Сајбер-операција: Поддршка за фишинг и скриптирање

Оваа студија на случај првично беше објавена во извештајот на OpenAI од октомври 2025 година⁠(се отвора во нов прозорец).

Идентификувавме и забранивме група сметки на ChatGPT вклучени во активности што се преклопуваа со јавно достапните извештаи за групи за закани, познати во индустријата како UNK_DROPPITCH (Proofpoint) и UTA0388 (Volexity). Во најмалку еден случај, адресата на е-пошта употребена за регистрирање сметка на ChatGPT, според извештаите, била користена и за испраќање фишинг-пораки.

Актерите зад овие сметки покажаа обележја својствени за сајбер-операции спроведувани во служба на разузнавачките потреби на НР Кина: употреба на кинески јазик и насочување кон тајванскиот сектор за полупроводници, академската заедница и аналитичките центри во САД, како и организации поврзани со етнички и политички групи што ја критикуваат ККП, понекогаш нарекувани „петте отрови“.

Нашиот модел не овозможи нови офанзивни способности. Се чини дека операторите првенствено ги користеле нашите модели за постепено да ја зголемат ефикасноста на постојните работни процеси, особено при создавање фишинг-содржини и отстранување грешки или изменување на нивните алатки.

Актерите го користеа ChatGPT за две главни задачи: создавање содржини за фишинг-кампањи на повеќе јазици, вклучувајќи кинески со поедноставено и традиционално писмо, англиски и јапонски, како и помош при развојот на алатки и злонамерен софтвер. Нивната развојна работа одговараше на технички способен, но не особено софистициран актер. На пример, разгледуваа повеќе аспекти и нијанси на користењето AES за обезбедување на C2-сообраќајот, но сепак користеа едноставен статичен клуч.

Методологијата на актерите за создавање фишинг-содржини беше детална и шаблонска, што е својствено за насочување кон прецизно определена демографска група. Вообичаено создаваа кратка, формално учтива е-порака претставена како да доаѓа од лице од академската заедница, индустријата или некоја конференција. Актерите често бараа да се приспособи тонот, да се заменат поими со регионално вообичаени изрази или да се додадат конкретни упатувања на институции. Иако овие насочени ситни измени укажуваат на систематски обид да се подобри квалитетот на првичната содржина, актерите не исправиле некои детали што лесно ги разоткривале, како неверодостојните примерни податоци за контакт во блоковите за потпис.

Тие бараа фрагменти од код и контролни списоци што би го забрзале извршувањето рутински задачи. Бараа код за тестирање шифриран пренос (HTTPS, TLS) за едноставно периодично јавување од типот beacon; подготвуваа фрагменти во Go и PowerShell за набројување процеси, нивно прекинување според името на извршната датотека или собирање податоци за околината; и вградуваа широко достапни скенери во bash/PowerShell-обвивки.

Од моделот бараа и предлози за едноставно прикривање и мали подобрувања на оперативната безбедност (OPSEC): преименување функции, приспособување заглавија или криење текстуални низи. Во повеќе сесии, тие настојуваа да создадат основни прототипови за командување и контрола, својствени за злонамерен софтвер со ниско до средно ниво на зрелост, вклучувајќи циклуси за одржување на врската, минимално задавање задачи преку HTTP(S) и JSON-обвивки за задачи и резултати.

Некои детали од имплементацијата во развојните активности на актерот засновани на Go се преклопуваат со извештаите од индустријата за злонамерниот софтвер познат како GOVERSHELL (Volexity) или HealthKick (Proofpoint), што укажува дека ги користеле моделите како поддршка при развојот на нивниот главен злонамерен софтвер.

Покрај работата на лажните идентитети и развојот на алатките, операторите истражуваа и дополнителна автоматизација што би можела да се постигне преку DeepSeek. Оваа активност наликуваше на истражувачка работа за автоматизирање масовен фишинг, на пример преку анализа на веб-содржини за автоматски да се создаде список на цели за е-пошта, заедно со генерирана содржина што веројатно би ја заинтересирала секоја идентификувана потенцијална цел. Не можеме независно да потврдиме дали актерите примениле таква автоматизација и, доколку ја примениле, кој модел на крајот го користеле.

Актерите се обидоа да ги користат нашите модели за планирање и усовршување шифрирани C2-компоненти, работни процеси за далечинско извршување наредби и културно приспособено контактирање, при што најмногу ги ценеа брзината и локализацијата, а не новите офанзивни способности. Тие генерираа резултати од моделите што, според сè, требало да поддржат активности надвор од нашата платформа во повеќе оперативни области:

• Шифрирана C2-комуникација и далечинско извршување: барања за пишување или поправање клиент-серверски код во Go со шифрирање пораки, како AES-GCM, обновување клучеви за сесијата, сигнали со системски информации и серверска конзола за издавање PowerShell-наредби преку стандардни веб-протоколи или канал заснован на WebSocket.

• Заштита на сообраќајот и OPSEC-приспособувања: барањата опфаќаа код за премин од обични WebSocket-врски на безбедни WebSocket-врски (wss://) и од HTTP на HTTPS; оневозможување на проверките на сертификати во некои тестови; прикривање на сообраќајот преку CDN/TLS-пристапна точка; како и обработка на поголеми пораки без пад на клиентот.

• Извидување и контрола на процеси: барања за информации поврзани со откривање антивирусни програми преку PowerShell, набројување процеси и прекинување конкретни процеси на Edge/WebView2.

• Поставување широко достапни скенери: практична помош за инсталирање и користење алатки со отворен код, како nuclei и fscan, на комерцијална Linux-инфраструктура и зачувување на резултатите за подоцнежен преглед.

• Содржини за фишинг и контактирање: составување убедливи е-пораки на повеќе јазици до контакти од академската заедница или индустријата, вклучувајќи наслови и стил приспособени на локалните норми.

Овие активности спаѓаат во категориите на LLM ATT&CK, меѓу кои LLM-Optimized Payload Crafting, LLM-Enhanced Anomaly-Detection Evasion, LLM-Assisted Post-Compromise Activity, LLM-Assisted Reconnaissance and Discovery и LLM-Assisted Social Engineering.

Ги оневозможивме сите сметки поврзани со оваа активност и ги споделивме релевантните показатели со партнерите од индустријата. Актерите првенствено настојуваа постепено да ја зголемат ефикасноста на постојните работни процеси, вклучувајќи создавање фишинг-пораки подготвени за испраќање и пократки циклуси на усовршување за рутински код и автоматизација. Не забележавме докази дека резултатите од моделот овозможиле способности надвор од добро документираните јавно познати техники; нашиот модел не овозможи нови офанзивни способности. Тактичката предност што ја бараа со помош од моделот произлегуваше од јазичната течност, локализацијата и истрајноста: веројатно помалку јазични грешки, побрзо создавање поврзувачки код и побрзи приспособувања кога нешто не функционираше.