پژوهشگران Cisco Talos بدافزاری را شناسایی کرده‌اند که برای انتخاب اقدامات بعدی خود از چند مدل هوش مصنوعی استفاده می‌کند و برخلاف الگوی سنتی حملات سایبری، برای ادامه عملیات به دستور مداوم یک اپراتور انسانی یا سرور اختصاصی فرماندهی و کنترل وابسته نیست.

به گزارش وایرد، این بدافزار که «CLOSEDQUORUM» نام گرفته، با استفاده از مدل‌های زبانی بزرگ (LLM) از سرویس‌های  DeepSeek، Qwen، Mistral  و Google Gemini درباره اقدام بعدی سوال می‌کند و سپس بر اساس رای مدل‌ها تصمیم می‌گیرد چه کاری انجام دهد. Cisco Talos  می‌گوید این نمونه، نخستین نمونه عمومی مستند از یک بدافزار ویندوزی است که چنین معماری مستقلی را برای فرماندهی و کنترل به کار گرفته است.

بدافزار CLOSEDQUORUM چگونه کار می‌کند؟

CLOSEDQUORUM  یک بدافزار ویندوزی است که پس از اجرا، اطلاعاتی از سیستم هدف جمع‌آوری می‌کند و این اطلاعات را در اختیار مجموعه‌ای از مدل‌های زبانی قرار می‌دهد.

در معماری این بدافزار، حداکثر چهار مدل هوش مصنوعی به‌صورت جداگانه درباره اقدام بعدی نظر می‌دهند. پاسخ‌ها در ادامه با یکدیگر مقایسه می‌شوند و تصمیمی که بیشترین رای را به دست آورده باشد، برای اجرا انتخاب می‌شود.

در واقع، هوش مصنوعی در این ساختار برای تولید متن یا کد به کار نرفته، بلکه بخشی از فرآیند تصمیم‌گیری عملیاتی حمله سایبری را بر عهده گرفته است.

اگر یکی از مدل‌ها پاسخ ندهد یا در دسترس نباشد، سایر مدل‌ها می‌توانند در فرآیند تصمیم‌گیری باقی بمانند. در صورت مساوی شدن آرا نیز ترتیب مشخصی برای اولویت مدل‌ها در نظر گرفته شده است.

هوش مصنوعی جایگزین سرور فرماندهی و کنترل شده است

یکی از مهم‌ترین ویژگی‌های  CLOSEDQUORUM، نحوه استفاده آن از سرویس‌های هوش مصنوعی به‌عنوان بخشی از زیرساخت فرماندهی و کنترل یا C2 است.

در حملات سایبری سنتی، مهاجم معمولا یک سرور، دامنه یا آدرس IP را برای ارسال دستور به بدافزار در اختیار دارد. این زیرساخت می‌تواند توسط تیم‌های امنیتی شناسایی و مسدود شود.

با این حال در معماری  CLOSEDQUORUM، بدافزار برای دریافت تصمیم‌های خود با سرویس‌های عمومی مدل‌های زبانی ارتباط برقرار می‌کند؛ سرویس‌هایی که توسط تعداد زیادی از نرم‌افزارهای قانونی نیز مورد استفاده قرار می‌گیرند. به همین دلیل، شناسایی آن صرفاً با مسدود کردن یک دامنه یا آدرس مشخص دشوارتر خواهد بود.

Cisco Talos می‌گوید در این مدل، به جای یک نقطه مشخص برای فرماندهی، مجموعه‌ای از ارتباطات با سرویس‌های هوش مصنوعی شکل می‌گیرد.

 CLOSEDQUORUM  چه اطلاعاتی را سرقت می‌کند؟

هدف اصلی این بدافزار، بر اساس تحلیل فنی Cisco Talos، سرقت اطلاعات احراز هویت و دارایی‌های مرتبط با رمزارزهاست.

CLOSEDQUORUM  قابلیت‌هایی برای دسترسی به اطلاعات ورود ذخیره‌شده در مرورگرها، استخراج اطلاعات اعتبارنامه‌های ویندوز از حافظه LSASS و جمع‌آوری داده‌های کیف پول‌های رمزارزی دارد.

