NEWS & DOCUMENTARYAIと人間のこれから。
RAXUS AIAIのいまを確かめて届ける。
LATEST EDITION

Cisco Talos、盗難データをLLMで査定する情報窃取マルウェア「VOLTA-AUTODOXER」を解析――AIは侵入手段ではなく被害者選別の分析役

Cisco Talosは2026年10月31日、Windows向けの情報窃取マルウェア「VOLTA-AUTODOXER」の解析結果を公開し、盗んだ認証情報やセッションをもとに被害者の住所・資産・セキュリティ状況を構造化してLLM APIへ送り、換金優先度つきの標的評価を作らせる設計を確認しました。コードの既定モデルはanthropic/claude-opus-4.6で、モデルが拒否した場合にはmoonshotai/kimi-k2、google/gemini-2.5-flashへのフォールバックが組み込まれています。AI機能は任意で、マルウェア本体はLLMなしでも動作します。Talosは実世界での利用状況は追跡していないとし、感染者数や実被害の確認はありません。

Cisco TalosのRyan Fetterman氏は2026年10月31日、自己削除型のWindows向け情報窃取マルウェア「VOLTA-AUTODOXER」の解析を公表しました。Talosの説明によると、VOLTAは成熟したstealer(情報窃取ツール)に任意のAI連携層を加えたもので、認証情報・セッション・暗号資産ウォレットを盗んだ後、構造化した証拠バンドルをLLMへ送り、被害者の資産を換金価値で順位付けて評価させます。AIの新奇性は従来のマルウェア能力の強化ではなく、攻撃者の代わりに「intelligence analyst(情報分析官)」として働く点だとTalosは整理しています。研究の対象は、AI能力を持つハッキングツールを識別するCAIRNという研究活動で検知されたサンプルです。

「「VOLTAは成熟したstealerに、運用者の分析作業を肩代わりさせるという一つの目的のために後付けされたAI層を持つ。ここでのAI向上の軸は速度や規模ではなく、作業の代行(effort displacement)だ」」

VOLTA is a mature stealer with a late-stage AI layer added for one purpose: relieving the operator of analytical work. The axis of AI improvement here is not speed or scale but effort displacement.

Cisco Talos「Appraisal by AI: Model-driven victim prioritization in the VOLTA infostealer」(2026年10月31日公開、結論節)

盗んだ情報をどう増幅し、どこへ送るか

VOLTAの窃取対象は、Chromium系ブラウザーのパスワード・Cookie・保存カード、FirefoxとThunderbird、Outlookプロファイル、Slack・Steam・Battle.netのセッション、Discordトークン、Telegramセッション、Robloxアカウント、SSHとクラウド事業者の設定ファイル(gcloud、OpenVPN、Hide.me)、ウォレットのシード語呂(内蔵クラッカーで解錠を試み結果を報告)、端末に保存されたWi-Fiの全パスワード(平文化)、スクリーンショットです。その後、盗んだセッションを使って情報を補完します。被害者自身のGmailを検索してAmazon、DoorDash、Uber Eats、Grubhub、Walmart、PayPalのレシートから住所を確定し、Uber EatsとDoorDashの注文履歴を直接取得し、Discordトークンでプロフィールを補完し、Roblox資産はRolimons.comの照会で評価します。

図解VOLTA-AUTODOXERの処理の流れ
  1. 01 収集

    通常の窃取機能

    ブラウザーのパスワード・Cookie・カード、ウォレット(シード語呂の内蔵クラッキング)、Discord・Telegram・Steam・Robloxのセッション、Microsoft OAuthトークン、SSHとクラウド鍵、Wi-Fiパスワードの平文化、スクリーンショット

  2. 02 補完

    盗んだセッションで照合

    Gmailのレシート検索(Amazon・DoorDash・Uber Eats・Grubhub・Walmart・PayPal)で住所を確定、配送アプリの注文履歴取得、Discordトークンでの補完、Rolimons.comでRoblox資産を評価

  3. 03 整理

    被害者レポート

    位置情報と自宅住所、雇用主とドメイン、推定出生年、カード下4桁、Slackワークスペース、文書の作成者メタデータ、iPhoneバックアップの指標などをIdentity_Report.txtとして構造化しJSONへシリアライズ

  4. 04 分析

    OpenRouterへ送信

    「フォレンジック分析官が標的評価を起草する」よう指示するシステムプロンプト付き。既定モデルはanthropic/claude-opus-4.6、温度0.2、SDKなしの手組みJSON

