تیم Cisco Talos ابزار متن‌باز جدیدی به نام CAIRN را معرفی کرده است که هدف آن شکار، طبقه‌بندی و ردیابی بدافزارهای ادغام شده با هوش مصنوعی (AI-integrated malware) از طریق تحلیل نشانه‌های دیجیتالی است که توسعه‌دهندگان در کدها باقی می‌گذارند.
تحلیل بدافزار CLOSEDQUORUM و اتوماسیون C2
همزمان با معرفی این ابزار، نمونه‌ای به نام CLOSEDQUORUM شناسایی شده است که اولین Implant ویندوزی مستند شده است که تصمیمات تاکتیکی مربوط به فرمان و کنترل (Command-and-Control یا C2) را به هوش مصنوعی می‌سپارد. برخلاف بدافزارهای سنتی که منتظر دستورات اپراتور انسانی یا سرور C2 می‌مانند، این بدافزار از چهار مدل زبانی بزرگ (LLM) تجاری شامل DeepSeek، Qwen، Mistral و Google Gemini استفاده کرده و از طریق رای‌گیری (Plurality Voting) اقدام بعدی خود را انتخاب می‌کند.
تحلیل استاتیک نشان می‌دهد که CLOSEDQUORUM یک حلقه تصمیم‌گیری خودگردان کامل دارد. این بدافزار جزئیات سیستم را جمع‌آوری کرده، آن‌ها را در قالب Promptهای ساختاریافته قرار می‌دهد و از مدل‌های AI می‌خواهد تا اقدامات محدودی مانند سرقت داده‌ها، ایجاد Persistence یا تزریق کد (Code Injection) را انتخاب کنند. اقدامات نهایی می‌تواند شامل موارد زیر باشد:
- تخلیه حافظه LSASS (Memory Dumping)
- جمع‌آوری رمز عبورهای مرورگر
- سرقت کیف پول‌های ارز دیجیتال
- تکنیک‌های Process Hollowing و APC Injection
- ارسال داده‌های رمزنگاری شده از طریق Discord
مکانیزم عملکرد CAIRN در شناسایی تهدیدات
ابزار CAIRN برای شناسایی این کلاس از تهدیدات در مقیاس بالا طراحی شده و از ۲۴ فیلتر اکتسابی روی متادیتای استخراج شده از رشته‌ها (Strings)، برچسب‌های آنتی‌ویروس و رفتارهای Sandbox استفاده می‌کند. این فیلترها به دنبال دامنه‌هایی نظیر api.openai.com، کتابخانه‌های پایتون مانند LangChain و LiteLLM و همچنین اجزای استنتاج محلی مانند Ollama هستند.
سیستم شناسایی در CAIRN در سه سطح سازماندهی شده است:
- Tier 1: شناسایی آرتیفکت‌های اولیه AI مانند End-pointها یا سینتکس‌های Function-calling.
- Tier 2: افزودن بافت رفتاری (Behavioral Context) از طریق پیوند دادن آرتیفکت‌ها به فعالیت‌هایی مانند تلاش برای دور زدن تحلیل‌های AI.
- Tier 3: انتساب نمونه‌ها به خانواده‌های شناخته شده بدافزار با استفاده از اثرانگشت‌های (Fingerprints) تایید شده از طریق مهندسی معکوس.
چالش‌های شناسایی و توصیه‌های دفاعی
یکی از چالش‌های اصلی، حضور رشته‌های مرتبط با AI در نرم‌افزارهای قانونی است که می‌تواند منجر به نتایج مثبت کاذب (False Positive) شود. بنابراین، CAIRN به جای جایگزینی مهندسی معکوس، به عنوان ابزاری برای محدود کردن حجم نمونه‌ها پیش از تحلیل عمیق عمل می‌کند.
با توجه به اینکه مسدود کردن دامنه‌های AI به دلیل استفاده گسترده در برنامه‌های قانونی غیرعملی است، متخصصان امنیت توصیه می‌کنند که ترافیک غیرمنتظره به چندین ارائه‌دهنده AI را با فعالیت‌های مشکوکی نظیر دسترسی به LSASS، تزریق پروسه و ارتباطات غیرعادی با Discord تطبیق دهند (Correlate).
