Palo Alto Networks проанализировала 405 образцов вредоносного ПО, так или иначе связанных с ИИ, от написанных с помощью LLM ransomware до установщиков c заимствованными названиями популярных ИИ-приложений.
Исследователи пришли к выводу, что примерно 97% образцов в наборе данных никогда не покидали изолированную среду, исследовательское хранилище или внутреннюю тестовую среду, чтобы достичь реальной цели.
Хеши файлов 405 были сопоставлены с телеметрией конечных точек, сетевыми сессиями, перенаправленными для анализа в песочнице, и внутренними записями оповещений, генерируемыми при фактическом запуске образца.
На работающих конечных точках было обнаружено только 12 из них, в то время как в сетевом трафике песочницы появилась несколько большая группа (15-20 хешей). Каждый из 12 образцов, обнаруженных на защищенных конечных точках, вызвал оповещения системы безопасности.
Образцы, которые так и не дошли до стадии производства, делятся на три группы. Самая большая из них - это прототип кода, созданный для демонстрации метода: он настроен на атаку только локальных или частных сетей, содержит отладочную информацию, которую не оставил бы после себя ни один реальный злоумышленник, и загружен исследовательской лабораторией или университетом.
Вторая группа состоит из организаций, тестирующих собственную защиту от ранее выявленных вредоносных ПО, использующих ИИ, которые можно идентифицировать по многократной загрузке одного и того же файла из одного и того же источника в течение короткого промежутка времени.
Третья группа использует брендинг ИИ исключительно в качестве приманки, маскируя обычную полезную нагрузку под установщики известных продуктов ИИ, не имеющих реальной функциональности в области ИИ.
Из 12 образцов, попавших на работающие конечные точки, были идентифицированы представители пяти семейств вредоносных ПО из трех стран, при этом не было выявлено какой-либо конкретной отрасли или региона, где бы они были сконцентрированы.
Наиболее распространенным семейством был FunkSec, разновидность ransomware, которую несколько исследователей отработали с помощью LLM.
Внутренние имена файлов проекта, внедренные в образцы, показывают, что разработчик перебирает несколько имен для одной и той же ransomware, что, по словам Unit 42, больше соответствует генерации, основанной на подсказках, чем традиционному циклу разработки.
Наиболее распространенным примером был установщик, маскирующийся под приложение для поиска рецептов под названием Recipe Lister. Он содержал цифровую подпись и после установки незаметно запускал бэкдор.
Файл распространился более чем в 50 организациях, сгенерировав около 6500 записей о конечных устройствах и примерно 9600 оповещений. Первоначально его подпись не вызывала подозрений, но необычный подписант в сочетании с большим объемом содержимого файла привел к обнаружению.
Еще один тип вредоносного ПО, бэкдор Oyster, выдавал себя за установщик Dropbox, используя сигнатуру, в которой Dropbox был указан в качестве издателя.
В Unit 42 полагают, что злоумышленники все чаще используют инструменты ИИ для генерации подобного кода доставки, что делает процесс получения первоначального доступа быстрее и дешевле.
Отдельный исполняемый файл для Windows распространял стилер Rhadamanthys с активной связью между командами и управлением, что, согласно более ранним сообщениям, было связано с цепочкой заражения, осуществляемой с помощью ИИ.
Пятый образец имитировал компонент китайского продукта безопасности 360 Total Security и использовал метод закрепления в системе, известный как COM-перехват. Он фигурировал в кампаниях с приманками посредством ИИ, а его собственное поведение не зависело от ИИ.
Существующие средства защиты обнаружили каждый образец, используя те же методы, что и для обнаружения обычного вредоносного ПО. Так что результаты исследования указывают на то, что нынешняя роль ИИ в разработке вредоносного ПО заключается в ускорении процесса создания и модификации инструментов, нежели в усложнении их обнаружения.
Unit 42
The State of AI-Enabled Malware August 2026: From Brand Abuse to Agentic Execution
Explore Unit 42 research on AI-enabled malware. Learn how existing behavioral detection and endpoint analytics stop AI-authored code before execution.
August 27, 2026 4.8K 8
