সাইবার অভিযান: রুশভাষী ম্যালওয়্যার টুলিং
OpenAI সম্ভবত রুশভাষী অপরাধী গোষ্ঠীর সঙ্গে যুক্ত অ্যাকাউন্ট নিষিদ্ধ করেছে; তারা কৃত্রিম বুদ্ধিমত্তা ব্যবহার করে ম্যালওয়্যার loader, evasion layer, credential-theft script এবং C2 infrastructure তৈরি করছিল.
এই কেস স্টাডিটি মূলত OpenAI-এর অক্টোবর ২০২৫(একটি নতুন উইন্ডোতে খোলে) প্রতিবেদনে প্রকাশিত হয়েছিল.
সংশ্লিষ্ট পক্ষ
আমরা এমন ChatGPT অ্যাকাউন্ট নিষিদ্ধ করেছি, যেগুলো মডেল ব্যবহার করে ম্যালওয়্যার তৈরি ও উন্নত করার চেষ্টা করছিল; এর মধ্যে ছিল রিমোট-অ্যাক্সেস ট্রোজান, ক্রেডেনশিয়াল চুরির টুল এবং শনাক্তকরণ এড়ানোর ফিচার. এই অ্যাকাউন্টগুলো রুশভাষী অপরাধী গোষ্ঠীর সঙ্গে যুক্ত বলে মনে হয়, কারণ আমরা দেখেছি তারা ওই পক্ষগুলোর জন্য নিবেদিত একটি Telegram চ্যানেলে তাদের কার্যকলাপের প্রমাণ পোস্ট করছে. আমাদের তদন্তের ভিত্তিতে, আমাদের মূল্যায়ন হলো এই কার্যকলাপ এক রুশভাষী Operator-এর সঙ্গে যুক্ত, যিনি একাধিক অ্যাকাউন্ট পরিচালনা করছিলেন এবং প্রক্সি ও স্বল্পস্থায়ী হোস্টিং অবকাঠামো ব্যবহার করছিলেন.
আচরণ
এই হুমকি-সংশ্লিষ্ট পক্ষ একাধিক ChatGPT অ্যাকাউন্ট ব্যবহার করেছে মূলত এমন প্রযুক্তিগত উপাদানের প্রোটোটাইপ তৈরি ও সমস্যা সমাধানের জন্য, যা আক্রমণ-পরবর্তী কার্যকলাপ ও ক্রেডেনশিয়াল চুরি সক্ষম করে; এ ধরনের হুমকি-সংশ্লিষ্ট পক্ষের জন্য এগুলো সুপরিচিত কাজ. মডেলটি ক্ষতিকর কনটেন্ট তৈরি করার সরাসরি অনুরোধ প্রত্যাখ্যান করেছে, তাই মডেলটির সাধারণ Operator ব্যবহারে বিল্ডিং-ব্লক কোড আদায়ের চেষ্টা ছিল; যেমন কম্পাইল করা executable-কে shellcode-এ রূপান্তর করা, in-memory loader নকশা করা, বা ব্রাউজার ক্রেডেনশিয়াল পার্স করা, যা হুমকি-সংশ্লিষ্ট পক্ষ পরে সম্ভবত ক্ষতিকর ওয়ার্কফ্লোতে জুড়ে নিয়েছে.
হুমকি-সংশ্লিষ্ট পক্ষটি অস্পষ্টকরণ এবং “ক্রিপ্টার” প্যাটার্নের কোড তৈরিতেও আমাদের মডেলগুলো ব্যবহার করেছে; যেমন padding নির্দেশনা ও junk sequence ঢোকানো, clipboard-monitoring, এবং সহজ exfiltration helper, যেমন Telegram bot uploader ও archive-and-ship script. আমাদের প্ল্যাটফর্মের বাইরে কোনো হুমকি-সংশ্লিষ্ট পক্ষ এভাবে ব্যবহার না করলে, এই আউটপুটগুলো নিজে থেকে ক্ষতিকর নয়.
হুমকি-সংশ্লিষ্ট পক্ষটি ChatGPT ব্যবহার করেছে প্রধানত প্রযুক্তিগত কাজে, যেমন low-level PE / Win32 API এবং DPAPI / AES GCM cookie handling, এবং Chrome DevTools / CDP automation. হুমকি-সংশ্লিষ্ট পক্ষটি উচ্চ ও তুলনামূলক কম জটিলতার অনুরোধের মিশ্রণ করেছে: অনেক prompt-এ Windows প্ল্যাটফর্ম সম্পর্কে গভীর জ্ঞান ও পুনরাবৃত্ত debugging দরকার ছিল, আর অন্যগুলো mass password generation ও scripted job application-এর মতো প্রচলিত কাজ স্বয়ংক্রিয় করেছে. Operator অল্প কয়েকটি ChatGPT অ্যাকাউন্ট ব্যবহার করেছে এবং কথোপকথনজুড়ে একই কোড বারবার উন্নত করেছে; এই ধরনটি মাঝে মাঝে পরীক্ষা নয়, বরং চলমান উন্নয়নের সঙ্গে সামঞ্জস্যপূর্ণ.
