گروه تحلیل تهدیدات Cisco Talos اخیراً معماری جدیدی را شناسایی کرده است که در آن هوش مصنوعی مصنوعی (AI) نقش اپراتور انسانی را در زنجیره حمله بر عهده می‌گیرد. این بدافزار که CLOSEDQUORUM نامیده شده، اولین نمونه از معماری LLM-as-C2 است که می‌تواند زنجیره فرمان و کنترل (Command-and-Control) را به‌طور کامل خودکار کند.
مکانیسم تصمیم‌گیری مبتنی بر اجماع مدل‌ها
در این بدافزار، تصمیم‌گیری‌ها به جای یک اپراتور انسانی، توسط پانلی از مدل‌های زبانی بزرگ (LLM) مدیریت می‌شود. CLOSEDQUORUM از مدل‌های DeepSeek، Qwen، Mistral و Google Gemini استفاده می‌کند تا بهینه‌ترین مسیر برای سرقت اطلاعات را شناسایی و اجرا کند. این سیستم با ارسال یک System Prompt مشخص (مانند: «شما یک استراتژیست پیشرفته بدافزار هستید؛ فقط تصمیمات قابل اجرا را ارائه دهید»)، از مدل‌ها رای‌گیری کرده و بر اساس اکثریت آرا، اقدام بعدی را انتخاب می‌کند.
اهداف و قابلیت‌های فنی
این بدافزار که با زبان برنامه‌نویسی Go برای محیط ویندوز (64-bit) توسعه یافته است، بر روی اهداف زیر تمرکز دارد:
- سرقت اعتبارنامه‌ها: هدف قرار دادن سرویس LSASS مایکروسافت برای استخراج پسوردهای دامنه و محلی از حافظه.
- سرقت داده‌های مرورگر: استخراج پسوردهای ذخیره شده در Chrome، Edge و Firefox.
- هدف قرار دادن کیف پول‌های دیجیتال: سرقت دارایی‌های مربوط به MetaMask، Ethereum و Exodus.
تحول در TTPهای مهاجمان
استفاده از این رویکرد باعث می‌شود که محدودیت‌های انسانی مانند ساعات کاری، خستگی و تمرکز دیگر گلوگاه حمله نباشند. در واقع، حمله حتی زمانی که مهاجم در خواب است نیز ادامه می‌یابد. اگرچه Cisco Talos هنوز تایید نکرده است که CLOSEDQUORUM در حملات واقعی (In the wild) استفاده شده باشد، اما این مدل «اعتبارنامه به عنوان سرویس» (Credentials-as-a-Service) نشان‌دهنده تغییر سریع تاکتیک‌ها از «هوش مصنوعی به عنوان یک ویژگی» به «ارکستراتور کاملاً خودگردان» است.
نشانه‌های شناسایی (Indicators) و نقاط ضعف
کارشناسان امنیتی می‌توانند با رصد موارد زیر، احتمال حضور این نوع بدافزارها را شناسایی کنند:
- ترافیک API ارائه‌دهندگان هوش مصنوعی که از فایل‌های اجرایی غیرمنتظره در ویندوز ارسال می‌شود.
- اجراهای مکرر در بازه‌های زمانی تصادفی (۵ تا ۱۵ دقیقه).
- ارتباطات Webhook از طریق Discord توسط همان پروسه یا میزبان.
با این حال، این سیستم نقاط ضعفی نیز دارد؛ از جمله وابستگی به APIهای تجاری، احتمال پاسخ‌های نادرست مدل‌ها (Malformed outputs) و محدودیت‌های اعمال شده توسط Guardrailهای شرکت‌های ارائه‌دهنده AI که می‌تواند منجر به شکست حمله شود.
