Северокорейская группировка Kimsuky, по данным The Register, не просто поигралась с ИИ, а развернула локальные LLM через Ollama, GPT4All и Msty для реальных атак. Для русскоязычных команд это неприятный, но полезный сигнал: ориентироваться на кривой язык в письмах и косую верстку приманок больше нельзя, потому что у фишеров теперь появился вполне вменяемый редактор.
Южнокорейская компания Genians утверждает, что Kimsuky, связанная с разведкой КНДР, на протяжении нескольких месяцев поднимала у себя локальные окружения для работы с языковыми моделями, тестировала Cursor и сценарии retrieval-augmented generation, то есть RAG, для поиска по документам. Логика понятная даже без лишней романтики: если модель крутится локально, переписка, черновики приманок, куски украденных файлов и служебные заметки не уходят в облачный сервис, а значит, меньше шансов, что эту активность заметят, заблокируют или просто засветят третьим сторонам.
Сама Kimsuky давно специализируется на фишинге и работе через документы-приманки. В фокусе у группы, как и раньше, остаются госструктуры, аналитические центры, университеты и исследовательские организации в области безопасности. В новой волне атак злоумышленники рассылали ZIP-архивы с вредоносными LNK-файлами, маскируя их под материалы о международных событиях, исследовательские отчеты или приглашения на встречи. После запуска такого ярлыка срабатывал встроенный PowerShell-загрузчик. Исследователи отдельно отмечают, что часть приманок была посвящена виртуальным активам и финансам, а сами документы выглядели заметно правдоподобнее за счет естественного языка, аккуратной структуры и оформления, похожего на обычные деловые материалы.
Дальше все идет по знакомому, но от этого не менее неприятному сценарию. PowerShell-скрипт собирал данные о версии и архитектуре операционной системы, конфигурации машины, типе ПК, истории установки и загрузки ОС, а также о запущенных процессах. Такой набор нужен не ради коллекции: он помогает оценить среду, понять ценность хоста и подготовить следующий этап атаки. Чтобы скрыть вредоносную логику, применялись классические приемы обфускации вроде Base64, разбиения строк и собственных процедур декодирования. Иными словами, ИИ здесь не заменяет старые техники, а делает их масштабируемее и аккуратнее упаковывает входной билет в атаку.
Отдельно показателен выбор инфраструктуры. Как и в прежних кампаниях, Kimsuky использовала Git-репозитории как канал управления и доставки. Genians обнаружила несколько публичных репозиториев GitHub, связанных с этой активностью; в одном из них лежали не только конфиги и PowerShell-скрипты, но и полезные нагрузки для следующих стадий. Тот же Git-based C2, по данным исследователей, использовался для разработки и тестирования малвари, управления украденными данными и изучения ИИ-инструментов. Это уже не похоже на разовый эксперимент аналитика в свободный вечер. Скорее на аккуратную инженерную сборку, где GitHub остается привычным рабочим столом, а локальные LLM становятся еще одним модулем в цепочке.
Набор найденных компонентов эту картину только усиливает. Исследователи говорят о большом количестве библиотек и пакетов, включая LLaMaSharp, Microsoft.Extensions.AI, OpenAI и Azure.AI.OpenAI. В логах также нашли следы работы со speech-to-text через Whisper, использование Cursor AI для редактирования кода и тесты RAG для ответов на вопросы по документам. Важная оговорка: признаков того, что северокорейские операторы уже начали обучать собственные модели, исследователи не увидели. Пока речь идет не о строительстве «своего ChatGPT», а о куда более приземленной и опасной задаче: встроить готовые ИИ-инструменты в разработку вредоносного ПО, анализ похищенных данных и автоматизацию атакующих сценариев.
Для защитников здесь главный вывод довольно приземленный. Контентный анализ фишинга стремительно теряет ценность как основной фильтр. Раньше письмо с ломаными формулировками, неестественным переводом и странной структурой само просилось в карантин. Теперь локальные LLM позволяют быстро штамповать внятные тексты без облачных следов и без необходимости держать в команде хорошего редактора на английском или корейском. Поэтому смещаться придется в сторону поведенческого детекта: отслеживать запуск LNK, вызовы PowerShell, попытки закрепления в системе, сетевые обращения наружу и нетипичные действия после открытия архива. Для разработчиков и админов это еще один аргумент в пользу жестких политик по ярлыкам, ограничения PowerShell, EDR-телеметрии и нормальной охоты за аномалиями, а не надежды на то, что пользователь заметит очередную «странную запятую».
Бизнесу и IT-руководителям эта история тоже говорит кое-что неприятное, но полезное. Чем доступнее становятся локальные LLM, тем меньше у атакующих причин светиться в публичных AI-сервисах и тем проще им встраивать ИИ в обычный операционный процесс. На практике это означает, что фишинг больше не обязательно будет дешевым и кривым. Он станет ближе к продуктовой сборке: нормальный текст, аккуратная легенда, быстрая адаптация под тему адресата и автоматизированный разбор уже украденных файлов. Вопрос теперь не в том, будут ли такие схемы масштабироваться, а в том, насколько быстро защитные команды перестроятся с оценки «качества письма» на наблюдение за тем, что реально делает система после одного неудачного клика.