بدافزار جدید Aokigahara اطلاعات ورود به حساب‌های ChatGPT، Claude، Codex و Cursor را هدف می‌گیرد

بدافزار جدیدی برای ویندوز با نام Aokigahara شناسایی شده است که اطلاعات ورود و داده‌های نشست‌های کاربری مرتبط با نسخه دسکتاپ ChatGPT، ابزار Claude، کدکس (Codex) و ویرایشگر Cursor را هدف می‌گیرد.

این بدافزار اطلاعات احراز هویت و داده‌های ذخیره‌شده برنامه‌ها را در رایانه‌های آلوده جست‌وجو می‌کند و دامنه روش‌های متداول سرقت گذرواژه را به ابزارهای هوش مصنوعی گسترش می‌دهد؛ ابزارهایی که توسعه‌دهندگان به‌طور فزاینده‌ای در کارهای روزمره خود از آن‌ها استفاده می‌کنند. گزارش پژوهشی Check Point جزئیات این تهدید را شرح داده است.

شناسایی این بدافزار به معنای نفوذ به زیرساخت‌های این سرویس‌های هوش مصنوعی نیست. مهاجمان در عوض، اطلاعات ذخیره‌شده روی دستگاه قربانی را جمع‌آوری می‌کنند؛ اطلاعاتی که ممکن است امکان دسترسی به حساب‌های کاربری را برای آن‌ها فراهم کند.

نمونه‌های مشابه سرقت اطلاعات ابزارهای کدنویسی مبتنی بر هوش مصنوعی نشان داده‌اند که توکن‌ها، اتصال‌های ذخیره‌شده و سوابق پروژه‌ها نیز باید مانند گذرواژه‌های مرورگر و کلیدهای دسترسی به فضای ابری محافظت شوند.

پژوهشگران شرکت Check Point این بدافزار را در محیط واقعی شناسایی کردند و قابلیت‌های آن را در گزارشی پژوهشی که ۲۳ اکتبر منتشر شد، توضیح دادند.

بدافزار جدید Aokigahara

پژوهشگران خاطرنشان کردند که نسخه‌ای قدیمی‌تر از این بدافزار ممکن است با نام‌های Kamidere یا Stygian شناخته شده باشد؛ بااین‌حال، هنوز مشخص نیست گردانندگان آن چگونه از اطلاعات سرقت‌شده کسب درآمد می‌کنند.

این بدافزار ماژول اختصاصی‌ای با نام aisessions دارد که به‌دنبال داده‌های مرتبط با Claude Code، نسخه دسکتاپ Claude، Codex، نسخه دسکتاپ ChatGPT و Cursor می‌گردد.

دامنه جست‌وجوی این ماژول به ابزارهای Windsurf، GitHub Copilot، Gemini CLI، JetBrains AI Assistant، Amazon Q و Kiro نیز گسترش می‌یابد. این ماژول همچنین مدیر اعتبارنامه ویندوز (Windows Credential Manager) را برای یافتن اطلاعات احراز هویت ذخیره‌شده بررسی می‌کند.

در مورد Claude، فایل‌های اعتبارنامه و پوشه‌های برنامه دسکتاپ هدف جمع‌آوری اطلاعات هستند. در Codex، فایل‌های احراز هویت، پیکربندی و محیط اجرا بررسی می‌شوند.

پایگاه‌های داده ذخیره‌سازی محلی Cursor نیز هدف قرار می‌گیرند و حافظه نهان برنامه دسکتاپ ChatGPT جست‌وجو می‌شود. این مسیرها ممکن است حاوی اطلاعات محرمانه و حساس باشند، اما لزوماً همه فایل‌های هدف شامل گذرواژه یا توکن نیستند.

گزارش‌های پیشین درباره بدافزار سرقت اعتبارنامه Aoki نیز از علاقه مشابه به داده‌های برنامه‌های هوش مصنوعی خبر داده بودند. میزان خطر عملی به این بستگی دارد که اطلاعات محرمانه جمع‌آوری‌شده همچنان معتبر باشند و بتوان دوباره از آن‌ها استفاده کرد. برای مثال، توکن‌های فعال نشست ممکن است بدون نیاز به واردکردن دوباره گذرواژه قربانی، دسترسی به حساب او را برای مهاجمان فراهم کنند.

