网络安全研究人员发现，可键借助大型语言模型（LLMs） ，生成上万可以大规模生成新型恶意的规避JavaScript代码变体 ，这些变体将更难被安全防护设备检测 。检测

Palo Alto Networks旗下的可键Unit 42团队指出 ：“尽管LLMs难以独立创建恶意软件
，但犯罪分子能利用它们重写或混淆现有恶意软件，生成上万从而加大检测难度。规避罪分子可通过提示LLMs执行更自然的检测转换，使这种恶意软件更难被发现。可键”

长期来看，生成上万通过大量转换，规避这种方法可能降低恶意软件检测系统的检测性能 ，高防服务器甚至使其误判恶意代码为良性。可键尽管LLM提供商不断加强安全防护 ，生成上万防止其产生不良输出 ，规避但不法分子已开始利用恶意AIGC工具如WormGPT ，自动化设计高针对性的网络钓鱼邮件，甚至创造新的恶意软件 。

早在2024年10月，OpenAI就披露已封锁20多起企图利用其平台进行非法活动的操作和欺诈网络。

Unit 42表示
，他们利用LLM反复重写现有恶意软件样本，目的是香港云服务器规避机器学习（ML）模型的检测，例如Innocent Until Proven Guilty（IUPG）或PhishingJS，从而成功创造了10000种新JavaScript变体
，且功能不变。

这种对抗性机器学习技术通过变量重命名 、字符串拆分、垃圾代码插入等方法转换恶意软件，每次输入系统时都进行变换。

“最终产生的新恶意JavaScript变体 ，行为与原脚本相同，但恶意评分大幅降低 ，”该公司表示，并补充说 ，服务器租用其贪婪算法能将自身恶意软件分类模型的判断  ，从恶意翻转为良性的概率高达88%
。

更糟糕的是 ，这些重写的JavaScript代码在上传至VirusTotal平台时 ，也成功逃避了其他恶意软件分析设备的检测。LLM相关混淆技术的另一优势在于，其重写效果比obfuscator.io等库更自然
，后者因改变源代码的源码下载方式而更容易被检测和识别。

Unit 42指出
：“借助生成式人工智能 ，新恶意代码变体的规模可能会大幅增加。然而 ，我们也可利用相同策略重写恶意代码，以帮助生成训练数据，提高ML模型的鲁棒性 。”

这一发现正值北卡罗来纳州立大学一组学者设计出名为TPUXtract的侧信道攻击，该攻击针对Google Edge张量处理单元（TPU）执行模型窃取攻击，准确率高达99.91% ，可能被用于知识产权盗窃或后续网络攻击。

研究人员表示 ：“将展示一种超参数窃取攻击，免费模板能提取所有层配置，这是首次全面攻击能提取以前未见过的模型。”

本质上
，是这种黑匣子攻击捕获了TPU在执行神经网络推理时发出的电磁信号 ，并利用这些信号推断模型超参数。但这种方法依赖于攻击者对目标设备的物理访问权限，以及昂贵的探测设备 。

参考来源：https://thehackernews.com/2024/12/ai-could-generate-10000-malware.html