【天穹】当木马开始向 AI 请教：一例“LLM 辅助规避”样本的完整剖析
星图实验室 2026-10-29 18:33 北京
一、概述
过去的免杀，拼的是样本作者的经验；现在，攻击者把这道选择题交给了大模型。
近期，天穹沙箱捕获一份 x64 样本 9b5b0529dba5a43ebd01ba354ee30a25.x64.exe。样本启动后不到 3 秒，便向 api.openai.com 发起了一次标准的 Chat Completions 请求：它先把自己的运行环境“体检”一遍——进程列表、驱动列表、Hook 数量、AMSI 状态、内存与 CPU 信息——再把这份结构化情报，连同 39 种规避技术的清单一起发给 gpt-4o-mini，要求模型扮演“顶级红队操作员”，从中挑选最有效的规避方案，并给出置信度、成功率和备选技术。
天穹沙箱将这一行为标记为 “LLM 辅助规避”（危险级），并完整留存了请求报文。这是一个很有代表性的变化：攻击逻辑不再写死在代码里，而是在运行时向外部 AI 要答案，把“免杀决策”外包了出去。
但故事没有停在“问 AI”。同一次分析中，沙箱还捕获到：探测 amsi.dll、恢复 notepad.exe 线程、覆写 ntdll.dll 代码段以解除 Hook、连接 192.168.1.135:4444。随后，天穹智能体给出两个关键结论：一，样本属于公开学术研究框架 COGENT；二，样本内嵌一个可用的 OpenAI API Key，C2 是裸 TCP 反向 shell。这说明它并非一个只会执行固定动作的普通木马，而是一个内置“大脑”的攻击型木马。
这也是天穹智能体“动静结合”的工作方式：沙箱负责捕捉动态行为，智能体负责将行为与代码、情报进行对齐。沙箱回答“做了什么”，智能体回答“是什么、怎么做”——二者协同，完成了样本分析上的闭环。
二、样本信息
从静态特征看，样本的“外壳”并不张扬：整体熵值 6.95 落在正常区间，但 .data 段熵值高达 7.94，提示高熵载荷被收拢在单个节内。
三、行为还原：从环境侦察到“自己动手”
1. 环境侦察
样本启动后没有急着外联，而是先做了一轮典型的环境探测：
通过
CreateToolhelp32Snapshot/Process32FirstW遍历进程列表，采集当前运行的进程；通过 PSAPI 的
EnumDeviceDrivers枚举内核驱动；探测 Hook 数量与 AMSI（反恶意软件扫描接口）状态；
通过
GlobalMemoryStatusEx、GetSystemInfo获取内存、CPU 等主机画像；通过
IsDebuggerPresent、CheckRemoteDebuggerPresent检查调试器。
这些动作本身并不罕见，罕见的是它们被结构化打包成了下面这段 JSON，并在同一秒内发往了大模型：
{"processes": ["MsMpEng.exe", "9b5b0529dba5a43ebd01ba354ee30a25.x64.exe"],"drivers": ["WdFilter.sys", "kbdclass.sys"],"hooks": { "count": 0, "apis": [] },"amsi_status": "not_present","system_info": { "process_count": 96, "memory_gb": 15, "cpu_count": 8 }}
MsMpEng.exe 与 WdFilter.sys 正是 Microsoft Defender 的进程与过滤驱动。样本要的不是泛泛而谈，而是让模型先了解目标环境里装了什么安全产品，再给出针对性的规避方案。
2. 智能决策
天穹沙箱在 WinHttpSendRequest 处完整捕获到了请求体。核心内容如下（节选）：
这段提示词的信息量很大：
- 角色设定
：明确要求模型扮演“顶级红队操作员与恶意软件分析师”；
- 输入情报
：把目标主机的进程、驱动、Hook、AMSI、资源信息作为决策依据；
- 候选方案
：给出 39 项规避技术的“武器库”，要求模型从中择优；
- 输出约束
：要求返回
edr_identified（识别出的 EDR 产品）、recommended_technique（推荐技术）、confidence（置信度）、reasoning（技术理由）、success_probability（成功率）与alternative_techniques（备选方案）； - 温度参数
：
temperature: 0.7，意味着同一环境多次询问可能得到不同答案，攻击路径不再是固定值。
也就是说，样本把“面对 Defender 该用哪一招”这类原本依赖作者经验判断的问题，变成了一次在线 API 调用。智能体在静态代码中还原出，请求中的 User-Agent 被伪装成 Chrome/120，让这次调用在流量侧更接近普通浏览器行为。
3. 兜底决策
如果说“问 AI”是这个样本最醒目的标签，那么接下来的一组行为，才真正体现了它的完整能力。模型请求发出约 42 秒后，样本开始转入本地动作链：
- 探测安全软件
：检查
C:\Users\lichao\Desktop\amsi.dll是否存在（本次返回c0000034，即对象名未找到）； - 检测分析环境
：调用
NtQueryInformationProcess(31)，判断自己是否运行在调试或分析环境中； - 跨进程恢复线程
：恢复
