Зловредният софтуер, задвижван от изкуствен интелект, прави познатия проблем със сигурността по-труден за ограничаване. Вместо да запазват един и същ код достатъчно дълго, за да бъде разпознат от антивирусните инструменти, тези програми могат многократно да променят формата си, като същевременно запазват същата вредна цел.

Новият модел разчита на големи езикови модели като автоматизирана фабрика за код. Злонамерен софтуер за първоначално зареждане (dropper) може да изисква новообфускирана версия на себе си на редовни интервали, докато свързаните с него инструменти могат да генерират кратки команди за събиране на документи.

Това намалява времето и специализираните умения, които традиционно са необходими за създаване на нови образци. Анализаторите на Morphisec отбелязаха тази промяна, след как разгледаха доклади за PROMPTFLUX — експериментален dropper, разкрит от изследователите на заплахи от Google в края на 2025 г.

Съобщава се, че образецът е изпращал заявки към API на Gemini приблизително веднъж на час и е генерирал отново обфускиран код, като изследователите са наблюдавали над 70 варианта за по-малко от четири часа.

От Morphisec заявяват в доклад, споделен с Cyber Security News (CSN), че непосредственото притеснение не е потвърдена масова кампания, а натискът, който това оказва върху контролите, базирани на сигнатури.

Статичните хешове и познатите файлови шаблони губят стойността си, когато всяко копие се различава. Опасността нараства, когато самопроменящият се код е съчетан с активност, протичаща само в оперативната памет — подход, разгледан в това ръководство за това как работи зловредният софтуер без файлове (fileless malware).

Зловредният софтуер с изкуствен интелект се преписва на всеки час

Традиционният полиморфен зловреден софтуер обикновено криптира или маскира зловредния си код, като оставя част от основната си логика непроменена.

Подпомаганият от изкуствен интелект зловреден софтуер може да стигне по-далеч, като изцяло замени блокове от код. Това го доближава до метаморфно поведение, при което защитниците може да не открият надеждно ядро, на което да направят сигнатурен отпечатък (fingerprint) между отделните образци.

PROMPTFLUX е най-ясният пример, цитиран в доклада, но той е част от по-широка тенденция. PROMPTSTEAL може да използва модел за създаване на едноредови команди за Windows за събиране на документи, докато PromptLock и BlackMamba са opisani като използващи езикови модели за промяна на инжектирания код по време на работа.

Предишни доклади за зловреден софтуер с изкуствен интелект, избягващ инструментите за сигурност, показват защо тази възможност привлича все по-голямо внимание. За екипа по сигурността практическият проблем е скоростта. Правилото за откриване обикновено се пише, след като анализаторите идентифицират подозрителен файл, команда или поведение.

Ако зловредният софтуер се промени, преди това правило да достигне до крайните устройства, правилото може да улови само по-стар образец и да остави следващата версия недокосната.

Това не означава, че сигнатурите са безполезни. Те остават важни за известни заплахи, разследвания и блокиране на повторна активност.

Въпреки това защитниците трябва да избегнат третирането на сканиране без открити заплахи като доказателство, че новодоставена програма е безопасна, особено когато тя стартира скриптове, използва вградени инструменти или се изпълнява главно в паметта.

Защитниците се нуждаят от по-ранни контроли

Необходим е подход, фокусиран върху превенцията, тъй като злонамереният код все пак трябва да се изпълни, независимо колко често се променя. Препоръчаният модел се фокусира върху блокирането на условията за изпълнение, вместо първо да идентифицира конкретен щам.

Докладът описва промяна на средата на оперативната памет по време на стартиране на процеса и поставяне на примамки там, където атаката очаква да намери ресурси.

Доставчикът твърди, че това може да прекъсне неизвестен зловреден код преди криптиране, кражба на данни или придвижване към други системи. Организациите трябва независимо да тестват такива контроли заедно с съществуващите си инструменти за крайни устройства.

По-балансираният отговор също започва с основно намаляване на излагането на рискове. Инсталирайте своевременно корекции за сигурност на операционните системи и достъпните през интернет приложения, ограничете ненужните скриптове и административни помощни програми и разследвайте необичайни дъщерни процеси или команди, които осъществяват достъп до големи колекции от документи.

На насоките за откриване на атаки със зловреден софтуер без файлове предлагат полезен контекст за наблюдение на активност, която може да не остави нормален изпълним файл след себе си. Екипите трябва да запазват телеметрията от крайните устройства и да съставят планове за инциденти, отчитащи кратковременни формати и варианти.

Анализаторите трябва да търсят базовото действие, като например подозрителен достъп до идентификационни данни, необичайно създаване на архиви, изходящи връзки или необичайна употреба на доверени инструменти, вместо да разчитат само на име на файл или хеш.

Рутинните симулационни упражнения трябва да включват случай, при който първоначалният образец изчезва преди анализа. Това помага на реагиращите на инциденти да приоритезират ограничаването на щетите, събирането на доказателства и възстановяването пред надпреварата за идентифициране и обозначаване на зловредния софтуер.