年度网络金融黑产研究报告

一、序言

二、黑产数据趋势探查

三、黑产攻击手法演变趋势

趋势一：AI技术加速演进，黑产攻防博弈持续升级

趋势二：黑产攻击重心向业务逻辑迁移，接口型风险持续凸显

趋势三：移动端黑产暗流涌动，技术对抗与场景渗透并行升级

趋势四：黑产资金路径转向线下，收单终端正成为新型风险载体

趋势五：从欺诈到勒索，企业目标在黑产攻击中持续凸显

趋势六：供应链攻击持续升温，金融安全面临更大考验

四、黑产防护对抗与思考

对抗方向一：以终端威胁感知强化移动端安全防护

对抗方向二：围绕“识防一体”强化业务接口全流程防护

对抗方向三：建设可解释、可度量的风控规则治理能力

对抗方向四：构建智能体驱动的蓝军对抗验证体系

对抗方向五：依托暗网监控提升黑产威胁预警和精准防御水平

对抗方向六：强化AI投毒防御与可信内容治理

五、结束语

2025年是金融业加快推进数智化转型、持续深化技术与业务融合的重要一年。以代理式人工智能（Agentic AI）为代表的新一代数智技术，正加速融入金融服务、运营管理和风险防控等关键环节，在推动业务模式创新、服务能力提升和运营效率优化的同时，也带来了更加复杂隐蔽的安全风险。随着相关技术在金融领域加快应用，黑产也在同步吸收相关技术成果，并将其转化为新的攻击手段。当前，金融黑产正加快利用人工智能大模型、智能体等新技术重塑攻击链条，推动攻击工具链自动化、攻击方式多样化和攻击组织协同化，相关风险呈现出更强的精准性、规模性和对抗性，深度伪造欺诈、业务逻辑漏洞挖掘、移动端对抗、供应链投毒等新型威胁不断涌现，给金融行业安全体系建设带来了新的挑战。

中国工商银行安全攻防实验室与公安部第三研究所供应链安全能力中心组建联合研究团队（以下简称“研究团队”），立足金融安全与网络安全治理前沿，围绕数智化背景下攻击面、攻击方式和对抗格局的持续演变，发挥各自在金融场景、攻防研究、风险治理和实战对抗方面的专业优势，持续开展联合研究与协同研判，系统跟踪金融黑产链条的新动向、新手法和新趋势，致力于推动构建“主动发现、精准识别、协同处置”的金融安全防护体系。

2026年双方汇聚年度研究成果，从数智金融安全与黑产对抗的专业视角，系统复盘过去一年金融黑产在利用前沿技术开展攻击的新特点、新趋势。本报告旨在为行业提供更具前瞻性和针对性的风险洞察与防护思路参考，进一步凝聚金融机构、科研单位、监管部门及社会各方合力，共同夯实数智时代金融安全发展的基础。

2025年，网络金融黑产的攻击手法持续迭代，攻击技术层面，人工智能的滥用成为最显著的特征。黑产利用实时AI换脸广泛实施高仿真的身份欺诈与认证绕过，显著提升了电信诈骗的成功率与欺骗性。此外，AI被用于生成专业的钓鱼文案、虚假图文、视频内容，极大地增加了骗局的迷惑性。在资金转移与洗钱渠道上，黑产手法持续更新以规避追踪。除持续利用洗钱银行卡、对公账户等传统渠道外，加密货币因其匿名与跨境特性，日益成为核心洗钱工具。

为进一步提升行业对黑产威胁的识别与防御能力，研究团队围绕2025年黑产攻击活动中具有代表性的攻击模式开展了系统性筛选与深入研究，力图从技术演化、场景渗透和产业链变化等角度，揭示当前黑产攻击的新趋势、新特征和新挑战，推动行业形成更具前瞻性和针对性的防范机制，共同应对日益复杂的黑产威胁形势。

随着人工智能技术在各领域加快应用，网络黑产也在同步推进其武器化利用。黑产与AI技术的结合，不仅显著提升了攻击效率、降低了实施门槛，也催生出新的攻击模式，对现有黑产防护体系形成了新的挑战。

1.人脸伪造进入MaaS时代：编排智能体实现人脸全自动拼接

随着Dify、ComfyUI等编排类智能体的迅猛发展，黑产已能通过可视化拖拽将各类伪造模型串联，轻松构建出从人脸生成到视频合成的全自动“造假流水线”。根据著名安全厂商趋势科技分析^[3]，2025年以来，以ComfyUI为核心的模块化生成工具正在取代传统静态换脸工具，逐步成为黑产实施人脸伪造的重要工具。同时，研究团队观察到，部分黑产已开始将基于ComfyUI的人脸伪造能力包装为MaaS（Model as a Service，模型即服务）能力，对下游提供模块化伪造服务。

