Gids Cybersecurity AI

Polymorfe en door AI ondersteunde malware: hoe het werkt en hoe u het detecteert

Polymorfe en metamorfe malware veranderen hun structuur om bepaalde detectiemethoden te omzeilen, en doen dat al tientallen jaren. AI-modellen geven aanvallers en onderzoekers nieuwe manieren om code te genereren, aan te passen en af te stemmen. Het is belangrijk om te scheiden wat in het lab is aangetoond en wat in echte aanvallen is gezien. Deze gids legt de mechanismen uit, hun grenzen en de maatregelen waarmee organisaties deze dreigingen voorkomen, detecteren en indammen.

9 juni 2026
Bijgewerkt 18 november 2026
8 minuten lezen
Belangrijkste punten
  • 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.

TechniekWat verandertIs AI nodig?
Polymorfe malwareDe versleutelde of gecodeerde vorm van de schadelijke codeNee
Metamorfe malwareDe structuur van de uitvoerbare instructiesNee
Malwareontwikkeling met AI-ondersteuningCode die met een taalmodel wordt gegenereerd of aangepast, vóór of tijdens de uitvoeringJa
Autonome kwaadaardige agentAanvalstaken die met wisselende zelfstandigheid worden gepland of uitgevoerdMeestal 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.

Proof of concept: BlackMamba

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.

Codevarianten met hulp van AI
Een taalmodel herschrijft functionele logica tot versies die er anders uitzien, vóór of tijdens de uitvoering. Dat omzeilt indicatoren op basis van exacte bestandshashes en sommige statische signatures. Het verbergt niet wat de code doet wanneer die draait, en daar kijkt gedragsdetectie naar.
Omgevingsbewuste ontwijking
Malware controleert al lang op sandboxes en analysetools voordat die wordt uitgevoerd, door te zoeken naar sporen van virtuele machines, specifieke registersleutels of ongebruikelijke muisinactiviteit. AI zou die controles adaptiever kunnen maken. De controles zelf zijn ook gedrag dat verdedigers kunnen detecteren.
Geautomatiseerde verkenning en laterale beweging
Automatisering, soms met AI, kan het in kaart brengen van een netwerk en het vinden van waardevolle doelen zoals domeincontrollers, financiële systemen en opslag van inloggegevens versnellen. Onderzoekers hebben agents laten zien die delen van deze keten met weinig menselijke sturing uitvoeren. Zie volledig autonome aanvallen als een opkomend risico en niet als dagelijkse praktijk, maar houd hoe dan ook rekening met snellere aanvallen.
Phishing door AI en initiële toegang
Taalmodellen maken overtuigende, persoonlijke phishing goedkoper om op schaal te maken, met materiaal van LinkedIn, bedrijfswebsites en openbare stukken. Slechte grammatica en algemene formuleringen zijn geen betrouwbare waarschuwingssignalen meer, dus training moet zich richten op het verzoek zelf en op melden.

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

DoelMaatregelen
Uitvoering voorkomenApplicatiebeheer, exploitbescherming, regels voor attack surface reduction, moderne endpointbeveiliging
Initiële toegang beperkenPhishingbestendige MFA, kwetsbaarheidsbeheer, e-mailbeveiliging, minimale rechten
Uitvoering detecterenGedragstelemetrie van endpoints, geheugensignalen, verdachte procesactiviteit
Laterale beweging detecterenIdentiteitstelemetrie, netwerkmonitoring, ongebruikelijke authenticatie en uitvoering op afstand
IndammenEndpoints isoleren, inloggegevens intrekken, segmentatie
HerstellenGeteste 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

Veelgestelde vragen

Wat is het verschil tussen polymorfe en metamorfe malware?

Polymorfe malware versleutelt of codeert de payload en verandert bij elke infectie de ontsleutelingscode, zodat de binaire vorm verschilt. Metamorfe malware herschrijft de eigen instructies en levert structureel andere code op die hetzelfde gedrag probeert te behouden, zonder versleuteling. Geen van beide vereist AI; beide bestaan sinds de jaren negentig. AI voegt nieuwe manieren toe om code te genereren en aan te passen.

Kan AI werkende malware vanaf nul genereren?

Taalmodellen kunnen helpen schadelijke code te schrijven, en onderzoek zoals BlackMamba (2023) heeft codegeneratie tijdens de uitvoering in labomstandigheden laten zien. De gegenereerde code is niet altijd correct of betrouwbaar, en de mogelijkheden die criminele AI-diensten beloven, worden zelden onafhankelijk geverifieerd. AI maakt vooral ervaren aanvallers sneller en verlaagt de moeite voor phishing en eenvoudige scripts.

Kan polymorfe malware elke antivirus omzeilen?

Nee. Een andere bestandsvorm omzeilt controles op exacte hashes en sommige statische signatures, maar moderne endpointbeveiliging gebruikt ook gedragsmonitoring, emulatie, geheugeninspectie, reputatie en machine learning. De schadelijke acties zelf, zoals toegang tot inloggegevens of persistentie, blijven detecteerbaar.

Is traditionele antivirus nog effectief tegen door AI ondersteunde malware?

Antivirus die alleen op signatures werkt, heeft beperkt effect tegen code die van vorm verandert. Endpointbeveiliging die preventie combineert met gedragsdetectie en respons is veel sterker, zeker samen met applicatiebeheer, attack surface reduction en netwerk- en identiteitsmonitoring.

Waar moet een mkb-organisatie prioriteit aan geven?

Voorkom met applicatiebeheer en attack surface reduction dat niet-goedgekeurde code draait, gebruik moderne endpointbeveiliging die ook echt bewaakt wordt (intern of via MDR), vereis MFA op alle accounts met phishingbestendige methoden voor beheerders, patch eerst kwetsbaarheden waarvan misbruik bekend is, segmenteer het netwerk en houd geteste back-ups.

Ryland Deakin
Over de auteur
Lead Consultant, Cyvra · CISM · CompTIA Security+ · MCP

Ryland levert al meer dan twintig jaar programma's op het gebied van cyberbeveiliging, compliance en IT-beheer voor gereguleerde organisaties in het Verenigd Koninkrijk en Nederland. Bekijk volledig profiel

Eindpuntbeveiliging

Wilt u weten hoe goed u deze bedreigingen kunt detecteren?

We beoordelen uw huidige detectiemogelijkheden en helpen u bij het implementeren van EDR-, MDR- en netwerkdetectietools die gelijke tred houden met moderne bedreigingen.

Praat met ons team Boek een cybersecurity assessment