KeyFrame內部研究專用

Black Hat Europe 2025 | Not Just Victims: The Hidden Villains Inside Infostealer Logs

Black Hat29 min英文
觀看原始影片

三句話摘要

從竊取器惡意軟體日誌中發掘隱藏的犯罪分子——結合LLM與Python的行為分析系統。 通過LLM與Python混合解析竊取器日誌,結合行為模式查詢和人工驗證,將犯罪調查效率從數天級提升至分鐘級,並達成90%精準度識別真實犯罪運營者。 竊取器惡意軟體的雙面性——攻擊者分發惡意軟體時自己也可能被其他竊取器感染,導致他們的數字足跡(檔案、行為模式、截圖)被無意中記錄在受害者日誌中。這反轉了傳統的「只有受害者數據」認知,成為發現犯罪分子的新途徑。

重點整理

  1. 竊取器惡意軟體的雙面性——攻擊者分發惡意軟體時自己也可能被其他竊取器感染,導致他們的數字足跡(檔案、行為模式、截圖)被無意中記錄在受害者日誌中。這反轉了傳統的「只有受害者數據」認知,成為發現犯罪分子的新途徑。

  2. 系統採用四層流程確保效率與準確性:先分析犯罪特徵轉譯為技術假設(如「5個以上Telegram進程=賭博運營者」),再執行查詢,最後人工驗證。這套方法將原本需要7天的調查壓縮至5分鐘,革命性地提升偵測速度。

  3. 解析異構數據的關鍵在於混合方案——用Python處理已知格式,讓LLM補足格式異常部分,成功率因此超越單一工具方案。這解決了不同惡意軟體版本與家族的格式差異問題。

  4. 行為模式閾值設置直接決定精準度——以「5個以上」為臨界值時達成90%的真陽性率,表明具體的量化特徵(進程數、檔案量、帳戶數)比關鍵字搜索更可靠。

實用技巧與重點

  • 公司與資料規模
  • Stasmo Intelligence(新加坡總部、韓國R&D中心)
  • 6TB竊取器日誌、5000份樣本檢查
  • 資料來源:深網、暗網、Telegram(開源數據)
  • 犯罪類型
  • 戀情詐騙、非法賭博、工作詐騙、聲音詐騙、加密貨幣盜竊
  • 技術棧
  • Python解析器 + LLM混合
  • 解析成功率提升:15%
  • 數據格式:JSON標準化
  • 隱私保護:局部敏感哈希(LSH)而非明文密碼
  • 時間效益
  • 傳統分析:7天
  • 新工具:5分鐘
  • 時間減少:99.4%
  • 檢測精準度
  • 閾值設置(「5個以上」)時約90%真陽性率
  • 單次查詢範例:一台電腦125個dating帳戶被識別
  • 具體犯罪特徵
  • 賭博運營者:5+個Telegram實例、雙監視器設置、WhatsApp客戶聯繫、Google試算表帳簿、銀行入口連接
  • 情感詐騙者:欺騙腳本檔案、偽造機票、受害者照片庫
  • 駭客運營者:145份竊取器日誌、跨國分佈、暗網論壇帳號、在惡意軟體管理面板被感染
  • 驗證方法
  • Auto peel與cookie交叉參照確認實時訪問
  • 檔案類型與名稱分析(system.txt等標準工件)
  • 截圖內容與活動日誌比對

結論

通過LLM與Python混合解析竊取器日誌,結合行為模式查詢和人工驗證,將犯罪調查效率從數天級提升至分鐘級,並達成90%精準度識別真實犯罪運營者。

完整解析

Stasmo Intelligence是專業暗網情報分析公司,其韓國研發團隊發現了竊取器惡意軟體日誌的隱藏價值。傳統理解中,竊取器危害在於盜竊受害者的密碼與個人資料。但研究團隊提出逆向思維:攻擊者本人在分發惡意軟體時,自己也可能同時被其他竊取器感染,使他們的行為軌跡在受害者日誌中留下完整記錄。

以東南亞戀情詐騙、非法賭博與工作綁架案為背景,團隊開始檢視手中的6TB竊取器日誌。起初採用人工審查方式,檢查5000份樣本需耗時一週。但在過程中他們發現了關鍵線索——第一例是詐騙者保存的欺騙腳本與偽造機票;第二例則是賭博開發者桌面截圖。這鼓舞了他們將分析過程系統化的決心。