ComfyUI是一个基于节点可视化工作流的AI图像生成平台。它通过拖拽和连接不同的功能模块（节点），让用户能够高度自定义、精准控制并复现复杂的图像生成流程，黑产将其应用于人脸视频伪造，主要看中其三个特性：

一是高度可定制的图片生成链路。黑产不再受限于固定程序的逻辑，而是将人脸检测、特征提取、及画质增强、动态动作、背景打光等模型通过节点进行“乐高式”拼接。这使得攻击者能针对不同场景（如特定银行的App环境）量身定制最优攻击路径。

二是多模型插件化协同工作。ComfyUI作为底座，可建设多模型的复杂工作流，相应环节模型支持随时更换，能够适应黑产攻防的快节奏，随时迭代。

三是高保真与抗检测能力。通过内置的ControlNet等控制节点，黑产可精准锁定人脸姿态与光影变化，这解决了早期技术中常见的边缘闪烁和环境光影不连贯问题，使现有基于上述特征的检测策略失效。

图1 基于ComfyUI生成活体检测视频

2.手机智能体为黑产攻防带来新变量

2025年底，手机智能体技术（GUI-Agent）进入大众视野。该类技术使用户能够通过语音、文本等自然语言方式向手机下达操作指令，由系统级AI助手识别并拆解任务，自动唤起相关App，完成页面跳转、功能点击、信息录入、状态确认等操作。与传统App内部自动化不同，系统级GUI-Agent 具备跨应用调度、屏幕内容读取、任务状态判断和模拟用户操作等能力，本质上形成了一条“自然语言指令驱动终端执行”的高权限自动化操作链。

从黑产利用角度看，该能力可能被用于放大钓鱼欺诈、账号盗用、隐私窃取、恶意授权、资金类操作诱导等风险。攻击者无需直接突破目标App的业务逻辑，只需围绕“指令输入、页面内容、任务规划、操作执行”链路进行诱导或污染，就可能使AI助手在用户未充分感知的情况下完成打开敏感App、读取页面信息、点击授权确认、提交表单、修改账户配置、触发交易流程等高风险动作。尤其是在用户已登录真实账号、设备具备完整权限的场景下，AI助手的自动化执行行为会天然继承用户身份、登录态和终端权限，黑产可借此绕过部分传统风控对“异常脚本、非真实设备、非真实用户操作”的识别逻辑，将原本需要人工操作的诈骗、洗号、撞库后接管、虚假交易、批量薅羊毛等流程转化为更隐蔽的半自动化或自动化链路。

研究团队对此类手机核心“AI助手”及其GUI-Agent技术进行了分析，从代码、系统运行情况、后台日志等维度开展研究。分析发现，目前此类系统级AI助手主要依赖“云端大模型规划 + 虚拟屏幕识别信息 + 系统级事件注入模拟操作”三类能力驱动。其典型流程为：用户唤起AI助手并下达指令后，助手将指令上传至云端大模型，由大模型进行语义理解和任务规划；随后，助手通过虚拟屏幕能力获取当前终端界面内容，并将截图或界面信息上传至云端用于状态识别；AI助手根据识别结果调用系统级权限执行模拟点击、滑动、输入等触屏等操作，完成跨App的自动化任务执行。

GUI-Agent的安全风险并不单纯来自某一个App漏洞，而是来自“云端规划、屏幕感知、权限执行、跨应用连续操作”组合后形成的新型攻击面。一旦指令源、页面内容、模型规划结果或本地执行链路被黑产利用，AI助手就可能从用户便利工具转化为高权限自动化攻击载体，对账号安全、隐私保护、交易安全和终端风控体系造成系统性挑战。

图2 某AI助手模拟操作的相关逻辑

业务接口是银行与客户、合作方及外部生态进行交互的重要桥梁。在支撑业务创新和服务扩展的同时，其承载的安全风险也日益突出。2025年以来，研究团队观察到，各类针对银行业务接口的爬虫、机器人和黑灰产攻击活动持续增长。攻击者常通过未授权访问、接口暴露、越权查询、参数篡改等手法实施数据窃取、服务滥用和业务套利。

1.业务接口信息暴露成为黑产“测活”帮凶

图4 黑产传统付费银行卡“测活”平台

从攻击流程看，该手法已不再局限于传统前端窃卡，而是演进为“窃取 + 校验 + 筛选”一体化模式。攻击者通过入侵电商站点或利用WooCommerce、WordPress、PrestaShop等建站组件的漏洞及配置缺陷植入初始脚本，在结算阶段隐藏真实支付表单、覆盖伪造页面以诱导用户输入卡信息；随后借助第三方支付旧接口过滤收集有效的“活卡”信息。该手法不仅提升“测活”环节自动化程度，还利用真实用户设备与行为伪装正常交易，绕过以设备、时间、位置等维度的传统支付监控体系，降低“测活”过程中被拦截发现的风险。其本质是将原本服务于正常业务流程的支付接口，转化为黑产链条中的“自动化验卡节点”。

