Ключевые моменты
- Нейросети эволюционировали из отдельного инструмента в базовый архитектурный компонент вредоносного ПО, что трансформирует традиционные фазы нападения в концепцию AI-Killchain. Это в перспективе предоставляет угрозам все большую автономность и способность к непрерывному изменению поведения.
- На этапе доставки полезной нагрузки злоумышленники активно применяют ИИ-генерацию. Например, группировка UNC1069 использовала видеодипфейк руководителя в Zoom, чтобы для «прогрева» жертвы обманом заставить ее запустить вредоносный код.
- Процесс поиска и эксплуатации уязвимостей становится автономным. В 2026 году закрытая модель Claude Mythos доказала способность самостоятельно тестировать, отлаживать и успешно применять эксплойты прямо в реальном времени. Она обнаружила тысячи ранее неизвестных уязвимостей во всех основных ОС и браузерах, создав под них рабочие инструменты эксплуатации.
- Классический сигнатурный анализ теряет смысл из-за генерации кода на лету. Прототип вымогателя PromptLock изначально не имеет деструктивных функций, а заставляет локальную LLM писать скрипты шифрования непосредственно во время атаки.
- В мобильных угрозах ИИ адаптирует поведение под устройство для обхода средств защиты. Троян PromptSpy использует ИИ-модель для анализа структуры экрана Android и самостоятельного управления интерфейсом зараженного устройства с целью закрепления в списке недавних приложений и блокировки удаления.
- Связь с командными серверами теперь маскируется под легитимный SaaS-трафик. Бэкдор SesameOp использует OpenAI API как скрытый канал получения зашифрованных команд и подгрузки вредоносных модулей.
- Сбор данных на зараженных машинах становится более точечным и незаметным. ВПО LAMEHUG через API HuggingFace на ходу генерирует консольные команды под конкретную систему, забирая только самую ценную информацию без создания лишнего сетевого шума.
- Корпоративные ИИ-инструменты сами становятся новой мишенью для атак. Хакеры используют внедрение инструкций в документах и отравляют конфигурационные или скилл-файлы (например, SKILL.md), заставляя легитимных агентов выполнять чужие команды, вплоть до утечки конфиденциальных данных.
- Традиционные фреймворки ИБ (например, MITRE ATT&CK) не поспевают за автономными угрозами. Исследование Anthropic подтверждает переход к новому подходу — Agentic Scaffolding: обвязка (код, архитектура, инструменты) вокруг модели, превращает нейросеть в самостоятельного оператора всей цепочки кибератаки.
Введение
Дискуссии об использовании искусственного интеллекта злоумышленниками часто ограничиваются темами автоматизации фишинга или написанием базового кода. Однако реальный технологический сдвиг заключается в том, что нейросети превращаются из внешней утилиты во внутренний архитектурный компонент вредоносного ПО. Встраивание ИИ-моделей непосредственно в логику бинарников на разных этапах Kill Chain дает вредоносному софту автономность, которая трансформирует векторы атак и значительно меняет правила игры.
Вместо жестких, статичных алгоритмов, которые современные средства защиты научились эффективно детектировать, вредоносный софт начинает использовать динамические движки принятия решений. Это позволяет угрозам адаптироваться к окружению прямо на целевом узле: на ходу менять тактику закрепления в системе, маскировать каналы управления и самостоятельно определять ценность данных для кражи.
Чтобы детально разобраться в масштабах и изменениях этой эволюции, практику интеграции ИИ в малвари нагляднее всего рассматривать через этапы классического киллчейна. Ниже разберем, как именно нейросети пересобирают логику атаки на каждой стадии жизненного цикла угрозы и почему традиционные подходы к безопасности здесь начинают работать уже не так хорошо, как раньше.
1. Reconnaissance — разведка перед атакой
Первый этап в любой атаке — разведка. Прежде чем атаковать, злоумышленник должен знать о жертве максимум: где работает, какими сервисами пользуется, кто ее коллеги, какова инфраструктура компании. Раньше это занимало часы/дни ручного гугления, парсинга LinkedIn, изучения WHOIS-записей, поиска в огромном количестве различных телеграм-ботов по пробиву. Сегодня ИИ делает эту работу заметно быстрее и точнее.
Google GTIG фиксировал подобное использование ИИ несколькими APT-группами в своем AI Threat Tracker. Модели применялись для ускорения разведки и подготовки целевых атак, не только для написания кода.