  5. 05 送信

    ZIPで送信

    応答はAI_Analysis.txtとして受領し、レポートとvolta_dox.zipに収めて送信。推論の往復は被害者自身のマシンと回線を経由して完了

Cisco Talos原稿の処理説明とFigure 1・Figure 8の説明に基づく。AI層は任意で、LLMなしでも窃取自体は機能する。

LLMへの要求内容は、Talosが公開したシステムプロンプトで確認できます。出力には「WHAT THEY'RE WORTH」という節(資産を換金可能性で順位付けしlow/medium/highの段階付け)と「THEIR OPSEC」という節(被害者のセキュリティ状態とパスワード管理の評価)が必須とされ、根拠となる引用付きの監査可能な評価を求めます。Talosは、プロンプトが名前・住所・大学などの情報とパスワードのパターンを結び付ける推論を奨励している点も指摘しました。つまりモデルはデータを探すのではなく、盗まれたデータの価値を引き伸ばす推論を担います。

拒否を織り込んだモデル構成

図解LLM呼び出しの分岐(Talosの解析による)

LLM呼び出し既定はclaude-opus-4.6

  • 分析が成立

    標的評価を生成

    「WHAT THEY'RE WORTH」(low/medium/highの段付け)と「THEIR OPSEC」を含む、引用付きの標的評価レポートを作成

  • 拒否表現を検出

    フォールバックに切替

    応答に「I can't」「I'm not able」などの語句がないか確認し、moonshotai/kimi-k2、次いでgoogle/gemini-2.5-flashへ、最大3モデルまで切り替え

  • APIキーがない

    AI層を省略して継続

    LLMなしでも窃取機能自体は動作する設計で、AI呼び出しは追加の層

モデル名と拒否検出の語句、3モデル構成はTalos原稿(Figure 2・Figure 3と本文)の記載の通り。モデル提供企業がマルウェアに関与したことを示すものではない。

温度パラメータは0.2に固定され、Talosは精度と一貫性を重視する設定だと読み解いています。応答の拒否表現の確認と多段フォールバックについて、Talosは「ガードレールに当たることを織り込んだ直接的な工学」と説明し、AI統合が成熟すると拒否への耐性が標準設計になるかもしれないと述べます。WIREDの取材でFetterman氏は、プロンプトが「露骨に悪意があると示唆しないよう慎重に作られている」点、最初の要求でモデルの拒否に当たる可能性を織り込み、より許容的なモデルへ連鎖するフェイルオーバーを計画している点、AIなしでもインプラントは使える点を説明した。

配布の形態と防御側への示唆

VOLTAはTelegramチャンネルやAPIキーをコードに固定せず、ビルド時に埋める6つの差し替え可能なスロットを持つテンプレートを使います。Talosはこれをビルダー型(作者がアクセスを売り、購入者が自分の値を渡して専用バイナリを得る形態)の示唆と読みますが、これは分析・推測で、販売や利用の実績は確認されていません。スロット内の認証情報はバイナリ内の2つの定数のSHA-256で暗号化されていますが、Talosは実質的な保護ではないと評価しています。観測された通信先はすべてサードパーティ管理で、攻撃者固有のインフラはありません。サンプルのSHA256ハッシュはTalos原稿の「Sample details」に記載があり、PEタイムスタンプは2026年8月17日20:35、最初の観測は2026年10月11日12:46 UTCです。

防御側の助言として、Talosはアプリケーション制御ポリシーでChromeの--headless起動を許可されたプロセスに限定すればChromeのApp-Bound Encryptionを迂回する復号経路を塞げること、開発者以外のプロセスによる--headless起動を検知すること、認証情報のハードウェア保護ストア利用を挙げます。侵入済みの場合は、自己削除後も残るAPPDATA%\volta_debug.txt(収集内容とLLM呼び出しの成否を記録したログ)の保全、トークンの失効とパスワード変更、平文のシード語呂があったウォレットは完全に侵害されたものとして扱いエアギャップ機器で生成した新しいシードへ資金を移すこと、を勧めています。

読むときの留保は次の通りです。WIREDの取材に対しFetterman氏は、VOLTAが実世界で使われたかどうかはTalosは追跡していないと説明しており、公表資料には感染者数・流出件数・攻撃者の身元はありません。モデル名とOpenRouterはコードに書かれたAPIの選択肢で、Anthropic・Moonshot AI・Googleがマルウェアに関与したことを示すものではありません。AIが侵入経路になったり自律的に攻撃したりする話ではなく、既存の窃取の後処理にモデル呼び出しを組み込んだ設計です。拒否の頻度、分析の精度、コスト削減効果の定量的な数値は公表されていません。Talosは、最も持続的な人間の注意を要する工程をモデル呼び出しに置き換える同じ論理がCLOSEDQUORUMにも見られるとし、次にどの工程に現れるかが防御側の問いだと締めています。