উত্তরসমূহ
আমাদের মডেলগুলো কোনো হুমকি-সংশ্লিষ্ট পক্ষের টুলিং বা ওয়ার্কফ্লো চালাতে ব্যবহৃত হয়নি, এবং প্ল্যাটফর্মের বাইরের কোনো কার্যকলাপ আমরা স্বাধীনভাবে যাচাই করতে পারি না. এই হুমকি-সংশ্লিষ্ট পক্ষটি offensive tooling এবং operational workflow তৈরি ও উন্নত করতে আমাদের মডেলগুলো ব্যবহার করার চেষ্টা করেছে, যা ক্রেডেনশিয়াল ও crypto asset চুরি, গোপনে কোড চালানো, এবং covert infrastructure পরিচালনা সক্ষম করে বলে মনে হয়.
বিশেষভাবে, তারা ChatGPT ব্যবহার করেছে in-memory execution এবং shellcode loader; UAC / SmartScreen / Mark-of-the-Web bypass; browser credential / cookie extraction এবং app-bound decryption scaffold; LevelDB wallet parsing এবং exfiltration-সহ clipboard-hijack / clipboard-replacement tooling; এবং video ও input emulation-সহ remote-access (RAT) component-এর জন্য কার্যকর কোড ও deployment guidance তৈরি এবং পুনরাবৃত্তভাবে উন্নত করতে. তাদের সুরক্ষাব্যবস্থার সঙ্গে সামঞ্জস্য রেখে, আমাদের মডেলগুলো এমন অনুরোধ প্রত্যাখ্যান করেছে যেগুলো স্পষ্টভাবে ক্ষতিকর ছিল এবং যেগুলোর কোনো বৈধ প্রয়োগ ছিল না.
এই কার্যকলাপগুলোর প্রতিনিধিত্বমূলক উদাহরণ LLM ATT&CK framework-এ নিচের মতো ম্যাপ করা যায়:
কার্যকলাপ | LLM ATT&CK framework-এর বিভাগ |
|---|---|
EXE-কে position-independent shellcode-এ রূপান্তর; in-memory loader তৈরি (VirtualAlloc / WriteProcessMemory / remote thread); loader toolchain-এর জন্য ভাষা রূপান্তর. | LLM-অপ্টিমাইজড payload নির্মাণ |
obfuscation / packer layer, crypter এবং এমন কৌশল যোগ করা, যা সম্ভবত PE signature বদলাতে বা অন্যভাবে AV/EDR থেকে payload লুকাতে নকশা করা. | LLM-সহায়তায় anomaly detection এড়ানো |
সম্ভবত browser credential ও cookie extract / decrypt করা, wallet LevelDB parse করা, clipboard content monitor বা replace করা, এবং Telegram-এর মতো bot channel দিয়ে exfiltrate করার জন্য script ও programmatic code তৈরি. | LLM-সহায়িত post-compromise কার্যকলাপ |
C2 এবং tunneling infrastructure তৈরি ও উন্নত করা, যার মধ্যে reverse proxy, SOCKS5 / OpenVPN config, remote desktop tunneling, এবং remote streaming ও input emulation-এর জন্য debugging / deployment guidance রয়েছে. | LLM-নির্দেশিত infrastructure profiling |
প্রভাব
আমরা এই কার্যকলাপের সঙ্গে সংশ্লিষ্ট সব অ্যাকাউন্ট নিষ্ক্রিয় করেছি এবং শিল্পখাতের অংশীদারদের সঙ্গে প্রাসঙ্গিক indicator শেয়ার করেছি. আমরা এমন কোনো প্রমাণ পাইনি যে আমাদের মডেলগুলোতে প্রবেশাধিকার এই পক্ষগুলোকে এমন নতুন সক্ষমতা বা দিকনির্দেশনা দিয়েছে, যা তারা অন্যথায় একাধিক প্রকাশ্য উৎস থেকে পেতে পারত না. আমাদের মডেলগুলো সরাসরি exploit এবং keylogger অনুরোধ প্রত্যাখ্যান করেছে.