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，目的是云计算规避机器学习（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建站模板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，亿华云能提取所有层配置，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