生成式AI重塑勒索软件攻击链:签名检测承压,行为检测成为必需

Zscaler ThreatLabz于2026年10月16日发布的分析指出，生成式AI正在系统性压缩勒索软件从初始访问到数据窃取与加密的路径。与以往“AI生成恶意软件已无法检测”的笼统叙事不同，该报告强调的是攻击者以更低门槛、更快速度产出陌生代码与社会工程素材，使依赖已知样本的静态防御加速失效。

签名检测的结构性弱点被AI放大

传统安全产品依赖文件哈希、YARA规则等已知模式进行匹配。然而，同行评议研究已提供直接实验证据：商业大语言模型生成的恶意软件变体在结构多样性上显著高于传统变形引擎，能够系统性地规避基于签名的检测，同时保留恶意功能。另一项由ngCERT披露的案例更为直接：某疑似国家关联攻击者利用AI构建“自修复恶意软件”，可自主修改代码直至绕过安全签名。Zscaler报告的技术贡献在于指出这一能力的“民主化”效应——过去定制化恶意软件暗示着开发技能或资金门槛，如今小型勒索团伙也能借助公开语言模型获得相近的开发选项，使“独特工具”作为归因线索的价值明显下降。

需要严格区分的是，Zscaler所描述的是AI辅助的开发与快速迭代，而非每个恶意载荷在运行过程中都独立触发AI重写自身。后者的代表是PROMPTFLUX、BlackMamba等实验性样本，它们通过API在运行时动态生成或修改代码，属于另一条平行演进的技术路线。

钓鱼与初始访问：社会工程“质量缺口”被填平

Zscaler分析指出，历史上大量勒索软件初始访问依赖“数量优先”策略，用户培训也因此集中于识别拼写错误、非母语语法等粗糙信号。生成式AI显著提升了钓鱼邮件和仿冒网站的语言质量与本地化程度，使其能够融入正常商务通信流之中。这一判断在Forescout披露的SeasonalInvite活动中得到具体印证：攻击者利用AI生成电子贺卡主题的钓鱼页面，诱导用户下载并安装具有合法数字签名的远程监控与管理工具，进而获得对终端的持久控制权。RMM工具本身具备正当企业用途，正是这种“合法工具滥用”使基于文件信誉的检测难以奏效。

加速的数据发现进一步缩短防御窗口

进入网络后，攻击者可将生成式AI用于大规模搜索和分类可访问数据，以更快定位高价值或敏感材料。Zscaler ThreatLabz 2026年度报告的数据提供了宏观佐证：在截至2026年3月的观测期内，勒索软件相关的数据窃取量同比上升超过275%，达到896.2 TB。数据发现速度的提升直接压缩了防御者从“发现异常”到“文件被窃取或加密”之间的响应时间。

防御含义：从“匹配文件”转向“约束行为”

Zscaler给出的防御方向与独立研究结论趋同：以AI驱动的检测补充静态签名，并将可见性重心从文件特征转向程序行为、命令控制基础设施及浏览器加载后的动态内容。ngCERT的咨询进一步将“行为检测优先于静态签名”列为应对AI驱动攻击的基线要求。需要指出，Zscaler报告描述的是厂商所宣称的检测与响应能力，并不构成单一产品可阻断所有AI辅助攻击的证据；但其揭示的趋势是明确的：当恶意代码的“外观”可以低成本、高频次地变化时，防御的锚点必须落在代码“做了什么”之上。

信息来源：

• Zscaler ThreatLabz

• Knowledge-Based Systems

• ngCERT安全咨询

• Forescout Vedere Labs