图5 用户输入的卡信息在“测活”后会直接外发至攻击者服务器

2.业务接口流程设计不完善，安全短板遭利用

2025年10月，某支付机构支付账户绑定苹果免密支付功能被黑产利用实施诈骗，造成用户资金损失。经分析，其核心原因在于相关绑定流程报文中，对用户当前设备环境、身份状态及关键参数缺乏足够的校验与防篡改控制。攻击者在自身设备上绕过相关安全机制，抓取网络请求后，识别并构造支付账号绑定其Apple ID的关键报文，将恶意链接发送给受害者。受害者点击后，实质上触发了支付账户绑定流程，从而将自身支付账户绑定至攻击者控制的Apple ID，进而被用于免密盗刷。

图6 黑客利用某支付机构绑定苹果支付功能窃取用户资金

图7 黑客篡改channel参数，唤起支付App完成欺诈

移动端始终是黑产与金融机构攻防对抗的重点区域。随着多年攻防升级，攻击者一方面持续深入挖掘底层技术风险，另一方面也结合黑产业务模式，不断拓展新的攻击场景与变现路径。

1.反催收黑灰产利用手机App批量获客

反催收黑灰产是指不法分子通过伪造虚假证明、缠诉闹访等方式协助逾期客户对抗信贷机构合法催收，从而达到恶意逃废债、修复征信等目的的行为。2025年5月国家网信办关停一批社交平台黑灰产账号后，此类黑产团伙开始向App端转移，继续推广违法业务。

反催收黑灰产开发了大量打着“债务优化”“征信修复”幌子的App并上传至应用市场，以律所或法律咨询服务机构的名义进行包装，诱导有逾期压力的客户恶意逃废债。通过这些App，黑灰产建立了有效的批量获客渠道。

图8 部分反催收App界面

图9 某第三方应用软件平台评论区

研究团队爬取了主流应用市场数据，筛选出137个具有典型反催收特征的App安装包。针对监测样本中安装量较高的Top10 App深入分析发现（见表1），其所属公司存在高度关联性，极可能属于团伙作案。这些黑灰产团伙吸纳了大量具有P2P、网络小贷、贷超平台从业经历的人员，兜售所谓的逾期优化服务。

表1 反催收App典型样本

2.黑产App攻击框架加速演进，隐蔽化攻击能力持续升级

在移动安全领域中，Frida、Xposed及其衍生Hook框架长期被用于运行时插桩、函数拦截和业务逻辑干预，是黑产分析、绕过和操控移动App的重要基础工具。随着金融、政务及头部互联网App持续加强对通用Hook框架的检测，传统Frida、Xposed等工具暴露出的进程名、端口、模块路径、导出符号、调用栈特征和内存痕迹已逐渐成为客户端安全防护的重点识别对象，黑产直接使用原生框架实施攻击的成功率不断下降。

2025年中，hluda、Florida、Ajeossida、rustfrida、wxshadow等一系列魔改版Hook框架持续出现并快速传播，反映出黑产工具已经从“修改少量特征以绕过通用检测”升级为“围绕目标App检测体系进行定制化对抗”。部分框架在保留原有动态插桩能力的同时，进一步强化了隐蔽注入、内存驻留、Native层拦截、通信链路隐藏和检测逻辑反制能力，使其在目标进程中的存在感明显降低，也使传统基于固定特征、固定路径、固定端口和固定符号的检测方式面临失效风险。

与传统通用框架相比，此类工具的核心特点不再只是“可Hook”，而是围绕“规避检测、隐藏驻留、降低特征暴露、适配目标App防护逻辑”进行系统性改造。常见技术方向包括：对框架默认字符串、进程名、线程名、端口、通信协议等显性特征进行去标识化处理；对so模块加载路径、导出符号、内存段特征等静态痕迹进行隐藏或混淆；通过调整注入方式、加载时机和驻留形态，降低进程扫描、模块枚举和内存特征匹配的命中率；同时结合Native层Hook、匿名内存加载、调用链扰动、自保护逻辑等方式，增强对客户端反调试、反注入、完整性校验和运行时探测的对抗能力。

从技术效果看，魔改Hook框架会削弱客户端对运行环境可信性的判断能力。原本可通过特征扫描识别的Hook框架，在魔改后可能不再暴露明显进程、端口、模块和符号特征；原本可通过调用栈、内存映射、so加载列表识别的注入行为，也可能因加载方式变化、符号隐藏和内存特征规避而难以稳定命中；原本依赖单点检测的Root、反调试、反注入、证书校验和完整性校验逻辑，也可能在运行时被拦截、篡改或伪造返回结果。此类能力使攻击者能够在更低暴露度下持续干预App执行流程，对客户端安全检测形成持续消耗。