Как именно ИИ меняет разведку
Классические инструменты OSINT — Maltego, Shodan, theHarvester — собирают данные, но не интерпретируют их. ИИ изучает глубже: он агрегирует разрозненные сигналы в связную картину. Утекший имейл из одной базы, GitHub-аккаунт с именем пользователя, LinkedIn с указанием стека технологий, публичный jira-тикет с упоминанием внутреннего сервиса — человек может не связать эти точки, языковая модель — свяжет.
Именно поэтому возник целый класс специализированных LLM и ИИ-агентов, заточенных под задачи разведки. За короткий промежуток времени они способны собрать практически всю доступную в открытых источниках информацию о цели — от структуры почтовых адресов корпоративного домена до технологического стека по вакансиям на HH.ru.
Примеры инструментов
GPT-powered OSINT-агенты. В 2023–2024 годах в публичных репозиториях появились десятки фреймворков, использующих GPT-4 и аналоги для автоматизации разведки. Типичная архитектура: LLM в роли «оркестратора» — она формулирует поисковые запросы, интерпретирует результаты и решает, какой инструмент вызвать следующим (поиск, Shodan, DNS-lookup, анализ метаданных документов).
FraudGPT и аналоги. В даркнете появились подписочные сервисы на базе разблокированных или дообученных LLM. FraudGPT, WormGPT, DarkBERT позиционируются, кроме прочего, как инструменты для сбора информации под фишинговые кампании — они умеют генерировать целевые досье на конкретного человека по имени и компании.
Разведка с помощью мультиагентных систем. В 2023 году была продемонстрирована концепция, где несколько LLM-агентов параллельно обрабатывают разные источники — социальные сети, корпоративные сайты, утечки из HIBP — и сводят результат в единый отчет.
2. Weaponization — создание вредоносного ПО и путей эксплуатации уязвимостей
Если разведка — это про знание, то вооружение — про превращение этого знания в оружие. На данном этапе атакующий создает или адаптирует вредоносный инструмент под конкретную цель: эксплойт под найденную уязвимость, дроппер, замаскированный под легитимный файл, или загрузчик, обходящий конкретный антивирус жертвы.
Именно здесь влияние ИИ оказалось наиболее ощутимым и одновременно противоречивым. Генеративные модели радикально снизили порог вхождения: написать работающий шелл-код или модифицировать существующую малварь под новую среду теперь под силу атакующему без глубоких знаний в программировании. Вместе с тем ИИ-генерированный код несет в себе характерные артефакты — и это уже бывает вполне заметно.
Эпоха Vibeware: от сложной инженерии к массовой мутации
На этапе проектирования и написания кода нейросети показывают отличную продуктивность. Большие языковые модели стали удобным инструментом для сборки скриптов, первичных загрузчиков, стейджеров и генерации бесконечных слоев обфускации.
Этот феномен породил один из главных трендов 2025–2026 годов — появление так называемого Vibeware (вредоносного ПО, созданного по текстовому описанию, промпту, буквально «на вайбе»). Широкое распространение нейросетей критически снизило входной порог в индустрию, что привело к парадоксальному результату: общий технический уровень кода упал, но его количество выросло по экспоненте.
В современных реалиях злоумышленникам больше не нужно создавать один сложный, филигранно отточенный бэкдор. Фокус сместился в сторону четырех новых критериев. Малварь должна быть:
- массовой — атаки идут непрерывным потоком;
- дешевой — затраты на генерацию кода стремятся к нулю;
- разнообразной — под каждую конкретную нишу пишется свой софт;
- быстро мутирующей — сигнатуры должны меняться быстрее, чем антивирусы успевают их вносить в базы.
Такой подход идеально вписывается в современную экосистему цифровых угроз. Сегодня ландшафт целей стал невероятно пестрым: злоумышленники охотятся за сессиями сотен разных браузеров, выкачивают криптокошельки-расширения, атакуют геймеров внутри платформ вроде Roblox.
Подстраиваться под этот «зоопарк систем» вручную — долго и дорого. Вот здесь генеративный ИИ раскрывается полноценно. Он позволяет штамповать тысячи вариаций одного и того же вируса, переводя базовый лоадер на нишевые, редкие языки программирования.
Фактически искусственный интеллект предоставил хакерам готовый «полиморфизм-как-сервис». Если раньше создание полиморфного вируса требовало глубочайших знаний системной архитектуры и ассемблера, то сегодня вся автоматизация сводится к простому запросу: «Перепиши этот дроппер на Zig, Nim и Go, добавь три уровня обфускации и запутай вызовы функций через случайный API resolve». Для антивирусных движков и реверс-инженеров это создает колоссальный массив информационного шума, серьезно затрудняя детект и анализ.