در بخش مربوط به مرورگرها، Chrome، Edge  و Firefox مورد هدف قرار می‌گیرند و در بخش مربوط به کیف پول‌های رمزارزی نیز نمونه‌هایی مانند MetaMask و Exodus در قابلیت‌های بدافزار دیده شده است.

این بدافزار همچنین قابلیت‌هایی برای ایجاد ماندگاری روی سیستم و تزریق کد به فرآیندهای دیگر دارد؛ قابلیت‌هایی که نشان می‌دهد مدل هوش مصنوعی تنها با یک مجموعه دستورات ثابت روبه‌رو نیست، بلکه می‌تواند از میان چند اقدام از پیش تعریف‌شده، گزینه‌ای را برای اجرای مرحله بعد انتخاب کند.

مدل‌های هوش مصنوعی چگونه تصمیم می‌گیرند؟

CLOSEDQUORUM به مدل‌های زبانی اجازه نمی‌دهد هر نوع پاسخی تولید کنند. پاسخ مدل‌ها باید در قالب یک ساختار JSON مشخص و در چارچوب مجموعه‌ای محدود از تصمیم‌های تعریف‌شده ارائه شود.

در این ساختار، گزینه‌هایی مانند سرقت اطلاعات، تزریق کد و ایجاد ماندگاری روی سیستم برای مدل‌ها تعریف شده است. سپس تصمیم انتخاب‌شده به ماژول متناظر در بدافزار ارسال و اجرا می‌شود.

به این ترتیب، مدل هوش مصنوعی به صورت مستقیم کنترل نامحدودی روی سیستم ندارد؛ بلکه میان مجموعه‌ای از قابلیت‌هایی که سازنده بدافزار از قبل در آن قرار داده، انتخاب می‌کند.

همین ویژگی باعث می‌شود CLOSEDQUORUM بیشتر از آنکه یک «هوش مصنوعی مستقل» باشد، نمونه‌ای از ترکیب بدافزار با یک لایه تصمیم‌گیری مبتنی بر مدل‌های زبانی باشد.

کشف ۲۰ نمونه دیگر از بدافزارهای مجهز به هوش مصنوعی

CLOSEDQUORUM  در جریان پروژه‌ای به نام CAIRN شناسایی شد. Cisco Talos این پروژه متن‌باز را برای شناسایی و دسته‌بندی بدافزارهایی توسعه داده است که از قابلیت‌های هوش مصنوعی استفاده می‌کنند.

CAIRN  با بررسی نشانه‌هایی که استفاده از هوش مصنوعی در یک بدافزار بر جای می‌گذارد، نمونه‌های مختلف را شناسایی و بر اساس ویژگی‌هایشان دسته‌بندی می‌کند.

رایان فترمن، پژوهشگر Cisco Talos و توسعه‌دهنده اصلی CAIRN، می‌گوید زمانی که بررسی استفاده از هوش مصنوعی در بدافزارها را آغاز کرد، نمونه‌های مستند بسیار محدودی وجود داشت. پس از توسعه و استفاده از CAIRN، پژوهشگران حدود ۲۰ نمونه دیگر از بدافزارهای دارای مؤلفه‌های هوش مصنوعی پیدا کردند.

به گفته Talos، بخشی از این نمونه‌ها همچنان در مرحله آزمایشی یا اثبات مفهوم قرار دارند و نمی‌توان همه آن‌ها را به حملات واقعی نسبت داد.

آیا CLOSEDQUORUM در حملات واقعی استفاده شده است؟

با وجود قابلیت‌های قابل توجه این بدافزار، هنوز مشخص نیست که CLOSEDQUORUM در حملات واقعی علیه قربانیان مورد استفاده قرار گرفته باشد.

Cisco Talos اعلام کرده است که نمونه عمومی این بدافزار دارای کلیدهای API و وب‌هوک آزمایشی بوده و به همین دلیل پژوهشگران نتوانسته‌اند اجرای کامل آن را از ابتدا تا انتها مشاهده کنند.