出典

  1. Appraisal by AI: Model-driven victim prioritization in the VOLTA infostealer(Cisco Talos Blog、Ryan Fetterman、2026-10-31公開、2026-11-01全文確認)一次資料(Talos原著、全文確認)。VOLTA-AUTODOXERの処理(収集→セッション補完→Identity_Report.txt→JSON化してOpenRouterへ→AI_Analysis.txt→volta_dox.zip)、システムプロンプトの要求(フォレンジック分析官・WHAT THEY'RE WORTHのlow/medium/high・THEIR OPSEC・引用付き)、モデル構成(既定anthropic/claude-opus-4.6、フォールバックmoonshotai/kimi-k2→google/gemini-2.5-flash、最大3モデル、拒否表現「I can't」「I'm not able」の確認、温度0.2、手組みJSON・UA Mozilla/5.0)、窃取対象の全リストとWlanGetProfileList・ウォレットインラインクラッカー、Gmail/配送アプリ/Discord/Rolimonsの補完、送信3段階(volta_log.zip・volta_dox.zip・volta_dox.zipnet)、推論が被害者自身のマシンと回線経由である点、ビルダー型6スロットとSHA-256暗号の弱さ(分析・推測)、第三者インフラのみ、防御策(--headless制限・volta_debug.txt保全・トークン失効・ウォレット移行)、サンプル詳細(SHA256・PE 2026-08-17 20:35・初観測2026-10-11 12:46 UTC)、CLOSEDQUORUMと同じeffort displacementの整理
  2. Spooky New Infostealer Malware Uses AI to 'Autodox' Victims(WIRED、2026-10-31、2026-11-01全文確認)二次報道(Fetterman氏への取材、本文確認)。「Talos did not track whether Volta has been used in the wild」(実世界での利用は追跡していない)、CAIRNフレームワークでの検知、プロンプトが露骨な悪意を示唆しない慎重な作り、拒否を見越したフェイルオーバーとAIなしでも動く説明、モデル提供企業の関与を示さない点の文脈

出典の確認日 2026.11.01

KEEP EXPLORING

あわせて読みたい記事と映像

AIと社会の記事一覧
  1. Bitdefender、AIコーディング環境を狙う悪性GitHubコンテンツを分析──AGENTS.mdでの誘導と起動フックの2経路、悪性リンク22件

    セキュリティ企業Bitdefenderの研究部門Bitdefender Labsは2026年11月17日、AIコーディング支援ツールの利用環境を狙う悪性GitHubコンテンツの分析を公開した。研究者Andrei Anton-Aanei氏らが確認した悪性リンクは22件で、AGENTS.mdやCLAUDE.mdの文章でAIにsetup.jsの実行を誘導する経路に加え、.claude/settings.jsonのセッション開始フックでAIの判断を介さずコマンドを実行できる経路が報告されている。22件はリンクの数で、感染者数を示すものではない。

    記事を読む
  2. POSTECH、LLMが勾配学習なしでモデルの重みを直接書く「Weight-Space Programming」──3つのLLMが疎なテーブルを設計、ARCで最大54.4%

    POSTECH(韓国の浦項工科大学)のHyunjong Ok氏とJaeho Lee氏は2026年11月17日、勾配ベースの学習を使わず、大規模言語モデル(LLM)にモデルの重みを直接記述させる「Weight-Space Programming」の研究をarXivに公開した(arXiv:2611.22055)。Claude Opus 5.5、GPT-6.1 Sol、GPT-6 Astraの3モデルに10件のラベル付き例とサンドボックスを与えて実験したところ、アーキテクチャの設計を任せた3モデルすべてが、テキストで書いた事実を置く疎なテーブルと、それを読む固定の手続きでモデルを構成した。ARCの選択式テスト3,530問での精度は最大54.4%(偶然は25%)で、著者報告では、同じLLMが記述した最良の公開Transformerを約1,800分の1のパラメータで上回った。実験で作った56モデル(テキストファイル計68MB)をMITライセンスで公開しているが、測定・分析コードの大半は含まれていない。

    記事を読む
  3. Google GTIG、実際の侵入でAIエージェント基盤の悪用を観測──脆弱性調査と悪用の完全自動化を初確認、LLMJackingの被害は単日10万ドル超

    GoogleのGoogle Threat Intelligence Group(GTIG)とMandiantは2026年11月16日、四半期ごとの脅威観測レポート「GTIG AI Threat Tracker: Agentic Threat Activity Crosses a Significant Threshold」を公開した。複数の脅威アクターがオープンソースのマルチエージェント型ペネトレーション基盤(ARTEX、CAIRN、CyberStrikeAI、PentAGI)を悪用し、実際の侵入の個別の工程を自動化した事例を観測した。脆弱性の発見と悪用を人間の介入なしに完全自動化するLLM基盤の使用は、この四半期に初めて確認したという。LLM認証情報の窃取でクラウド資源を消費するLLMJackingでは、単日の不正請求が10万ドルを超えた事例があり、最も深刻な事例では累計100万ドルに達した。観測範囲は限られ、数値はGoogleの報告値。

    記事を読む