Как палятся сгенерированные малвари?
Самый очевидный маркер работы нейросети — это специфический стиль форматирования: использование странных комментариев, смайликов, служебных символов и таких названий переменных, которые живой программист при написании софта никогда использовать не станет.
Но что делать, если атакующий лично проверил получившийся код и «причесал» его, вручную удалив явные признаки автоматической генерации? В таком случае на помощь аналитику приходит изучение внутренней структуры программы. Код, написанный нейросетью, часто выдает аномальная архитектура:
- Избыточное усложнение: создание перегруженной логики там, где задачу можно решить в одну строку.
- Лишние уровни абстракции: нагромождение интерфейсов и оберток без реальной практической необходимости.
- Ненужные классы и функции: дублирование логики и раздувание объема программы.
Эта тенденция особенно заметна в коде на Python, PowerShell или JavaScript и строго до этапа компиляции. В исходниках видны все комментарии, структура и первоначальный вид функций. Если же малварь компилируется в готовый бинарный файл, анализ серьезно усложняется, так как сборщик удаляет большинство подобных артефактов.
Кроме того, языковые модели демонстрируют явную однотипность в шаблонных задачах. В разных вирусах от совершенно разных авторов начинают всплывать абсолютно одинаковые циклы повторных попыток, идентичные паттерны задержки/сна, типовые блоки обработки ошибок и стандартные реализации HTTP-клиентов или алгоритмов шифрования. Из этих повторяющихся элементов сегодня формируются цифровые отпечатки ИИ-кода, по которым можно автоматизированно выявлять генеративные вставки.
Искусственный интеллект выдает себя слишком «чистым» написанием кода. Человеческий код в реальной жизни зачастую выглядит не очень опрятно: он содержит ошибки, странные костыли и следы грубого копипаста из старых семейств вредоносного софта. У нейросети же все выглядит стерильно, все правильно и идеально отформатировано, вплоть до каждого отступа.
Еще один важный маркер — когда по структуре программы видно, что сам оператор не до конца понимает, как работает его же собственный инструмент. Яркий пример — разбор вредоносного ПО Santa Stealer. Его создатель взял за основу легитимный код для работы с туннелями WireGuard на языке Go и полностью переписал его на C++, предположительно, просто загнав исходники в чат-бот. В итоге получился рабочий, но очень странный с инженерной точки зрения гибрид.
Наконец, выдать работу нейросети могут паттерны «нечеловеческих» импортов. ИИ легко связывает в одном скрипте редкие комбинации малоизвестных библиотек и подтягивает специфические зависимости, которые живому разработчику просто не пришли бы в голову при решении аналогичной задачи.
XillenStealer
Очень наглядным примером является стилер — XillenStealer (в примере ниже его часть с GUI-конструктором), который распространяется преимущественно на закрытых darknet-форумах. Разработчики сами указывают на странице продажи, что вредонос написан с использованием нейросети, поэтому в нем наблюдаются соответствующие артефакты. В основном это излишняя «вежливость», нагромождение визуальных абстракций в утилите, где они не нужны, оставленные заглушки и использование эмодзи.
*ИИ маркеры помечены надписью [ИИ-МАРКЕР], чтобы отличить исходные комментарии в коде от наших. Все остальные комментарии без пометки оставлены авторами и не менялись*
import os
import tkinter as tk
from tkinter import messagebox, scrolledtext, filedialog, ttk
import subprocess
import sys
import shutil
import platform
import threading
import hashlib
import json
import tempfile
from PIL import Image, ImageTk
import requests
from io import BytesIO
import time
import math
# Конфигурация
STEALER_DIR = os.path.dirname(sys.executable) if getattr(sys, 'frozen', False) else os.path.dirname(__file__)
OUTPUT_DIR = os.path.join(STEALER_DIR, "builds")
BASE_STEALER = os.path.join(STEALER_DIR, "steler.py")
PASSWORD = "layscrab"
VERSION = "3.0"
YEAR = "2025"
# [ИИ-МАРКЕР]: Излишний энтузиазм. Живой разработчик в лучшем случае напишет «colors» или вообще не оставит комментария. ИИ пишет «Новый стиль цветов» и т. п., пытаясь услужить.