图10 魔改Frida中的相关代码规避检测

3.鸿蒙操作系统安全新方向

自鸿蒙5.0（HarmonyOS NEXT）发布以来，围绕鸿蒙生态的安全研究持续升温。早期相关研究主要集中于应用逆向、系统机制分析和基础工具适配等方向，整体仍处于起步阶段。由于鸿蒙生态相对封闭，应用运行环境、权限模型和系统机制与传统Android体系存在明显差异，现有移动攻击工具难以直接复用，导致针对鸿蒙应用开展成熟实战攻击的成本较高，黑产整体关注度此前相对有限。

但从近期情况看，这一门槛正在逐步被突破。研究团队观察到，在部分技术论坛和研究社区中，已有攻击者尝试在 Android设备上构建OpenHarmony^[5]源码编译环境，并在其中运行部分HarmonyOS NEXT应用，以降低研究成本、提高分析便利性。研究团队在测试设备上验证发现，尽管受系统能力和运行环境差异影响，部分应用功能无法完整运行，但多数应用已能够完成启动和基础交互，这意味着攻击者已具备在非官方环境中对鸿蒙应用进行行为分析、逻辑调试和安全测试的基础条件。

在此基础上，已有研究人员开发出适配OpenHarmony 环境的改造型Frida工具，可对部分鸿蒙应用的运行时Native 层逻辑实施Hook。与传统静态逆向相比，这类能力使攻击者能够在运行态对关键函数调用、参数传递和业务流程进行观察与干预，为后续针对认证流程、风控逻辑、加解密过程及关键业务链路的深入研究提供了更直接的技术抓手。这表明，鸿蒙应用安全研究正逐步从“看得见、读得懂”的分析阶段，向“跑得起来、Hook得动、可验证业务逻辑”的实战研究阶段演进，鸿蒙生态的移动端对抗面正在逐步打开。

1.银行卡批量盗刷形成产业链

图11 境外盗刷已出现完整黑产产业链

2.智能POS定位遭篡改，成为盗刷及洗钱工具

当前主流的智能POS设备，为了保障设备专机专用，防止设备被用于盗刷、洗钱等非法行为，普遍集成了地理围栏功能，通过GPS、LBS定位等技术进行物理定位，限制该设备只能在指定的地理位置附近使用。

研究团队在对智能POS设备的安全测试中发现其中部分POS设备的地理围栏功能存在被篡改绕过的风险，攻击者可以通过破解加密算法、恶意篡改数据、无线电干扰等方式，篡改POS设备地理定位功能上传的经纬度，导致基于地理位置的POS设备风控失效。攻击者可以利用此漏洞，欺骗商家或与其勾结将POS设备带离指定位置，并用于盗刷或洗钱。研究团队已将相关风险通报监管机构及相关厂商，目前漏洞已经完成修复。

图12 POS设备地理定位篡改攻击流程

过去，我们往往能清晰地划分两条平行线：一边是以逐利为核心、利用自动化脚本、社工和钓鱼欺诈等手段进行广撒网式攻击的黑产团伙；另一边则是以技术探索和突破防御为荣，专注于挖掘系统深层漏洞的黑客社群。然而，随着渗透攻击技术的商品化、AI技术的发展及攻击成本的降低，两者的边界正变得模糊。黑产团伙通过“黑客工具即服务”的模式轻易获取先进的攻击工具，已不再满足于仅攻击个人用户，而是利用黑客化的攻击武器，将企业内网作为新的目标。

1.从个人向企业，银狐黑产组织的“蜕变”

银狐是一个自2022年开始活跃，不断演进的网络黑产犯罪组织，早期通过仿冒WPS、有道翻译等常用软件官网，并利用搜索引擎SEO投毒将钓鱼网站排名前置，诱导个人用户下载带毒安装包。其诱饵多为“补贴领取”等话术，通过主流即时通讯软件广泛传播，攻击成功后，主要以拉群进行小额诈骗获利。

近年来，银狐组织将攻击重点转向政府、金融、医疗等关键行业。其手法高度专业化，呈现出清晰的产业化犯罪特征。该组织精心伪造“税务稽查紧急通知”、“项目资料”等文件，通过即时通信软件、邮件精准投递给目标企业财务等关键岗位人员，利用工作信任诱导点击，一旦受害者运行了恶意程序，设备将立即沦为攻击者的受控终端。银狐组织大量采用 “白加黑” 技术（用合法程序加载恶意动态链接库），并利用带合法签名的驱动程序进行内核级对抗，以终止安全软件进程、致盲监控系统，实现隐蔽的持久化驻留和全功能远程控制（如监控屏幕、操作鼠标），并以受害者设备为跳板向内网其他高价值目标（如财务服务器）进行横向渗透，最终导致资金被盗或核心数据泄露。

