恶意软件 VOLTA 用 LLM 按价值给受害者排序
Malware uses LLMs to rank victims by how much they're worth
Talos 分析发现,Windows 信息窃取程序 VOLTA 在窃取凭据、会话和加密钱包后,把受害者画像打包发给 OpenRouter 上的 LLM,要求按变现价值给资产分低中高三档并评估其安全习惯。
2026年10月31日,星期六 08:00
- VOLTA 是一款成熟的窃密植入程序,带有可选的 AI 集成层。在窃取凭据、会话和加密货币钱包后,VOLTA 会将结构化的证据包发送给 LLM,以按变现价值对受害者的资产进行排序。
- 如果模型拒绝执行目标评估,VOLTA 会故障转移到由三个模型组成的链上,这表明其进行了直接的工程投入,并预期会触及模型护栏。
- 该窃密程序会自我删除,且不存在攻击者拥有的基础设施。AI 集成的新颖之处在于,它并非支持传统的恶意软件能力,而是代表操作者充当情报分析师。
网络犯罪领域出现了一个新思路——广撒网、窃取一切,然后让 AI 梳理具体细节。一款自命名为“VOLTA-AUTODOXER”的新型恶意软件通过 CAIRN 研究工作浮出水面,它是一款会自我删除的 Windows 信息窃取程序,通过 LLM 驱动的受害者画像阶段来增强其窃取后的工作流程。
在收集了标准窃密所得后,包括浏览器密码;Cookie;支付卡;加密货币钱包助记词;Discord、Telegram、Steam 和 Roblox 会话;Microsoft OAuth 令牌;SSH 和云服务商密钥;Wi-Fi 配置文件;以及屏幕截图,VOLTA 会构建一个关于机器背后之人的结构化证据包。该证据包包含地理位置和家庭住址、雇主及雇主域名、推断的出生年份、卡号后四位、Slack 工作区、文档作者元数据、iPhone 备份指示信息,以及一个实时的 Roblox 账户估值。随后,它利用窃取的会话访问权限进一步丰富该证据包:在受害者的 Gmail 中搜索购买收据以佐证家庭住址,拉取 UberEats 和 DoorDash 订单历史,并通过窃取的令牌丰富 Discord 账户信息。
该证据包会被序列化,并在一条系统提示词的指示下以 POST 方式发送至 OpenRouter,该提示词指示模型充当“一名起草目标评估的法证情报分析师”。要求的输出包括一个标题为“WHAT THEY'RE WORTH”的部分,其中按变现能力将贵重物品分为低/中/高等级排序,以及一个关于“THEIR OPSEC”的部分,包含对受害者安全态势和密码卫生的评估。该模型是操作者的分诊分析师;它将原始的凭据日志转化为一份按优先级排序、有引证支持的受害者及其可变现资产的档案。

AI 配置:“深入,而非广泛……直截了当、具体、准确。”
VOLTA 采用多模型架构,以便在触及模型拒绝时能够弹性回退,它会检查每个响应中是否出现“I can't”或“I'm not able”等短语,然后再传递给最多三个模型组成的链。
端点 | https[:]//openrouter[.]ai/api/v1/chat/completions |
默认模型 | anthropic/claude-opus-4.6 |
回退链 | moonshotai/kimi-k2 → google/gemini-2.5-flash |
温度 | 0.2 — 确定性、一致的输出 |
请求格式 | 手工拼装的 JSON;无 SDK;User-Agent 为 Mozilla/5.0 |


模型温度参数控制 LLM 生成文本的随机性和可预测性。硬编码的较低温度值(0.2)表明攻击者强调准确性和一致性。该恶意软件还采用级联模型链以应对失败情况。这种多模型架构表明,操作者预期会遇到拒绝,回退方案会转向少数更小、更宽松的模型。
系统提示直接揭示了操作者的用例:对受害者作为目标的适合性生成简明的分析评估,并以可审计的引用记录为支撑。

该提示还要求做一些不寻常但智能体擅长的事情:在稀疏且分散的数据之间建立联系。例如,鼓励将受害者的姓名、地址或大学与其密码中的模式建立联系。在这种情况下,模型不是被要求查找数据;而是被要求扩展数据并做出有用的推断,以延伸已抓取数据的价值。
窃取器能力
VOLTA 的能力与现代数字生活中产生的记录直接对应,且远不止于基本的凭据窃取。在一次运行中,该窃取器可以提取基于 Chromium 的浏览器中的浏览器凭据、Cookie 和已保存的支付卡。它还会攻击 Firefox 和 Thunderbird、Outlook 配置文件、Slack 工作区、Steam 和 Battle.net 会话、Discord 令牌、Telegram 会话、Roblox 账户,以及 SSH 和云服务商配置文件(gcloud、OpenVPN、Hide.me)。VOLTA 不仅复制加密货币钱包,还会内联对其保险库运行嵌入式破解器,并将结果写入其自身报告中的 WALLET VAULTS CRACKED 行。
通过直接调用 WlanGetProfileList 提取机器上所有已保存的 Wi-Fi 密码,并以明文转储。


