- Polymorfie is niet nieuw en vereist geen AI: malware verandert al sinds begin jaren negentig zijn versleutelde vorm of codestructuur
- AI kan helpen codevarianten te maken die er anders uitzien en dezelfde functie proberen te behouden, maar functionele gelijkwaardigheid is niet gegarandeerd
- Onderzoeksdemonstraties zoals BlackMamba (2023) laten zien wat mogelijk is; ze zijn geen bewijs van wijdverspreide autonome malware
- Een gewijzigd bestand omzeilt controles op exacte hashes en sommige statische signatures, maar moderne endpointbeveiliging kijkt ook naar gedrag, geheugen, emulatie en reputatie
- Verschillende binaries tonen nog steeds herkenbaar gedrag: ongebruikelijke childprocessen, toegang tot inloggegevens, nieuwe uitgaande verbindingen en persistentie
- Preventie is net zo belangrijk als detectie: applicatiebeheer, attack surface reduction, phishingbestendige MFA en patchen op basis van bekende misbruik
Van mutatiemotoren tot code met AI-ondersteuning
Polymorfe malware verscheen begin jaren negentig, toen de Dark Avenger Mutation Engine (MtE) liet zien dat één stuk malware duizenden verschillende binaire vormen kon aannemen. De kerntechniek bleef jarenlang gelijk: versleutel de schadelijke payload en varieer de ontsleutelingscode, zodat elke infectie er anders uitziet voor een scanner die exacte patronen zoekt.
Metamorfe malware, die eind jaren negentig en begin jaren 2000 opkwam, ging verder. In plaats van een vaste payload te versleutelen, herschrijft deze malware bij elke uitvoering zijn eigen instructies (andere volgorde, gelijkwaardige bewerkingen, instructies zonder echte functie), zodat de structuur verandert terwijl het gedrag gelijk blijft. Toolkits zoals NGVCK maakten automatisch metamorfe varianten.
| Techniek | Wat verandert | Is AI nodig? |
|---|---|---|
| Polymorfe malware | De versleutelde of gecodeerde vorm van de schadelijke code | Nee |
| Metamorfe malware | De structuur van de uitvoerbare instructies | Nee |
| Malwareontwikkeling met AI-ondersteuning | Code die met een taalmodel wordt gegenereerd of aangepast, vóór of tijdens de uitvoering | Ja |
| Autonome kwaadaardige agent | Aanvalstaken die met wisselende zelfstandigheid worden gepland of uitgevoerd | Meestal op AI gebaseerd; de capaciteit hangt af van de implementatie |
Grote taalmodellen kunnen syntactisch verschillende versies van code genereren op een hoger niveau dan het herschikken van assemblyinstructies: hele logische blokken, andere programmeertalen, variabelenamen, controlestructuren en volgordes van API-aanroepen. Het doel is de functie te behouden en de vorm te veranderen. Dat is niet gegarandeerd. Automatisch herschreven code kan stukgaan, zich anders gedragen, compatibiliteitsproblemen veroorzaken of eigen patronen bevatten die verdedigers kunnen herkennen.
In 2023 presenteerden onderzoekers van HYAS BlackMamba, een proof of concept die tijdens de uitvoering een taalmodel aanriep om keyloggingcode te genereren en die in het geheugen uitvoerde. Het experiment liet zien hoe dynamische generatie traditionele detectie en sommige endpointmaatregelen kan bemoeilijken. Lees de resultaten binnen de testomstandigheden: een labdemonstratie tegen geselecteerde maatregelen bewijst niet dat de techniek goed geconfigureerde moderne EDR in het algemeen omzeilt, of dat die op schaal betrouwbaar werkt.
Wat AI verandert, en wat nog onderzoek is
Het helpt om vier dingen te scheiden die vaak door elkaar lopen: gewone malware die polymorfie of metamorfie gebruikt; aanvallers die taalmodellen inzetten voor scripts, phishing of obfuscatie; onderzoeksdemonstraties die uitvoerbare code ter plekke genereren; en autonome agents die aanvallen in meerdere stappen plannen en uitvoeren. Ze verschillen in capaciteit, betrouwbaarheid en de mate waarin de aanvaller de controle houdt. De eerste twee zijn goed gedocumenteerd. De laatste twee zijn een actief onderzoeksgebied, met weinig openbaar bewijs van operationeel gebruik.