2.勒索组织门槛降低，勒索攻击呈现出持续扩张态势

当前黑产活动与勒索攻击已由过去相互独立转向“共享供给链，按需分流变现”的关系。从攻击链条看，凭证窃取、初始访问获取、恶意载荷投放、会话控制和横向移动等前中段能力已高度通用；差异主要体现在入侵成功后的收益选择：面向个人账户和支付场景时，攻击者更倾向于账号接管、资金盗取和欺诈变现；面向企业网络和高价值数据时，则更可能转向数据窃取、双重勒索乃至加密敲诈。在此背景下，2025年全球勒索攻击规模在上一年度基础上进一步扩大，攻击事件数量呈现出明显上升趋势。研究团队通过自建的暗网情报监控系统全年共监测到勒索攻击事件8,155起，同比增长34.24%，平均每日超过22起。

图14 近三年全球勒索攻击事件月度数量对比图

攻击模式层面，目前的主流勒索组织均采用勒索即服务的模式，即勒索组织以服务的形式，提供勒索加密程序、平台、沟通谈判、洗钱等服务，攻击者按需使用相关服务实施勒索攻击。组织架构层面，勒索组织为了拓展业务面，其准入门槛不断降低，过去加盟相关组织，攻击者需证明自身的技术能力，向勒索组织提交自身渗透大型企业的漏洞、数据等成果，作为“投名状”，而近年来，攻击者仅需缴纳数百美元的费用，即可加入组织，使用组织提供的各类攻击资源开展勒索攻击。

随着金融业数字化转型的深入，其技术体系对内外部的依赖日益增强，供应链安全已从外围风险演变为关乎业务连续性与数据安全的新兴威胁之一。攻击者正系统地利用供应链各环节的脆弱性，实现对金融机构的精准打击。长期存在的常规软件供应链风险催生了由AI技术普及所驱动的、更为复杂和隐蔽的新型AI供应链攻击。

1.常规软件供应链风险持续渗透金融业

传统软件供应链攻击已形成成熟产业链，其模式通常为攻击者通过入侵上游供应商、污染开源组件、篡改软件更新渠道等手段，在合法软件中植入恶意代码。当金融机构集成或更新这些被污染的组件时，后门便随之植入。

此类攻击的危害在金融场景中被急剧放大。一旦得逞，攻击者可窃取包括但不限于：核心业务系统权限、数据库连接凭据、SSL证书私钥、云平台管控凭证以及CI/CD流水线访问密钥。更严重的是，攻击者能借此在机构内网建立持久化据点，进行横向移动，最终可能导致大规模数据泄露、交易被篡改、勒索软件植入等严重后果，对金融机构的运营、声誉及客户资产构成直接威胁。

图15 近年典型开源组件供应链攻击事件

该时间轴图系统梳理了2018年至2025年开源生态中一系列标志性安全事件，深刻揭示了软件供应链风险的演变全景。其演变呈现出多维特征，风险来源已从单一的技术漏洞，扩展至法律许可变更、社区治理危机、意识形态冲突及可持续性挑战等多元层面；攻击形态也完成了从早期相对简单的机会主义投毒，向类似XZ-Utils后门事件所体现的专业、持久、高度隐蔽的高级持续性威胁的质变。进入2025年，这一趋势进一步加剧，以Shai-Hulud为代表的蠕虫式供应链攻击在三天内感染上千个npm包、波及数万仓库，并造成超850万美元的实际资产损失，标志着攻击已实现自动化、规模化传播，并将财务危害直接化、即时化。软件供应链的安全风险一直存在，从未间断，并且影响范围极广。无论是开发各种应用程序时所使用的现成代码库，还是维持手机、电脑运行的最底层系统工具，整个软件体系的各个层面都曾出现过安全问题，并持续面临威胁。

2.新兴AI供应链引入全新攻击面与复杂风险

AI技术的深入应用，在常规软件供应链之上，叠加了数据、模型、应用三个全新的、相互关联的攻击维度，使得供应链攻击的面更广、链更长、手段更隐蔽。

工具与框架层风险，以2026年3月披露的LiteLLM供应链投毒事件为典型代表。LiteLLM作为广泛用于统一调度各类大模型的开源组件，其被篡改的版本（1.82.7/1.82.8）旨在专门窃取金融机构的AI模型API密钥、云凭证等核心敏感信息。此事件表明，攻击者已高度聚焦于AI技术栈中的基础工具和通用框架。一旦此类被深度集成的组件遭毒化，相当于在金融机构的AI基础设施中埋下了通往核心数据的隐秘通道，危害具有全局性和系统性。