چنین دسترسی‌ای می‌تواند گفت‌وگوهای خصوصی، فایل‌های بارگذاری‌شده یا اطلاعات توسعه نرم‌افزار را در معرض افشا قرار دهد. مهاجمان همچنین ممکن است از خدمات پولی قربانی استفاده کنند یا حساب‌های به‌خطر‌افتاده را به دیگران بفروشند.

Check Point این موارد را پیامدهای احتمالی معرفی کرده است، نه فعالیت‌هایی که انجام آن‌ها از سوی گردانندگان Aokigahara تأیید شده باشد. این شرکت همچنین احتمال اخاذی از طریق داده‌ها را مطرح کرده است؛ به‌ویژه در شرایطی که دسترسی سرقت‌شده، محتوای حساس تجاری را در اختیار مهاجمان قرار دهد.

ماژول دیگری با نام ide دامنه جمع‌آوری اطلاعات را گسترش می‌دهد و اعتبارنامه‌های Git، فایل‌های SSH که ممکن است کلیدهای خصوصی در آن‌ها وجود داشته باشد و داده‌های پیکربندی سرویس‌های ابری AWS، Azure و Google Cloud را نیز هدف می‌گیرد.

Aokigahara در کنار تمرکز بر ابزارهای هوش مصنوعی، اعتبارنامه‌ها و کوکی‌های مرورگر را نیز می‌دزدد، از صفحه‌نمایش عکس می‌گیرد، محتوای کلیپ‌بورد را ضبط می‌کند و داده‌های مربوط به کیف پول‌های دیجیتال، پیام‌رسان‌ها، برنامه‌های VPN و نرم‌افزارهای ایمیل را جمع‌آوری می‌کند.

تکنیک‌های فرار از شناسایی، بارگذاری رمزگذاری‌شده و واکنش به رخداد

Aokigahara قابلیت‌هایی اختیاری برای دشوارکردن تحلیل بدافزار دارد. این بدافزار بسته به پیکربندی خود، نشانه‌های وجود اشکال‌زدا، آثار ماشین مجازی، منابع سخت‌افزاری، تعداد فرایندهای در حال اجرا و حرکت ماوس را بررسی می‌کند.

همچنین ممکن است در صورتی که تنظیمات زبان صفحه‌کلید یا رابط ویندوز با یکی از زبان‌های تعیین‌شده در فهرست استثنا مطابقت داشته باشد، اجرای خود را متوقف کند. این فهرست شامل زبان روسی، اوکراینی و چند زبان منطقه‌ای دیگر است.

پیکربندی بدافزار با الگوریتم AES-256-CBC رمزگذاری شده و تعیین می‌کند کدام‌یک از ماژول‌های داخلی جمع‌آوری اطلاعات اجرا شوند. جزئیات سرور، تنظیمات ارتباطی و مقصدهای جایگزین نیز در این پیکربندی ذخیره می‌شوند.

نکته مهم این است که ماژول‌های غیرفعال جمع‌آوری اطلاعات همچنان داخل فایل اجرایی بدافزار قرار دارند. بنابراین، قابلیت‌های موجود در یک نمونه ممکن است از قابلیت‌هایی که در یک اجرای مشخص فعال هستند، فراتر بروند.

بدافزار اطلاعات جمع‌آوری‌شده را در آرشیوهای ZIP بسته‌بندی می‌کند و سپس داده‌ها را برای بارگذاری با الگوریتم AES-256-GCM رمزگذاری می‌کند. تبادل کلید مبتنی بر X25519 نیز به ایجاد کلید رمزگذاری کمک می‌کند.

درخواست‌های جداگانه برای ایجاد نشست بارگذاری، انتقال هر دسته از اطلاعات جمع‌آوری‌شده و اعلام پایان فرایند ارسال می‌شوند. در جدیدترین نمونه‌های تحلیل‌شده، رشته User-Agent شبیه به مقادیر مورد استفاده در ویندوز است؛ بااین‌حال، وجود این رشته به‌تنهایی نمی‌تواند آلودگی دستگاه را اثبات کند.

سرآیندهای درخواست‌های بارگذاری، دسته اطلاعات و شماره توالی آن را مشخص می‌کنند. این سازوکار به سرور اجازه می‌دهد داده‌های مرورگر را از نشست‌های هوش مصنوعی و سایر اطلاعات سرقت‌شده تفکیک کند.