AI-tools op criminele fora
Diensten die op criminele fora worden aangeboden onder namen als WormGPT (medio 2023) en FraudGPT, worden gepresenteerd als AI-tools zonder beperkingen voor phishing, fraude en schadelijke code. De beloofde mogelijkheden worden zelden onafhankelijk geverifieerd, en sommige aanbiedingen zijn doorverkocht, overdreven of oplichting gericht op andere criminelen. Hun bestaan bewijst niet dat geavanceerde autonome malware breed beschikbaar is.
Wat deze tools en algemene modellen wel verlagen, is de moeite voor phishingteksten, eenvoudige scripts en social engineering. De meer geavanceerde mogelijkheden, zoals betrouwbare codegeneratie tijdens de uitvoering of adaptieve ontwijking, vragen nog steeds echte technische kennis.
De democratisering van AI-tools geeft onervaren aanvallers niet in de eerste plaats geavanceerde mogelijkheden. Ze geeft ervaren aanvallers snelheid, schaal en de mogelijkheid om aanvallen veel verder te personaliseren dan voorheen rendabel was.
Wat detectie op signatures mist, en wat wel werkt
Een wijziging in de structuur van een bestand kan indicatoren op basis van een exacte hash en sommige statische signatures omzeilen. Maar een antivirussignature is niet alleen een bestandshash. Moderne beveiliging inspecteert ook bytepatronen in gedecodeerde inhoud, emuleert code, controleert reputatie, volgt gedrag en kijkt naar het geheugen. Hoe goed ontwijking werkt, hangt af van de techniek en van de maatregelen in de omgeving. MITRE ATT&CK noemt polymorfe code als ontwijkingstechniek en beschrijft ook hoe u die detecteert.
Ook gedragsdetectie heeft grenzen. Sommige malware stelt schadelijke acties uit totdat die inschat dat er geen analyse plaatsvindt: de code blijft inactief, draait alleen op bepaalde data of wacht op een gebruikersactie, waardoor een geautomatiseerde sandbox die kan missen. Detectiemodellen op basis van machine learning zijn sterk tegen nieuwe samples maar niet onfeilbaar, want invoer die voor een model normaal moet lijken is een gedocumenteerde aanvalscategorie.
Het belangrijkste voor verdedigers: verschillende binaries kunnen nog steeds herkenbaar gedrag tonen. Een sample waarvan het bestand bij elke infectie verandert, kan nog steeds ongebruikelijke childprocessen starten vanuit een Office-applicatie, opslag van inloggegevens uitlezen, verbindingen openen met nieuwe externe hosts of persistentie aanmaken. Gedragsgebaseerd blokkeren en indammen en detection engineering richten zich precies op deze signalen.
Wat te doen
| Doel | Maatregelen |
|---|---|
| Uitvoering voorkomen | Applicatiebeheer, exploitbescherming, regels voor attack surface reduction, moderne endpointbeveiliging |
| Initiële toegang beperken | Phishingbestendige MFA, kwetsbaarheidsbeheer, e-mailbeveiliging, minimale rechten |
| Uitvoering detecteren | Gedragstelemetrie van endpoints, geheugensignalen, verdachte procesactiviteit |
| Laterale beweging detecteren | Identiteitstelemetrie, netwerkmonitoring, ongebruikelijke authenticatie en uitvoering op afstand |
| Indammen | Endpoints isoleren, inloggegevens intrekken, segmentatie |
| Herstellen | Geteste back-ups, procedures voor incidentrespons, gevalideerd herstel |
Voorkom dat niet-goedgekeurde code draait
Schadelijke code detecteren nadat die draait, is maar de helft van het werk. Applicatiebeheer (vastleggen welke programma's en scripts mogen draaien), scriptbeperkingen en regels voor attack surface reduction blokkeren veel technieken, hoe het bestand er ook uitziet. Zet ze eerst in auditmodus, bekijk wat geblokkeerd zou zijn en dwing ze daarna gefaseerd af, zodat bedrijfsapplicaties blijven werken.