数据与知识层风险，主要体现在针对AI训练数据和检索知识库的污染，以生成式引擎优化GEO黑产为代表。攻击者不再直接攻击系统，而是通过系统性手段污染AI的信息源：

一是污染训练数据与知识库。向用于训练金融垂直模型或构建检索增强生成RAG系统的语料库、知识库中，批量植入虚假理财信息、伪造资质话术、诈骗案例与错误金融事实。

二是操控提示与输出。通过精心设计的提示词注入，在用户查询的上下文或知识库内容中嵌入隐蔽指令，利用模型的上下文学习能力，劫持其输出，使其生成推荐违规产品、误导性建议的内容。

三是伪装与优化。伪造权威信源、专家背书，并利用技术手段优化恶意内容在AI检索结果中的排序，提升其被采信的概率。

表2 LiteLLM投毒相关信息

图16 PyPI官网对litellm版本发布情况

近年来，网络金融黑产的攻击目标与攻击链条持续向移动端集中，攻击行为由“规模化、脚本化”向“高对抗、强隐蔽”演进的趋势。围绕金融类App，黑产攻击手法不断升级，新型移动端Hook工具、黑产群控工具、改机工具、破解框架、模拟器及云手机等攻击工具迭代速度快、隐蔽性强，相关特征变化频繁。同时，针对金融用户的各类恶意木马、远程控制程序以及屏幕共享等恶意应用不断出现，并与自动化操控手段深度结合，进一步提升了黑产攻击的隐蔽性与破坏性。在此形势下，单纯依赖服务端风控或静态特征识别的防护模式，已难以及时、准确地发现终端侧真实风险。

围绕移动端黑产攻击特征，应通过引入终端威胁感知能力，强化App侧对终端环境、运行态势及用户行为的持续感知。通过对Root/越狱、调试与注入、Hook框架、虚拟化与多开、自动化操控等高风险攻击行为的识别，并结合对恶意代码执行、远程控制、无障碍服务滥用、异常进程及通信行为的综合分析，实现对终端侧威胁的实时发现与动态研判，弥补传统静态检测与服务端风控在实时性与终端可见性方面的不足。

研究团队结合在客户端安全研究及金融黑产对抗中的实践经验，从黑产攻击者视角系统梳理其针对金融App的典型攻击路径，拆解攻击过程中涉及的环境绕过、恶意代码植入、终端控制及自动化执行等关键环节，并对当前主流黑产攻击工具与技术手段进行归纳总结，形成覆盖多类攻击场景的终端威胁感知关键检测点体系。

图17 移动端威胁感知系统示意

在终端威胁感知能力评估过程中，需要综合考虑各类攻击手段的危害程度、通用性、传播成本及对抗难度，对相关检测点进行分级与量化评估，并结合 App 实际防护能力进行综合判定。通过持续优化终端威胁感知能力，系统性补齐移动端安全短板，有效提升黑产攻击成本，降低金融 App 遭受终端控制、账号盗用及资金风险的整体概率。

业务接口已经成为承载金融业业务发展的主动脉与关键支撑力量，其直接暴露于互联网的特性，加之其暴露点众多、攻击面广阔，使之成为黑产高度觊觎并频繁攻击的目标，为应对日益隐蔽的黑产攻击，须将接口资产全景管理与全生命周期代码防护深度融合，构建覆盖设计、开发、测试、运行全流程的动态纵深防御体系。

1.建立业务接口资产管理全景视图

设计阶段，通过建立综合业务接口资产管理平台，将各应用各功能业务接口纳入统筹管理，采取应用内部探针采集+外部主动发现模式，将应用业务接口管理由点及面脱离“孤岛式”防御，清晰掌握业务接口的数量、类型、暴露面、调用方及敏感度，从而提升管理颗粒度。对于存量接口，研究团队参考业界经验，引入攻击视角的业务接口资产发现方法，形成从黑客的攻击视角实施业务接口攻击面管理的方案，以攻击为目的，持续地发现、评估和监控所有可能被利用的入口点，通过主动探测技术全面发现影子业务接口和僵尸业务接口，进一步完善业务接口资产台账，同时结合人工智能MCP agent技术，在传统黑客工具上进一步优化对隐藏较深的业务接口识别能力。

2.实施接口集约化管理与代码高强度防护

开发阶段，采取接口集约化管理、前端代码全流程保护方案，以H5这类直面用户的前端渠道为例，应采用后端参数路由机制，避免在前端直接暴露大量、分散的接口URL，显著缩小攻击面。前端代码在结束单元测试后就进行混淆加固处理，清除所有非必要的注释，特别是涉及业务逻辑、算法细节或敏感信息的注释，避免因配置不当导致将前端源码及敏感参数在生产环境泄露。

3.以攻击视角驱动安全有效性评估

4.建立“感知-联动”的动态防御闭环

运行阶段，建立前端代码防护联动机制：当出现恶意探测分析、高频接口调用或非常规参数提交，能够切换前端代码混淆加固方式破坏攻击者现有代码分析调试环境，并与其他防护设备联动，协同阻断恶意探测及攻击行为。