با این حال، بررسی نسخه‌های توسعه‌ای بدافزار نشان داده است که معماری لازم برای ارتباط با مدل‌های زبانی و تصمیم‌گیری خودکار در آن وجود دارد. همچنین پژوهشگران ارتباطاتی میان این بدافزار و برخی مطالب منتشرشده در انجمن‌های مجرمانه مرتبط با کلاهبرداری کارت‌های بانکی از سال ۲۰۲۵ پیدا کرده‌اند، اما هویت سازنده یا استفاده عملیاتی از آن همچنان تأیید نشده است.

تغییر نقش هوش مصنوعی در حملات سایبری

تا پیش از این، بخش مهمی از کاربرد هوش مصنوعی در حملات سایبری به افزایش سرعت و مقیاس عملیات محدود می‌شد. مهاجمان می‌توانستند با استفاده از مدل‌های هوش مصنوعی سریع‌تر کد تولید کنند، پیام‌های فیشینگ بسازند یا حجم بیشتری از عملیات را مدیریت کنند.

در این مدل، همچنان یک اپراتور انسانی وجود داشت که هدف را انتخاب می‌کرد و درباره اجرای مراحل مختلف حمله تصمیم می‌گرفت.

با این حال در معماری  CLOSEDQUORUM، بخشی از این فرآیند تصمیم‌گیری به خود سیستم منتقل شده است. Cisco Talos از این تغییر با عنوان «جابجایی بار عملیاتی» یا Effort Displacement  یاد می‌کند؛ یعنی به جای اینکه هوش مصنوعی توانایی‌های یک مهاجم انسانی را افزایش دهد، بخشی از مراحل حمله بدون دخالت مستمر انسان اجرا می‌شود.

این تفاوت از نگاه امنیت سایبری اهمیت زیادی دارد، زیرا یک سامانه خودکار می‌تواند بدون نیاز به حضور دائمی اپراتور به فعالیت خود ادامه دهد.

هوش مصنوعی هنوز محدودیت‌های خودش را دارد

با وجود این، استفاده از هوش مصنوعی در بدافزار به معنای ایجاد یک سیستم شکست‌ناپذیر نیست. وابستگی به سرویس‌های تجاری هوش مصنوعی، محدودیت نرخ درخواست، پاسخ ندادن مدل‌ها، فیلترهای امنیتی، خروجی‌های نامعتبر و خطاهای مدل می‌توانند عملکرد چنین بدافزارهایی را مختل کنند.

Cisco Talos  نیز تأکید می‌کند که خودکار شدن بخشی از عملیات حمله، محدودیت‌های انسانی را با مجموعه‌ای از محدودیت‌های مربوط به مدل‌ها و زیرساخت‌های هوش مصنوعی جایگزین می‌کند.

از سوی دیگر، همین وابستگی می‌تواند برای مدافعان شبکه نیز به یک نشانه شناسایی تبدیل شود. برای مثال، ارتباط یک فایل اجرایی ناشناس ویندوزی با چند سرویس هوش مصنوعی در کنار رفتارهایی مانند دسترسی به LSASS، تزریق فرآیند یا ایجاد ماندگاری، می‌تواند یک الگوی مشکوک ایجاد کند.

آغاز مسیر بدافزارهای خودمختار

CLOSEDQUORUM در حال حاضر نمونه‌ای محدود و آزمایشی محسوب می‌شود و شواهدی برای اثبات استفاده گسترده از آن در حملات واقعی وجود ندارد. با این حال، اهمیت آن در معماری متفاوتی است که نشان می‌دهد چگونه مدل‌های زبانی می‌توانند از یک ابزار کمکی برای مهاجم به بخشی از زنجیره تصمیم‌گیری حمله تبدیل شوند.

گزارش Cisco Talos نشان می‌دهد که در این نمونه، مهاجم می‌تواند بخشی از تصمیم‌های تاکتیکی را به یک حلقه تصمیم‌گیری مبتنی بر چند مدل هوش مصنوعی واگذار کند. اگر چنین رویکردی در مراحل بیشتری از زنجیره حمله گسترش پیدا کند، مرز میان «ابزار مورد استفاده مهاجم» و «عامل اجراکننده حمله» بیش از گذشته کمرنگ خواهد شد.