VOLTA-Stealer lässt KI-Modelle Opfer nach Wert einstufen

Forscher haben den Windows-Infostealer VOLTA-AUTODOXER beschrieben, der im Rahmen der CAIRN-Untersuchung entdeckt wurde. Er ergänzt den Datendiebstahl um einen ungewöhnlichen Schritt: Ein großes Sprachmodell (LLM) schätzt ein, wie viel Geld sich mit dem Opfer verdienen lässt.

Zunächst sammelt VOLTA das übliche Material: Browser-Passwörter, Cookies, Zahlungskarten, Seed-Phrasen von Krypto-Wallets, Sitzungen von Discord, Telegram, Steam und Roblox, Microsoft-OAuth-Tokens, SSH- und Cloud-Schlüssel sowie WLAN-Profile. Daraus entsteht ein strukturiertes Profil des Geräteinhabers, etwa mit Standort und Wohnadresse, Arbeitgeber samt Firmendomain, geschätztem Geburtsjahr, den letzten vier Kartenziffern, Slack-Workspaces und Hinweisen auf iPhone-Backups.

KI-Analyst auf dem Rechner des Opfers

Anschließend reichert die Malware das Profil mit gestohlenen Sitzungen an. Sie durchsucht das Gmail-Konto nach Belegen von Amazon, DoorDash, Uber Eats, Grubhub, Walmart oder PayPal, um die Wohnadresse zu bestätigen, liest Bestellverläufe bei Uber Eats und DoorDash aus und ruft über Rolimons in Echtzeit den Wert eines Roblox-Inventars ab.

Das Ergebnis landet in der Datei Identity_Report.txt, wird in JSON umgewandelt und per POST an OpenRouter gesendet. Der System-Prompt weist das Modell an, als Analyst für die Bewertung eines Ziels zu arbeiten. Die Ausgabe enthält den Abschnitt WHAT THEY'RE WORTH, der Vermögenswerte nach geringem, mittlerem oder hohem Monetarisierungspotenzial sortiert, sowie THEIR OPSEC mit einer Einschätzung von Sicherheitsniveau und Passwortqualität. Die Temperatur ist fest auf 0,2 gesetzt, was auf den Wunsch nach konsistenten Ergebnissen hindeutet.

Verweigert ein Modell die Arbeit, wechselt VOLTA zu einer Kette aus drei weiteren. Die Forscher werten das als gezielte Entwicklung gegen eingebaute Schutzmechanismen. Die Antwort wird als AI_Analysis.txt gespeichert, beide Dateien wandern als volta_dox.zip zu den Angreifern. Die KI-Anfrage läuft über die Internetverbindung des Opfers, noch bevor Daten einen externen Server erreichen.

Baukasten-Prinzip und Selbstlöschung

Der Stealer löscht sich nach der Ausführung selbst und nutzt keine Infrastruktur der Angreifer. Statt Telegram-Kanal oder API-Schlüssel fest einzucodieren, verwendet er eine Vorlage mit sechs Platzhaltern, die beim Build befüllt werden. Das deutet auf ein Builder-Modell hin: Kunden liefern ihre Daten und erhalten eine individuelle Datei. Die Zugangsdaten sind zwar verschlüsselt, der Schlüssel ist jedoch ein SHA-256-Hash zweier Konstanten aus der Datei selbst – der Schutz ist weitgehend Kosmetik.

Der Fall zeigt, wie LLMs bei Kriminellen von der Textgenerierung zur Sortierung von Beute wechseln: Das Modell soll keine Daten finden, sondern verstreute Fragmente wie Namen, Adressen oder Schulen mit den Passwörtern der Opfer verknüpfen und Ziele priorisieren.