传统风控运营依赖人工回溯日志、手动统计拦截数据，存在两点核心瓶颈。一是对风控策略的短板识别不足。如果一条策略存在多层嵌套的复杂规则逻辑，大部分风控看板仅针对单策略整体拦截率，运营人员无法直接捕捉失效节点。二是风控规则的运营与对抗高度人工化，规则迭代依赖专家经验，缺乏量化评估指标，无法自动更新。

针对此类痛点，研究团队首先对所有风控策略进行“特征—规则组—策略”的三元组原子化解耦，第一步建立多叉决策树，对可疑行为在特定风控策略中的决策路径进行可视化，直观体现有效/失效控制条件。第二步借助SHAP方法进行风控特征重要性排序，针对单条风控策略，通过历史交易数据建立树模型，计算每个特征的Shapley值，从而得到每个特征对单条风控策略的贡献度，得到该风控策略的强信号/弱信号特征。第三步借助强化学习中的上下文多臂老虎机算法（Contextual Bandit），将用户交易时的历史窗口特征组合成上下文向量，并通过设置不同的奖励信号，如将风控拦截—欺诈交易视作强奖励、风控拦截—正常交易视作弱惩罚、风控放行—欺诈交易视作强惩罚，建立损失函数，最终通过强化学习获得最佳的风控特征阈值组合。

在当前黑产攻击手法快速迭代、各类新型工具日趋隐蔽的背景下，传统蓝军依赖人工复现攻击路径的方式面临严峻挑战，不仅难以全面覆盖日新月异的攻击向量，还存在着风控策略迭代滞后、测试周期长、人力与资源投入高昂等痛点，导致防御体系在面对快速演进的威胁时往往显得被动与不足。

基于以上痛点，研究团队正在探索构建一套基于多智能体协同的自动化模拟蓝军平台。该平台由知识定义模块、智能决策与攻击执行模块、反馈评估模块和闭环控制模块四个核心部分组成。知识定义模块将不同业务场景所对应的典型黑产攻击手法及其绕过约束，封装为可检索的RAG与Skills，协助智能体模拟黑产攻击并确保后续生成的攻击参数具备真实操作可行性。智能决策与攻击执行模块依据知识定义模块生成多个参数修改方向，通过风控引擎调用工具向目标风控引擎发起实际测试请求，获取实时判定结果并输入反馈评估模块，将其量化为统一的风险分数，驱动智能体回溯分析哪几条探索路径最接近“绕过”目标，保留最有可能的一条路径。闭环控制模块负责整体控制整个攻击迭代的深度、广度与停止条件。这一闭环机制不仅可实现对风控系统薄弱环节与防护缺口的持续探测与定位，更支持在近似真实业务环境中开展高频率、大规模、全覆盖的自动化攻防演练，从而显著提升风控体系的迭代速度与主动防御能力。

在金融黑灰产对抗的最前沿，暗网作为数据交易、漏洞、攻击工具流通及勒索攻击的核心策源地，已经形成了从黑客工具制作、分发到数据窃取、传输，并最终作为商品上架、兜售的高度结构化、可复制、可盈利的地下杀伤链路。其高度隐蔽性与动态演化特性对传统被动防御模式构成了严峻挑战。

图22 暗网数据窃取杀伤链路“钻石”模型

为扭转防御滞后态势，领先金融机构正着力构建体系化的暗网监控能力，依托自动化情报采集、智能分析及快速响应机制，实现对黑产活动的先觉预警与精准布防。暗网监控能力的核心在于构建多维度情报感知网络。一方面，需要突破动态反爬等技术障碍，建立高效、隐蔽的自动化信息采集与分析机制，深度渗透并持续监控勒索组织主页、黑客论坛及加密群组等关键地下渠道，力求在源头精准捕获数据泄露、漏洞交易、攻击协作请求等高价值威胁线索，为防护决策抢占先机；同时，深度整合ATO（Account Takeover，账号接管攻击）情报查询服务，对暗网流通的海量泄露凭证进行实时验真与风险关联，并融合设备指纹、行为模式等多维风控因子，实现秒级精准锁定高危账户，从而颠覆传统被动应对撞库的模式，将防御动作实质性前移。

图23 暗网情报监控系统设计思路

未来，深化暗网监控的战略价值在于构筑完整的“威胁感知—情报转化—主动响应”闭环。这种深度融合暗网监控与ATO情报防御的体系将推动防御机制从“事件驱动响应”向“情报驱动布防”战略转型，力求在威胁真正触及核心业务前将其扼杀于萌芽。持续优化监控精度、提升情报自动化处理与响应速度，将是金融机构构筑纵深安全防御体系、稳固黑产对抗高地的关键方向。