پیام نهایی پایان فرایند نشان می‌دهد مرحله بارگذاری خاتمه یافته است؛ اما به‌تنهایی تأیید نمی‌کند که همه آرشیوهای سرقت‌شده با موفقیت به سرور رسیده‌اند.

روند گسترده‌تر هدف‌گیری ابزارهای هوش مصنوعی پیش‌تر نیز در رخدادهایی مشاهده شده است که در آن‌ها از یک بسته جعلی Gemini در مخزن npm برای دسترسی به داده‌های محلی چند ابزار هوش مصنوعی استفاده شد.

این کارزار جداگانه، روش انتشار Aokigahara را مشخص نمی‌کند؛ اما نشان می‌دهد گردش‌کارهای توسعه نرم‌افزار به هدفی جذاب برای جمع‌آوری اطلاعات دسترسی قابل استفاده مجدد تبدیل شده‌اند.

برای تیم‌های دفاع سایبری، الگوی جمع‌آوری اطلاعات این بدافزار نشان می‌دهد که باید فرایندهای غیرمنتظره‌ای را که مخازن احراز هویت ابزارهای هوش مصنوعی، پایگاه‌های داده ویرایشگرها، اعتبارنامه‌های ابری و فایل‌های SSH را می‌خوانند، زیر نظر گرفت.

یافته‌های شبکه باید در کنار شواهد به‌دست‌آمده از دستگاه‌های میزبان بررسی شوند و نباید به‌تنهایی مدرک قطعی آلودگی تلقی شوند. Check Point همچنین یک قاعده YARA برای کمک به شناسایی این بدافزار منتشر کرده است.

در صورت مشکوک‌شدن به آلودگی، تیم واکنش به رخداد باید دستگاه را از شبکه جدا کند و با استفاده از یک سیستم پاک، نشست‌های فعال هوش مصنوعی را لغو کند، کلیدهای افشاشده را تغییر دهد و حساب‌های متصل به سرویس‌های ابری و مخازن کد را بررسی کند.

تغییر گذرواژه‌ها به‌تنهایی ممکن است برای بی‌اثرکردن نشست‌های سرقت‌شده کافی نباشد. تیم‌ها باید فعالیت حساب‌های هوش مصنوعی را نیز بررسی کنند و مشخص کنند آیا مهاجمان به گفت‌وگوهای حساس یا فایل‌های بارگذاری‌شده دسترسی داشته‌اند یا خیر.

این یافته‌ها به سرقت اطلاعات از دستگاه‌های آلوده مربوط می‌شوند و وجود آسیب‌پذیری اثبات‌شده‌ای در ChatGPT، Claude، Codex یا Cursor را نشان نمی‌دهند.

بنابراین، سازمان‌ها باید نشست‌های کاربری برنامه‌های هوش مصنوعی را در برنامه‌های موجود خود برای مقابله با بدافزارهای سرقت اطلاعات بگنجانند و با آن‌ها صرفاً به‌عنوان تنظیمات معمول برنامه‌ها برخورد نکنند.

شاخص‌های آلودگی (IoC)

جدول زیر هر ۱۵۰ مقدار هش SHA-1 نمونه‌های Aokigahara را در بر می‌گیرد. هر خانه به یک نمونه مستقل اشاره دارد و ستون‌ها نشان‌دهنده ارتباط میان نمونه‌ها نیستند.

آثار شبکه‌ای و فایل‌های دیگری که در منبع گزارش شده‌اند نیز می‌توانند در جست‌وجوی مبتنی بر رفتار بدافزارها به کار روند. برخلاف هش‌های نمونه‌های فهرست‌شده و مقصدهای فرماندهی و کنترل، این آثار لزوماً به‌تنهایی مخرب نیستند.

توجه: نشانی‌های IP و دامنه‌ها عمداً به شکلی غیرفعال نوشته شده‌اند؛ برای مثال، نقطه‌ها با [.] جایگزین شده‌اند تا از بازشدن ناخواسته نشانی‌ها یا تبدیل آن‌ها به پیوند جلوگیری شود. تبدیل این نشانی‌ها به شکل فعال باید فقط در بسترهای کنترل‌شده اطلاعات تهدید، مانند MISP، VirusTotal یا سامانه مدیریت اطلاعات و رویدادهای امنیتی (SIEM)، انجام شود.