤格式後,攻擊成功率從 61% 跌至 10%,證明安全性完全依賴於格式。
  • 蒸餾與超級模型現象:企業用較成熟模型的輸出訓練新模型(蒸餾),相當於把前一代模型的行為與缺點複製給下一代。即使競爭對手未直接存取,互聯網上充滿 AI 生成內容,導致模型行為自然收斂,難以追蹤蒸餾是否發生。
Unlock Agent Autonomy: The Runtime for AI-Native Systems — Tushar Jain, Docker
22 min
AI 安全中文8月20日

Unlock Agent Autonomy: The Runtime for AI-Native Systems — Tushar Jain, Docker

AI Engineer

  • 1. 代理權限動態擴張的根本問題
  • 當代理被要求調查延遲尖峰時,它會自動擴展訪問需求——先請求日誌訪問,再要求 GitHub 儲存庫權限,最後要求 Slack 訪問。每一步都超越了信任邊界,最終導致代理擁有不受控制的全系統訪問權。傳統軟體可以提前定義權限,但自主代理的需求在運行時動態變化,這是核心難題。
  • 2. 多模型、多平台的統一防控需求
SANS Stormcast Wednesday, August 19th, 2026: Copilot as Whitstleblower; GEEKOM Bad Driver; Medusa Update; Encrypted AI
8 min
AI 安全英文PODCAST8月19日

SANS Stormcast Wednesday, August 19th, 2026: Copilot as Whitstleblower; GEEKOM Bad Driver; Medusa Update; Encrypted AI

SANS Stormcast

  • AI 系統的存取控制難以真正實施,因為一旦資料被 AI 系統存取,攻擊者總能找到繞過安全防護的方式提取資料。伺服器端請求偽造(SSRF)在聊天機器人中常見,攻擊者可騙誘 AI 系統向指定 URL 發送請求並將響應內容洩露給攻擊者。
  • Copilot 漏洞的完整利用鏈包括三個步驟:預填含惡意提示的 URL、誘導使用者點擊、利用 AI 的網頁擷取能力將敏感資料外洩到攻擊者控制的伺服器。Microsoft 的修補方案是限制允許的連結類型,犧牲了與其他系統的整合便利性以換取安全性。