针对AI投毒产业化风险，特别是生成式引擎优化GEO黑产对金融信息生态的污染与AI供应链的定向攻击，传统的封闭式防御已难以应对，亟需构建一个强调协同共享的主动防御体系。

1.建设金融AI内容审计与溯源工具链

研发并开源一套针对金融垂直领域的AI内容审计工具包。该工具链应包含：

提示词注入检测引擎。基于开源大模型微调，专门识别针对理财、信贷、保险等场景的隐蔽恶意指令。

训练数据污染扫描器。集成开源数据质量评估框架，对用于微调金融领域模型或构建RAG知识库的数据源进行自动化清洗与恶意样本标注。

输出内容可信度评估模块。利用开源的可解释AI工具，对AI生成的金融建议、市场分析等内容进行事中事后审计，追溯其结论的关键依据来源，并对信息矛盾、事实错误进行标记。

2.研发开源AI供应链安全哨兵组件

针对类似LiteLLM的供应链投毒事件，构建并开源轻量级、可插拔的安全组件。

依赖成分分析与软件物料清单SBOM生成器。强化如CycloneDX、Syft等开源SBOM工具，使其能深度解析AI项目依赖，自动生成包含密码学哈希值的物料清单，便于进行漏洞与投毒包比对。

动态行为沙箱与敏感信息流监控。开发一个针对AI框架及模型网关调用的开源沙箱环境。该沙箱能监控模型推理过程中异常的网络连接、文件系统访问及试图读取环境变量、密钥管理系统的行为，并在检测到疑似数据外泄时告警或中断。

3.推动开源社区共建AI投毒威胁情报联盟

发起并维护一个开源的AI投毒威胁情报共享项目。

共享格式与平台：定义标准化的威胁情报格式，收录恶意提示词模板、被投毒的开源包哈希、GEO黑产操控的虚假信息源域名等指标。利用开源平台进行分布式部署与情报共享。

社区化运营：鼓励金融机构、安全厂商及研究人员以匿名或认证方式提交和验证威胁指标，通过社区投票机制评估风险等级，形成持续更新的、行业公认的AI投毒风险数据库。

4.构建集成化的开源AI安全运营中心解决方案

整合上述开源工具与组件，形成一个完整的、可私有化部署的AI安全运营中心架构。

核心功能包括实现从AI模型供应链入库检查、训练数据质量管控、在线服务提示词审计、生成内容可信度分析到威胁情报联动的全流程可视化监控与自动化响应。

图24 构建集成化的AI安全运营中心

展望2026年，随着金融业数智化转型不断向纵深推进，黑产攻防对抗也将加快向智能化、链条化、生态化方向演进。面对黑产风险由局部突破向系统渗透、由单点作案向协同作案加速转变，依靠单一机构开展分散防御已难以有效应对复杂多变的风险挑战，迫切需要统筹发挥银行、运营商、互联网平台和监管部门等各方作用，推动形成信息互通、风险共研、能力互补、协同处置的行业联防联控格局。

中国工商银行安全攻防实验室与公安部第三研究所供应链安全能力中心将持续发挥各自在金融场景、网络安全研究、风险治理和攻防对抗等方面的专业优势，进一步加强数智技术在金融安全领域的研究应用，深化黑产威胁监测分析、风险识别预警和协同防护能力建设，积极推动行业威胁情报共享、安全能力协作和标准体系共建，与金融同业及有关各方一道共同筑牢数字金融安全防线。双方将始终坚持金融工作的政治性、人民性，立足服务国家安全大局和金融高质量发展，以更加稳健、更可持续的安全保障能力，护航数智金融健康发展，切实守护人民群众财产安全和合法权益。

【注释】

[1]数据来源：中华人民共和国公安部-人民公安报

[2]数据来源：央视新闻

[3]参考链接：https://www.trendmicro.com/vinfo/us/security/news/threat-landscape/fault-lines-in-the-ai-ecosystem-trendai-state-of-ai-security-report

[4]参考链接：

Sophisticated Payment Card Skimming Campaign Conceals Itself by Leveraging Stripe API，https://sourcedefense.com/resources/sophisticated-eskimming-campaign-conceals-itself-by-leveraging-stripe-api/

[5]OpenHarmony是华为研发并开源的操作系统底座，包含鸿蒙操作系统的核心基础能力代码，而HarmonyOS next是华为在 OpenHarmony 开源底座之上，增加了华为自研的闭源组件（如HMS服务、应用市场、分布式能力等）后形成的商业操作系统

【版权声明】

本文版权由中国工商银行安全攻防实验室、公安部第三研究所供应链安全能力中心共同所有，并受法律保护。转载、摘编或利用其他方式使用本文观点或文字的，应注明来源。违反上述声明者，将追究其相关法律责任。