竊取器日誌的技術複雜性在於格式異構性。不同惡意軟體版本與家族的日誌結構差異大,用單一解析器難以應對。研究團隊採用混合方案:先用Python解析器處理已知格式,對於格式異常部分則交給LLM補充處理。這個策略使解析成功率相比單獨Python方案提升15%。所有數據標準化為JSON格式便於查詢。在隱私保護上,雖然日誌包含密碼,但他們使用局部敏感雜湊算法而非明文,既能識別同一帳戶的跨網站使用,又不洩露實際密碼。

分析系統採用四層流程。首先進行犯罪分析與嫌疑人畫像,理解犯罪者的具體行為需求;其次將行為特徵轉化為技術查詢條件;第三層執行搜索,可能產生10到千餘條結果;最後由分析師人工驗證結果的真實性。在實踐中,一個查詢「單台電腦上5個以上dating服務帳戶」的案例,傳統分析耗時7天,新工具只需5分鐘,時間效率革命性地提升。

後續案例展現了系統的實際威力。賭博運營案例中,研究團隊根據假設「賭博運營者需在單機運行多個Telegram實例以管理大量客戶」進行查詢。發現的真實運營者使用雙監視器設置:左屏顯示賭博後台管理頁面與銀行帳戶,右屏則是WhatsApp客戶聊天紀錄與Google試算表帳簿。這完整揭示了他們的業務運作流程。另一個駭客案例中,嫌疑人擁有145份竊取器日誌跨國分佈,在感染惡意軟體時正訪問rumor stiller管理面板,且在暗網論壇有對應帖子記錄,多層次證據相互驗證。

系統的有效性體現在行為閾值的精準設置上。以「5個以上」此類臨界值進行查詢時,演示案例中約90%的搜索結果確為真實嫌疑人。這說明量化的具體特徵(進程數、檔案數、帳戶數)遠比關鍵字搜索更可靠。不過團隊仍持續改進,計畫開發混合方法同時運用行為模式與關鍵字搜索,以最小化假陽性與假陰性。

73 min
Web2 安全中文11月16日

TryHackMe AI in the Modern SOC | Full Walkthrough 2026

Djalil Ayed看原片 ↗
  • AI 生成內容需要人工驗證:AI 提供初步的案件摘要和假設,但分析師必須通過查詢實際日誌、確認程序關係、檢查時間線來驗證每一個發現,不能直接相信 AI 的输出,因為它可能存在誤差或幻覺。
  • 程序族譜追蹤是關鍵:需要追蹤完整的父進程到子進程的鏈条,記錄每個進程的實體 ID(process entity ID)、父進程實體 ID 和執行時間戳,藉此判斷是否為惡意活動鏈条。
66 min
企業管理中文11月13日

資安事件連環爆,AI淪駭客武器?宏碁二代施宣輝:打造台灣資安龍頭還不夠,為何押注「低軌衛星」搶攻太空新戰局?【哈佛人物面對面】

哈佛商業評論看原片 ↗
  • 資安投資陷阱源於無形價值:資安是預防性成本,當沒有駭客入侵時使用者感受不到價值,導致企業傾向於不投資。企業即使遭受攻擊後復原,由於沒有聯防機制,駭客的AI大腦會立即將攻擊手法複製到其他目標,形成全球皆然的惡性循環。
  • 駭客AI化改變攻擊規則:AI語言模型具有單一大腦同服多人的特性,一旦找到攻擊方法就能同時突破所有使用同一系統的用戶。因此個別企業的自我修復已經失效,必須轉向整個供應鏈的聯防體系才能應對。
10 min
Web2 安全中文11月2日

I Used AI to Pick My Bug Bounty Targets

  • 漏洞賞金領域競爭激烈,大型知名程序的簡單漏洞已被眾多獵人發現,初學者會面臨重複提交和被忽視的風險,因此應選擇新程序和新增範圍以獲得更多機會。
  • 五個關鍵篩選指標為:回應時間(追求24小時快速回應,避免一個月以上),範圍大小和新鮮度(新添加的資產競爭較少),程序年齡(2025-2026年啟動的新程序較佳),安全政策規範檢查,報酬結構(穩定中等報酬的冷門程序優於高報酬但擁擠的大牌項目)