گزارش‌های اخیر در حوزه تحلیل بدافزارها نشان‌دهنده افزایش پیچیدگی در متدهای نفوذ و استفاده از زیرساخت‌های عمومی برای پنهان‌سازی فعالیت‌ها است. در ادامه، تحلیل دسته‌بندی شده از مهم‌ترین یافته‌های پژوهشی ارائه شده است:
۱. حملات زنجیره تأمین و اکوسیستم‌های توسعه
- آلودگی بسته‌های npm: شناسایی بدافزار MALFEX که به مدت ۱۴ ماه بدون شناسایی در npm فعال بود و از اسکریپت‌های
postinstallبرای اجرای عملیات مخرب استفاده می‌کرد. همچنین، SDK شرکت TensorLake در یک حمله زنجیره تأمین مورد هدف قرار گرفته است. - شبکه FakeGit: کشف بیش از ۱۷,۶۰۰ مخزن (Repository) جعلی که به صورت شبکه‌ای مدیریت شده و به سرعت برای توزیع ابزارهای مخرب بازسازی می‌شوند.
۲. تهدیدات زیرساختی و سیستم‌های لینوکس
- بک‌دور ClingSTUN: این بدافزار لینوکسی با سوءاستفاده از زیرساخت‌های عمومی STUN (Session Traversal Utilities for NAT) توانسته است ترافیک فرمان و کنترل (C2) خود را پنهان کرده و از سد فایروال‌ها عبور کند.
- آسیب‌پذیری‌های AhsayCBS: عاملان تهدید با بهره‌برداری از نقاط ضعف بحرانی در نرم‌افزار AhsayCBS، اقدام به استقرار Webshell و استخراج ارز دیجیتال از طریق XMRig کرده‌اند.
۳. بدافزارهای سرقت اطلاعات و فیشینگ
- LUNEXSTEALER و ClickFix: استفاده از متد ClickFix در وب‌سایت‌های هک شده برای ترغیب کاربران به اجرای کدهای مخرب و سرقت اطلاعات حساس.
- کمپین Wazza Phishkit: این کیت فیشینگ پیشرفته، سازمان‌های دولتی، بانکی و تولیدی را در ایالات متحده، اتحادیه اروپا و استرالیا هدف قرار داده است.
- حمله Shai-Hulud: یک کمپین هدفمند برای سرقت اعتبارنامه‌ها (Credentials) که با متدهای پیچیده استتار همراه است.
۴. تهدیدات پیشرفته و APT
- Midnight Mimosa: شناسایی نوعی حمله که در آن دستگاه‌های موبایل حتی پیش از روشن شدن توسط کاربر، در مرحله تولید یا توزیع آلوده شده‌اند.
- تغییرات P7 DarkSword: تحلیل نسخه‌های جدید این بدافزار که با متدهای Beaconing و استمرار (Persistence) پیشرفته‌تر عمل می‌کند.
۵. نقش هوش مصنوعی در تولید و تحلیل بدافزار
- ORCAGen: معرفی سیستمی برای تولید بدافزارهای متناسب با متن (Context-Aware) با استفاده از RAG (Retrieval-Augmented Generation) و مدل‌های زایشی.
- پلتفرم MARS: استفاده از مدل‌های زبانی بزرگ (LLM) برای امتیازدهی به ادعاهای تحلیل بدافزار بر اساس قوانین مشخص.
- تشخیص بدافزارهای IoT: توسعه چارچوب‌های جدیدی که ترکیب Deep Learning و LLM را برای شناسایی سریع‌تر بدافزارها در دستگاه‌های اینترنت اشیاء به کار می‌گیرند.
