Ransomware, который знает, как обмануть вашу систему ИИ-защиты.
Исследователи из Японии создали PoC Ransomware на базе печально известного Conti. Разбираем трендовое исследование, которое переворачивает представление о борьбе с шифровальщиками.
🔍 О чем вообще речь?
Традиционные ИИ-детекторы ransomware анализируют поведение вредоноса в системе (доступ к файлам, вызовы API, сетевую активность). Но злоумышленники учаться *точечно изменять* патерны поведения, чтобы оно "имитировало" легитимный софт.
👉 Adversarial Examples (враждебные примеры) - это метод, позаимствованный из мира компьютерного зрения (помните, как добавляли шум к фото панды, и ИИ видел гиббона?). Здесь "шум" - это микро-изменения в работе ransomware!
🤯 Сложность №1: Поведение ≠ Пиксели
С картинкой просто: добавил невидимый шум к пикселям — получил adversarial example.
С вредоносным ПО сложно: Нельзя просто "добавить шум" к поведению. Нужно физически изменить исходный код так, чтобы:
- Вирус остался функциональным (шифровал файлы!).
- Его поведение изменилось ровно настолько, чтобы обмануть ИИ.
- Производительность не упала катастрофически (иначе атака бесполезна).
💡 Решение ученых: Микроповеденческий Контроль
Исследователи взяли утекший исходный код Conti ransomware и встроили в него "ручки управления":
1⃣ Число потоков (Threads): Сколько параллельных потоков шифрует файлы? (1-3 потока).
2⃣ Коэффициент шифрования (Encryption Ratio): Шифровать файл целиком (100%) или частично (50%)? (Частичное шифрование меняет статистику данных!).
4⃣ Задержка после шифрования (Delay): Добавить паузу после шифрования каждого файла? (0мс, 25мс, 50мс, 100мс).
👉 Идея: Комбинируя эти параметры при запуске (как аргументы командной строки), можно получить 24 разных "поведенческих профиля" одного и того же Conti! Это и есть симуляция "изменения исходного кода" для генерации
behavioral adversarial examples.🔬 Как измеряли "поведение"?
Детектор, который атаковали, использует не просто вызовы API, а данные гипервизора BitVisor, смотрящего "сквозь" ОС:
📁 Паттерны доступа к Хранилищу (Storage):
➖Энтропия записываемых блоков (хаотичность данных = признак шифрования!).
➖Скорость чтения/записи.
➖Разброс адресов (LBA) на диске.
🧠 Паттерны доступа к Памяти (RAM) через Intel EPT:
➖Энтропия операций записи.
➖Количество нарушений EPT (аппаратный счётчик обращений к памяти!).
➖Разброс физических адресов (GPA) в памяти.
📊 Каждую секунду в течение 30 секунд формировался 23-мерный вектор признаков — уникальный "цифровой отпечаток" поведения.
💥 Результаты: ИИ можно обмануть (уже сейчас!)
1⃣ Контроль есть! Изменяя параметры (потоки/коэфф./задержку), авторы существенно меняли низкоуровневые паттерны доступа. Conti *действительно* вел себя по-разному.
2⃣ Атака работает! Точность обнаружения (Recall) ИИ-детектора упала с 0.98 до 0.64! В некоторых конфигурациях поведение модифицированного Conti было статистически ближе к SDelete (легитимная утилита стирания!), чем к "классическому" вымогателю.
3⃣ Пока неидеально: Успешность атаки ~36% (1 - 0.64) — серьезно, но недостаточно для надежного уклонения.
Эволюция: Текущий Рос использует лишь 3 параметра. Представьте инструменты, автоматически генерирующие оптимальный обходной код на основе атаки на "суррогатную" модель ИИ-защиты (grey-box)! Это следующий шаг.
🔗 Полный текст исследования читайте тут
Stay secure and read SecureTechTalks 📚
#Ransomware #AdversarialAI #MachineLearning #CyberSecurity #ThreatIntelligence #Conti #BitVisor #ИБ