c:\Windows\System32\notepad.exe的 5060 线程执行，疑似注入； - 代码覆写 / API Unhooking
：从系统目录读取
ntdll.dll的原始代码段，覆写内存中被 Hook 的模块，以规避安全监控； - 变更权限
：尝试调整进程权限（本次失败，返回 106）；
- 连接 C2
：向
192.168.1.135:4444发起 TCP 连接。
这组动作与”问 AI”形成了呼应：样本既会把”选哪一招”交给模型，也内置了 AMSI 探测、ntdll 解钩、线程恢复、C2 反连等可独立执行的”Plan B”。智能体结合沙箱行为与静态代码确认，API unhooking、内存/反射模块加载骨架等能力在代码中已经实现，并非完全依赖模型回复。
本次分析中，由于无法访问 api.openai.com，沙箱未捕获到有效的模型响应；但样本仍然继续执行了后续动作。这也说明，把全部行为都归因于”模型回复”并不准确——它更像是一套 “AI 决策 + 本地兜底” 的组合。
4.网络活动
从流量上看，样本访问的是 OpenAI 官方域名，走标准 443 端口与 TLS，请求方法、路径、JSON 结构与正常业务调用几乎没有区别。如果只按域名或端口做封堵，这条链路很容易被归入“正常 SaaS 流量”。
真正暴露意图的是另一条连接：192.168.1.135:4444/TCP。4444 是经典的反向 shell 端口；智能体结合沙箱流量与静态代码进一步确认，这是一条明文、无加密、无鉴权、无心跳的原始反向 shell，cmd.exe 的三个标准句柄被绑定到 socket，断线重连 5 次。沙箱侧捕获到的 TCP 状态变化，也与”连接尝试—被拒绝—重试”的过程吻合。
四、智能体分析
沙箱解决的是“它做了什么”，智能体则把沙箱行为与静态代码对上，回答“它是什么、怎么做的”。
1. 凭据与配置：可用的 OpenAI Key
智能体在静态代码中提取到内嵌的 OpenAI API Key（sk-proj- 前缀，使用 0xAA 混淆）。这意味着样本不仅可以“问 AI”，还可能消耗他人的额度、留下调用痕迹。智能体建议立即吊销该 Key，并审计其历史调用（模型、时间、来源 IP、token 消耗）。
同时，样本使用三重 XOR 混淆：0x55 用于载荷、C2 与 EDR 名称，0x5A 用于 API 名、api.openai.com、.text 段名与 cmd.exe，0xAA 用于 API Key 与变质 Stub；批量解密依赖 SSE 密钥表，API 全部动态解析。这也是静态分析中需要重点还原的部分。
2. 反分析：约 20 秒时间炸弹与四重检测
样本在 main 中设置了 5 亿次空循环，并以 GetTickCount64 作为阈值（约 19.9 秒）；同时通过 PEB BeingDebugged、CPU 核数 <2、内存 <2GB、Sleep(0x5DC) 计时四重条件检测沙箱。此外，它还会以 SEC_IMAGE 方式重新映射磁盘上的 kernel32，回写 .text 段以清除用户态 inline hook。
这解释了为什么动态分析只看到了攻击链的一部分：样本本身就有较强的时间与环境对抗设计。天穹沙箱的默认时长分析窗口、真实应用环境（Office/PDF/Chrome）与行为监控，仍然捕获到了 LLM 调用、AMSI 探测、ntdll 覆写与 C2 连接等关键证据。
五、天穹沙箱 + 智能体：让“AI 行为”成为可观测证据
这份样本的价值，不只在于它是一个后门，更在于它展示了一种新的攻击范式：恶意逻辑开始借用外部大模型的判断力。天穹沙箱与智能体从四个层面给出应对：
1. 识别“调用大模型”这件事本身
天穹沙箱内置针对大模型调用的行为识别能力。样本访问 api.openai.com 时，沙箱没有把它简单归为一次普通 HTTPS 请求，而是结合请求路径、报文结构与提示词语义，将其标记为 “LLM 辅助规避”（危险级），并映射到 ATT&CK 矩阵中的网络通信类技术项。
2. 完整留存请求体，让提示词可回溯
沙箱捕获了完整的 POST 数据，包括模型名称、消息内容、39 项技术清单与输出格式要求。对分析人员而言，这不是一条“访问了 OpenAI”的日志，而是一份新型的攻击指令。
3. 把侦察、决策、执行串成一条证据链
进程遍历、驱动枚举、AMSI 探测、ntdll 覆写、线程恢复、DNS 解析、TCP 连接在报告中按时间线排列。原本需要反复逆向才能拼出的“先看环境、再问 AI、最后反连”的流程，可以在沙箱报告中直接读取。
4. 智能体动静结合，双引擎互证
智能体将这些动静态证据纳入研判，最终给出 COGENT 归属结论。而唯有会 “思考” 的沙箱，才能同时回答这三个问题：”它做了什么””它是什么””它怎么做到的”。
当攻击者开始向 AI 请教，防守方需要的不是更长的黑名单，而是能看懂“它在问什么”、也能追到“它最后做了什么”的沙箱。
六、IOC
恶意文件（SHA1）5ce104df7cded4ef8439e69887b332b35538d41a 样本
天穹智能分析平台（联系我们申请账号）：https://sandbox.qianxin.com
天穹智能分析平台持续迭代升级，致力于为每一位样本分析人员打造更高效、更智能、更易用的分析平台——这始终是我们不变的初心与追求。
如果您希望深入了解平台功能，或在使用过程中遇到任何问题，欢迎随时联系我们。您的反馈，是我们进步的重要动力！
本文转载自微信公众号「奇安信技术研究院」，查看原文。版权归原作者所有，如有侵权请联系删除。