Gebruik moderne endpointbeveiliging die past bij uw capaciteit
Gebruik endpointbeveiliging met preventie, gedragsanalyse, telemetrie en responsmogelijkheden. Kies tussen EPP, EDR, XDR en managed detection and response (MDR) op basis van de capaciteit van uw team om op meldingen te reageren, de integratie met uw andere maatregelen, de dekking van apparaten en de resultaten in onafhankelijke tests. Het label "AI-gestuurd" zegt op zichzelf weinig; configuratie, dekking en de mensen die reageren zijn belangrijker.
Bescherm de initiële toegang
Vereis MFA op alle accounts met externe toegang, phishingbestendige authenticatie (passkeys of beveiligingssleutels) voor beheerdersaccounts en een e-mailbeveiligingsgateway die links en bijlagen inspecteert. Welke maatregelen het zwaarst wegen, hangt af van uw werkelijke aanvalspaden: malware komt ook binnen via misbruikte kwetsbaarheden, gecompromitteerde software-updates, drive-by downloads en misbruikte beheertools.
Patch op basis van bekend misbruik
Automatisering en AI-tools kunnen helpen bij delen van kwetsbaarheidsonderzoek en misbruik. Wat hun rol ook is: geef voorrang aan kwetsbaarheden waarvan misbruik bekend is, systemen die via internet bereikbaar zijn en bedrijfskritische middelen. De CISA Known Exploited Vulnerabilities-catalogus is een goede operationele referentie.
Segmenteer uw netwerk
Laterale beweging helpt een aanvaller alleen als het geïnfecteerde endpoint andere systemen kan bereiken. Door productiesystemen, beheerinterfaces, back-upinfrastructuur en werkplekken in zones met gecontroleerde verkeerspaden te scheiden, beperkt u wat één gecompromitteerd apparaat kan bereiken. Een apparaat in het financiële netwerk hoort geen verbindingen te kunnen openen naar productiebesturing of de back-upserver.
Voeg netwerk- en identiteitsdetectie toe
Tools voor network detection and response (NDR) kunnen afwijkingen zien die endpointagents missen, vooral wanneer aanvallers legitieme tools gebruiken die al op het systeem staan ("living off the land"): onverwachte interne scans, ongebruikelijke datavolumes naar tussenlocaties of verbindingen met nieuwe externe hosts op vreemde tijden. Wat ze zien, hangt af van waar de sensoren staan en welk verkeer ze kunnen waarnemen. Zie ze daarom als aanvulling op endpoint- en identiteitstelemetrie, niet als garantie.
Zoek actief naar dreigingen en test uw detectie
Threat hunting is het actief zoeken naar activiteit van aanvallers die geen melding heeft opgeleverd. Voor de meeste mkb-organisaties kan dat het best via een managed provider, maar ook periodieke handmatige controle van endpointtelemetrie aan de hand van dreigingsinformatie voegt waarde toe. Test uw detectieregels tegen het gedrag hierboven, zodat u weet dat ze afgaan.
Ons cyberbeveiligingsteam helpt organisaties hun huidige detectievermogen te beoordelen, endpointbeveiliging en managed detection te kiezen en in te zetten, en netwerksegmentatie te ontwerpen die past bij hun werkelijke risicoprofiel. Neem contact op als u een praktische beoordeling wilt van uw blootstelling aan deze dreigingen.
Bronnen
- MITRE ATT&CK: T1027.014 Polymorphic Code
- Microsoft: gedragsgebaseerd blokkeren en indammen
- Microsoft: App Control for Business
- Microsoft: regels voor attack surface reduction
- CISA: Known Exploited Vulnerabilities-catalogus
- HYAS: BlackMamba, proof of concept van een AI-ondersteunde cyberaanval (2023)