VOLTA 与商品化窃取器的真正区别在于初始收集之后发生的事情。存在一个实时富化阶段,利用窃取的会话深入挖掘受害者数据。例如,使用受害者自己的已认证 Gmail 令牌,查询其收件箱中来自 Amazon、DoorDash、Uber Eats、Grubhub、Walmart 和 PayPal 的收据,然后审查这些收据以确定已确认的家庭地址。窃取的 Uber Eats 和 DoorDash 会话被直接调用来获取订单历史。Discord 令牌被复用来丰富受害者的账户资料。Roblox 库存通过实时查询“Rolimons[.]com”进行估值。

收集和富化阶段完成后,数据会在本地组装并结构化到一个名为“Identity_Report.txt”的文件中。该文件被序列化为 JSON 捆绑包,并连同系统提示一起 POST 到 OpenRouter。返回的载荷被接收为“AI_Analysis.txt”。两个文件一起通过“volta_dox.zip”外传。

推理往返完全通过受害者自己的网络连接、在他们自己的机器上进行,之后结果才被外泄。
部署模式
VOLTA 没有将它的 Telegram 频道、API 密钥和设置直接硬编码到代码中(这很可能是为个人使用而编写工具的人会做的事),而是使用一个带有六个可替换槽位的模板,在构建时填入。
这表明它是一种构建器模式:作者出售访问权限,客户提供自己的值,构建器为每个订单编译一个自定义二进制文件。这些槽位中的凭据是加密的,但并非以有意义的方式加密。密钥是同一二进制文件中两个常量的 SHA-256 值,但它存在的原因大概是客户期望自己的 API 密钥不要以明文形式存在,而不是因为它提供了真正的保护。任何逆向该文件的人都能恢复它们。
如果 VOLTA 确实是一种商品化恶意软件,那么 AI 档案能力就不是作者为自己的行动而发明的。它是一项功能,使任何技术水平层次的客户都能将其指向受害者,并开始在自己的 Telegram 收件箱中收到排序后的目标评估。
观察到的该恶意软件的所有端点均由第三方控制。不存在行为者自有的基础设施。
对抗措施
VOLTA 的大部分令牌窃取能力依赖于绕过 Chrome 中应用绑定加密(ABE)的技术。限制哪些进程可以带 --headless 启动 Chrome 的应用程序控制策略将完全阻断 ABE 解密路径。至少,你还可以在任何不在已知开发者列表中的进程带 --headless 启动 Chrome 时发出警报。将凭据存储在硬件支持存储中的最佳实践同样适用。
在发生入侵的情况下,主可执行文件可能已自行删除,但用户应尝试保留“APPDATA%\volta_debug.txt”文件。这是一个带时间戳的收集日志,包含所收集内容的准确记录以及 LLM 调用是否成功。撤销任何可能已泄露的令牌并更改密码。对于加密货币钱包,如果助记词以明文形式存在于磁盘上,请将该钱包视为完全泄露,并将资金迁移到新钱包,其助记词应在气隙设备上生成。
结论
VOLTA 是一个成熟的窃取程序,后期添加了 AI 层,目的只有一个:减轻操作员的分析工作。这里 AI 改进的轴线不是速度或规模,而是工作量转移;同样的逻辑在 CLOSEDQUORUM 中可见,尽管应用于不同的阶段。这些植入物反映了相同的底层逻辑:找出需要最多持续人工注意力的步骤,并用模型调用来替代它。对防御者来说,问题不在于这种模式是否会出现在其他地方,而在于它接下来会触及哪个阶段。

第二个值得关注的趋势是对触发模型拒绝的预判,以及构建弹性能力的各种方法。在此案例中,这包括从 Claude 到 Kimi 再到 Gemini 的回退链,以及在无密钥存在时完全跳过 LLM 阶段运行的能力。随着 AI 在恶意软件中的集成日趋成熟,拒绝弹性可能成为一项标准设计要求。
这两大趋势背后的未解之谜在于,犯罪软件中的工作量转移是否会以有意义的方式改变格局:降低操作门槛、提高规模上限,还是两者兼有。网络犯罪行动历来是机会主义的,复杂度的门槛也一直低于人们的假设,但广撒网与能自我分类的广撒网之间存在着差别。
样本详情
SHA256 | 57ef4242666d78c50df145b34023df564f0fad38812d6a580e66433d427e2279 |
文件名 | 9BY0tjwOc3ut.exe / yLP9m5J3i2Aw.exe |
类型 | PE32+ x86-64 |
PE 时间戳 | 2026-08-17 20:35 |
首次发现(UTC) | 2026-10-11 12:46 |
来源:Hacker News · blog.talosintelligence.com