I den seneste tid har cyberkriminelle udnyttet kunstig intelligens til at skabe en ny generation af malware , der truer brugere og organisationer. Mens kunstig intelligens har forandret utallige områder positivt, har den også gjort digitale trusler meget sværere at opdage og bekæmpe. I dag er det vigtigt at forstå, hvordan disse angreb udfolder sig, for at minimere risici og beskytte følsomme oplysninger.
Disse AI-skabte ondsindede programmers sofistikering har nået et sådant niveau, at de ikke blot formår at omgå traditionelle forsvarssystemer , men også kan tilpasse sig deres omgivelser i realtid og sprede sig via uventede metoder. Vi gennemgår de mest relevante cases, de vigtigste anvendte teknikker, og hvordan disse trusler kan afbødes.
AI-drevet malware: teknikker og hvordan det fungerer
Udviklingen af ​​kunstig intelligens har åbnet døren for hidtil usete angrebsteknikker i malwareverdenen. Et særligt bemærkelsesværdigt aspekt er AI-modellers evne til at analysere sårbarheder, generere ondsindet kode efter behov og tilpasse sig selv i henhold til deres måloffer eller miljø. Dette giver angribere mulighed for at skabe mere effektive angreb, der er vanskelige at opdage og endda modstandsdygtige over for konventionelle anti-malware-systemer.
Blandt de nye tendenser er brugen af ​​polygraffiler en af ​​de mest slående: det går ud på at tilføje eksekverbar kode til slutningen af ​​tilsyneladende harmløse filer, såsom JPEG-billeder, så blot åbningen af ​​dem kan udløse udførelsen af ​​skadelige scripts i systemets hukommelse.
En anden ny tilgang involverer fuldstændig automatisering af udvikling af angreb ved hjælp af store sprogmodeller (LLM'er), såsom ChatGPT eller Llama 2. Gennem omhyggeligt planlagt interaktion har forskere gjort det muligt for flere AI'er at samarbejde om at analysere et sårbart program, identificere svagheder, planlægge angrebet og i sidste ende generere malwarekoden. Dette muliggør oprettelse af yderst effektive og funktionelle cyberangreb på meget kort tid.
Nylige sager: fra LameHug og FunkSec til Koske
AI-drevne malwaretrusler er ikke bare en hypotese: konkrete eksempler er blevet dokumenteret i de seneste måneder, der demonstrerer den sande omfang af denne teknologi i hænderne på cyberkriminelle.
Forskere ved CERT-UA i Ukraine opdagede LameHug-malwaren , som bruger Hugging Face API'en til at interagere i realtid med en Alibaba-sprogmodel og generere ondsindede instruktioner skræddersyet til hvert inficeret Windows-system. Denne fleksibilitet gør traditionel detektion ineffektiv, da koden ikke er fast, men genereres dynamisk baseret på konteksten på den målrettede maskine.
På den anden side har FunkSec- gruppen udviklet multifunktionel ransomware drevet af kunstig intelligens, der anvender automatisk genereret kode og udstyrer sine angreb med avanceret kryptering, dataudvinding og forsvarsunddragelsesfunktioner. Deres strategi involverer at tilbyde lavere løsepenge for at nå et stort antal ofre, hvor angrebene er rettet mod regerings-, teknologi- og uddannelsessektoren i forskellige regioner af verden.
På samme måde er Koske-malwaren , der er rettet mod Linux-systemer, blevet observeret distribueret skjult i tilsyneladende uskyldige JPEG-billeder. Denne malware udnytter teknikker som polyglot-filmisbrug til at udføre skadelig kode, når filen åbnes, installere kryptovaluta-minere og ændre kritiske systemindstillinger. Koden, der tilsyneladende er udviklet ved hjælp af AI, skiller sig ud ved at være veldokumenteret og modulær, hvilket afslører det betydelige spring fremad, som kunstig intelligens repræsenterer i angribernes hænder.
Anvendte infektionsmetoder og -værktøjer
AI-drevet malwaredistribution anvender flere angrebsvektorer , lige fra e-mailvedhæftninger til billeder, der uploades til legitime platforme. I tilfældet med Koske er det for eksempel nok blot at åbne et inficeret billede til at udløse skjulte scripts, der køres i hukommelsen, installere rootkits og ændre firewall- og DNS-indstillinger. I andre scenarier udnytter angriberne lækkede legitimationsoplysninger eller softwaresårbarheder for at få adgang til systemet i første omgang og delegerer derefter automatiseringen af ​​alle efterfølgende trin til AI.
Generative værktøjer og platforme som ChatGPT, Llama 2, FraudGPT, WormGPT og HackerGPT er blevet nævnt som ressourcer, der anvendes af både professionelle inden for offensiv analyse og kriminelle, hvilket viser, at grænsen mellem research og ondsindede angreb kan være meget tynd. Disse AI-motorer kan analysere konfigurationer, opdage exploits og programmere yderst effektive scripts på få sekunder.
Eksperter påpeger, at angribere ikke længere behøver at skrive al den ondsindede kode fra bunden: takket være sprogmodeller er det muligt at oprette brugerdefineret malware på farten , hvilket i høj grad hæmmer arbejdet med traditionelle sikkerhedsløsninger.
Tips og strategier til at beskytte dig selv
I dette scenarie kræver beskyttelse mod AI-drevet malware en proaktiv og varieret tilgang, der kombinerer avancerede teknologiske løsninger og bedste praksis.
- Opdater altid dit operativsystem og alle applikationer for at forhindre angribere i at udnytte kendte sårbarheder.
- Implementer detektionsløsninger, der bruger kunstig intelligens til at identificere unormal adfærd, ikke kun statiske signaturer.
- Udfør segmenterede og beskyttede sikkerhedskopier for at sikre gendannelse i tilfælde af et angreb, samt overvåg ændringer i vigtige systemfiler og -tjenester.
- Træn personale i social engineering og phishing, da det mest almindelige indgangspunkt stadig er menneskelige fejl.
- Sørg for en robust firewallkonfiguration og begræns adgang til følsomme instanser, såsom JupyterLab-servere i videnskabelige og akademiske miljøer.
I virksomhedsmiljøer har specialiserede værktøjer som EDR-løsninger, anti-APT og trusselsintelligensplatforme vist sig meget nyttige til at forudse og reagere på AI-baserede trusler. Eksperter anbefaler at analysere udgående trafik og overvåge lateral bevægelse inden for netværket for at opdage potentielle datatab.
Endelig er det vigtigt at huske, at selvom mange af disse trusler har meget specifikke mål (såsom kryptovaluta-mining eller datakryptering), varsler deres fremkomst, drevet af kunstig intelligens, ankomsten af endnu mere avancerede og vanskeligt angribende varianter.
Udviklingen af ​​AI-drevet malware repræsenterer et betydeligt spring fremad inden for cyberkriminalitet , da det letter oprettelsen af ​​stadig vanskeligere at opdage programmer og gør det muligt for selv mindre erfarne aktører at lancere sofistikerede kampagner. Nøglen til at afbøde disse risici ligger i at anvende innovative sikkerhedsløsninger, opretholde fornuftige digitale vaner og fremme bevidsthed på alle niveauer.
