Локальный AI-стек у атакующей группы меняет привычные признаки злоупотребления: нет обращений к публичному AI API, но есть быстрые варианты приманок, переводы, стилизация писем и ускоренная подготовка вредоносных артефактов.
Главный риск — искать только внешние AI-сервисы и пропустить кампанию, где генерация происходит офлайн. В таком случае защитнику нужны поведенческие признаки: скорость, сходство смыслов, повторяемые шаблоны и связь приманок с инфраструктурой доставки.
Как это выглядит в атаке или ошибке
В защитном разборе локальная модель помогает готовить письма, документы, переводы и фрагменты кода. Оператор быстро проверяет варианты, меняет тон и тему, а затем доставляет приманки через привычные каналы. Для SOC важны кластеры, а не одна фраза.
- подготовить локальную модель и набор шаблонов;
- создать варианты фишингового текста;
- адаптировать язык под роль жертвы;
- подготовить документ или ссылку;
- связать приманку с инфраструктурой доставки;
- повторять кампанию с малыми изменениями.
Какие следы искать
- много похожих писем с разными формулировками;
- одинаковая структура при разном языке;
- быстрое появление новых документов-приманок;
- сходные ошибки в стиле;
- связанные домены и отправители;
- артефакты сборки вредоносных файлов.
Защитные действия
- кластеризовать письма по смыслу, а не только по хэшу;
- сравнивать темы, вложения и домены;
- проверять новые документы в песочнице;
- обучить пользователей признакам срочной персонализации;
- связать почтовые события с сетевыми журналами;
- обновлять правила по кампании, а не по одному письму.
Практический кейс
Кейс: несколько сотрудников получают разные письма на одну тему. Текст отличается, но структура просьбы, домен ссылки и время доставки совпадают. AI помогает SOC сгруппировать сообщения, найти общий шаблон и заблокировать инфраструктуру до открытия вложений.
Минимальный набор проверок
- собрать письма за последние сутки;
- сравнить смысловые блоки и структуру;
- проверить домены, отправителей и вложения;
- найти похожие документы в песочнице;
- связать кампанию с входами и переходами;
- обновить правила детектирования по кластеру.
Техническая настройка
Сценарий нужно запускать как контролируемый защитный процесс. До включения AI определяются источники данных, права, границы автоматизации и условия ручного подтверждения.
- назначить владельца сценария и владельца риска;
- описать разрешённые источники данных;
- включить маскирование секретов и персональных данных;
- запретить автоматические изменения без подтверждения;
- вести журнал запросов, ответов и решений;
- проверять качество на контрольной выборке.
Поля для SIEM
- время события и источник;
- учётная запись, роль или сервис;
- тип действия: чтение, запуск, изменение, загрузка или вход;
- объект действия: файл, письмо, устройство, приложение или данные;
- признаки риска и причина повышения приоритета;
- решение аналитика и итог проверки.
Если AI используется для обогащения карточки, он должен ссылаться на конкретные события. Неподтверждённые предположения нужно явно отделять от фактов.
Пример правила корреляции
Правило должно собирать слабые признаки в цепочку. Один сигнал остаётся наблюдением, а несколько связанных сигналов становятся поводом для проверки.
- первый признак: новое действие или новый источник;
- второй признак: короткий интервал между событиями;
- третий признак: доступ к чувствительному объекту;
- четвёртый признак: нетипичная роль или устройство;
- пятый признак: повтор похожих попыток;
- итог: повышение приоритета и передача аналитику.
Безопасное подключение AI
AI не должен получать полный поток данных без подготовки. Сначала события нужно нормализовать, убрать секреты и оставить только контекст, нужный для конкретной карточки.
- передавать только нужное окно времени;
- заменять секреты и токены на маркеры;
- указывать источник каждого события;
- запрещать вывод без ссылки на факт;
- сохранять запрос и ответ в карточке инцидента;
- не давать AI права менять настройки или доступы.
Рабочая процедура
Процедура должна быть понятна дежурному аналитику. Если правило сработало ночью, человек должен увидеть краткую цепочку, список доказательств и безопасный следующий шаг.
- открыть карточку с полной цепочкой событий;
- проверить самые ранние действия;
- сравнить поведение с обычным профилем владельца;
- посмотреть связанные сетевые и файловые события;
- принять решение об изоляции или наблюдении;
- записать причину решения в журнал.
Проверка качества
- сравнить вывод AI с ручной проверкой;
- проверить ложные срабатывания на штатных событиях;
- добавить отрицательные примеры;
- проверить маскирование чувствительных данных;
- запретить автоматическое изменение прав и настроек;
- обновлять правила после каждого разбора.
Критерии готовности
Сценарий можно расширять только после проверки качества. Команда должна видеть, что правило ловит нужные цепочки, AI не придумывает факты, а аналитик может повторить вывод вручную.
- есть набор контрольных событий;
- есть описание ложных срабатываний;
- понятно, какие поля обязательны;
- есть порядок отключения AI-обогащения;
- есть владелец правила и срок пересмотра;
- есть отчёт о пользе после пилота.
Как не расширить риск
При внедрении важно не превращать защитный помощник в новый источник неконтролируемых действий. Любая интеграция должна работать по принципу минимального контекста и проверяемого результата.
- не передавать в модель полные журналы без необходимости;
- не хранить секреты в подсказках и описаниях задач;
- не разрешать вызовы внешних систем без отдельного правила;
- не скрывать от аналитика источники вывода;
- не включать автоматическую блокировку на первом этапе;
- не считать красивое резюме доказательством.
Разбор после пилота
Через две недели пилота нужно оценить не только скорость, но и качество решений. Если AI ускорил разбор, но добавил неподтверждённые выводы, сценарий нужно сузить и добавить новые ограничения.
- сколько карточек разобрано быстрее;
- сколько выводов подтвердилось;
- какие поля журнала чаще всего отсутствовали;
- какие правила дали шум;
- какие действия нельзя автоматизировать;
- какие контрольные примеры добавить.
Офлайн-использование AI не оставляет внешних вызовов модели, но оставляет скорость и повторяемость. SOC должен искать кампанию как систему похожих действий, а не ждать одного очевидного индикатора.