# Новый стиль цветов
THEMES = {
'deep_dark': {
'primary': '#e5e5e5',
# ... [цвета пропущены для краткости]
},
'scarlet': {
'primary': '#ff595e',
# ... [цвета пропущены для краткости]
}
}
COLORS = THEMES['deep_dark']
# Импортируем модуль загрузки шрифтов
try:
from font_loader import get_fonts_with_minecraft
FONTS = get_fonts_with_minecraft(STEALER_DIR)
print("Шрифты загружены через font_loader")
except ImportError:
print("font_loader не найден, используем fallback")
# [ИИ-МАРКЕР]: Избыточная чистота и внимание к ошибкам. Выверенный Fallback для шрифтов, учитывающий разные ОС — нетипичная забота о UX для малвари.
# Fallback функция
def get_font():
try:
import tkinter.font as tkFont
# ... (определение системных шрифтов)
except Exception:
# ... (возврат дефолтных шрифтов)
pass
FONTS = get_font()
# [ИИ-МАРКЕР]: Названия классов. ProfessionalButton — типичная генерация, когда нейросеть просят «сделать красивую/профессиональную кнопку». Живой кодер вероятнее назвал бы ее HoverButton или CustomBtn.
class ProfessionalButton(tk.Button):
def __init__(self, parent, **kwargs):
# ...
# [ИИ-МАРКЕР]: Еще раз «профессиональные параметры» от первого лица. Специфический стиль автокомментирования нейросетей.
# Устанавливаем профессиональные параметры по умолчанию
kwargs.setdefault('relief', 'flat')
kwargs.setdefault('bd', 0)
kwargs.setdefault('cursor', 'hand2')
super().__init__(parent, **kwargs)
self.bind("", self.on_enter)
self.bind("", self.on_leave)
def on_enter(self, event):
self.config(bg=self.hover_bg, fg=self.hover_fg)
def on_leave(self, event):
self.config(bg=self.original_bg, fg=self.original_fg)
# [ИИ-МАРКЕР]: Нейросеть начала писать класс для градиента, но забыла или «поленилась» его реализовать, оставив pass. В коде он больше нигде не используется. Это похоже на галлюцинации, пустые абстракции или просто на недописанный промпт.
class GradientFrame(tk.Frame):
def __init__(self, parent, **kwargs):
super().__init__(parent, **kwargs)
self.create_gradient_effect()
def create_gradient_effect(self):
# Создаем эффект градиента через наложение нескольких фреймов
pass
class CustomWindow:
def __init__(self, root):
self.root = root
self.root.overrideredirect(False)
self.root.title("XillenStealer Builder V3.0")
self.root.configure(bg=COLORS['dark_bg'])
class XillenBuilder:
def __init__(self, root):
self.root = root
self.os_type = platform.system()
# ...
def show_auth_screen(self):
# [ИИ-МАРКЕР]: Чистые «docstrings» везде, даже для простейших внутренних методов GUI-обертки.
"""Показывает экран аутентификации"""
# Очищаем контейнер
for widget in self.main_container.winfo_children():
widget.destroy()
# ... (создание UI аутентификации)
# Профессиональная кнопка входа
login_btn = ProfessionalButton(input_frame,
text="Войти",
command=self.check_password,
# ...
)
login_btn.pack(side=tk.LEFT)
# Анимация появления
self.animate_auth_ui()
# [ИИ-МАРКЕР]: Очень сильное выделение визуальной части. Использование time.sleep в потоках для имитации плавного перехода в Tkinter. Человек, пишущий криптер/билдер, явно не будет тратить время на fade-in, если только это не подходящий HTML/JS.
def animate_auth_ui(self):
"""Анимация появления элементов интерфейса"""
def fade_in_widget(widget, delay=0):
def animate():
time.sleep(delay)
for i in range(10):
alpha = i / 10.0
# Симуляция fade-in через изменение прозрачности
widget.update()
time.sleep(0.05)
threading.Thread(target=animate, daemon=True).start()
fade_in_widget(self.root, 0.1)
# [ИИ-МАРКЕР]: Аналогично, избыточный визуальный эффект. Нейросети могут предлагать эффект пульсации как признак «современного UI».
def animate_success_transition(self):
"""Анимация успешного входа"""
def pulse_effect():
for i in range(3):
self.root.config(bg=COLORS['success'])
time.sleep(0.2)
self.root.config(bg=COLORS['dark_bg'])
time.sleep(0.2)
threading.Thread(target=pulse_effect, daemon=True).start()
def install_dependencies(self):
def run_installation():
self.log("Установка зависимостей... ")
try:
# ...
for cmd in dependencies:
self.log(f"Установка: {cmd.split()[2]}")