آخرین اخبار
همهٔ اخبار
بدافزار و تروجان گزارش بحرانیت ۵/۱۰

بدافزار سرقت اطلاعات VOLTA-AUTODOXER؛ استفاده از هوش مصنوعی برای تحلیل و رتبه‌بندی ارزش داده‌های سرقتی

بدافزار سرقت اطلاعات VOLTA-AUTODOXER؛ استفاده از هوش مصنوعی برای تحلیل و رتبه‌بندی ارزش داده‌های سرقتی

محققان امنیتی در Cisco Talos از کشف یک بدافزار جدید سرقت اطلاعات (Infostealer) تحت عنوان VOLTA-AUTODOXER خبر دادند. این بدافزار با رویکردی نوآورانه در دنیای جرایم سایبری، داده‌های سرقت‌شده از قربانی را به مدل‌های هوش مصنوعی (AI) ارسال می‌کند تا آن‌ها را بر اساس میزان سودآوری مالی رتبه‌بندی کند.

مکانیزم عملکرد و جمع‌آوری داده‌ها

در مراحل اولیه، VOLTA مانند سایر بدافزارهای سرقت اطلاعات عمل می‌کند و اطلاعات حساسی از جمله موارد زیر را هدف قرار می‌دهد:

  • رمزهای عبور ذخیره‌شده در مرورگرها، کوکی‌ها (Cookies) و کارت‌های پرداخت ذخیره‌شده.
  • عبارات بازیابی (Seed phrases) کیف پول‌های ارز دیجیتال.
  • توکن‌های Microsoft OAuth، کلیدهای SSH و کلیدهای ارائه‌دهندگان سرویس ابری (Cloud providers).
  • اسکرین‌شات‌ها و نشست‌های (Sessions) فعال در پلتفرم‌هایی مانند Discord، Telegram، Steam و Roblox.
  • رمز عبور تمامی شبکه‌های Wi-Fi ذخیره‌شده در سیستم.

استفاده از هوش مصنوعی برای غنی‌سازی اطلاعات

نکته متمایز این بدافزار، فرآیند غنی‌سازی (Enrichment) داده‌هاست. VOLTA پس از جمع‌آوری اطلاعات اولیه، از دسترسی‌های به‌دست‌آمده برای جستجو در Gmail قربانی (مانند رسیدهای خرید برای تایید آدرس منزل) یا بررسی تاریخچه سفارشات در سرویس‌هایی مانند UberEats استفاده می‌کند تا یک پروفایل دقیق از هویت قربانی بسازد.

این مجموعه اطلاعات ساختاریافته در قالب یک فایل JSON در قالب یک بسته (Bundle) به OpenRouter API ارسال می‌شود. در اینجا، مدل هوش مصنوعی نقش یک تحلیلگر هوش جنایی (Forensic Intelligence Analyst) را ایفا می‌کند؛ وظیفه مدل این است که دارایی‌های ارزشمند قربانی را بر اساس سه سطح “کم”، “متوسط” و “بالا” رتبه‌بندی کرده و میزان امنیت و سلامت رمزهای عبور (Password Hygiene) کاربر را ارزیابی کند.

معماری چند-مدلی و دور زدن محدودیت‌ها

این بدافزار از یک معماری چند-مدلی (Multi-model architecture) بهره می‌برد تا در صورت مواجهه با پاسخ‌های منفی یا امتناع مدل‌های هوش مصنوعی از تحلیل داده‌های حساس، از مدل‌های جایگزین استفاده کند. به طور پیش‌فرض، درخواست‌ها به مدل Claude ارسال می‌شود، اما در صورت عدم پاسخگویی، بدافزار به سراغ مدل‌های Kimi K2 و سپس Gemini از Google می‌رود.

این رویکرد نشان‌دهنده هوشمندی عامل تهدید در پیش‌بینی محدودیت‌های امنیتی مدل‌های هوش مصنوعی و استفاده از مدل‌های منعطف‌تر برای تکمیل عملیات خود است.