یک عامل تهدید با انگیزه مالی، با پوست محقق امنیتی و شکارچی باگ‌باونتی، از مدل‌های زبانی بزرگ (LLM) برای توسعه یک بدافزار دزد اطلاعات جاوااسکریپتی به نام PhantomRaven بهره گرفته و از طریق رجیستری npm و PyPI آن را توزیع کرده است. تحلیل‌های اخیر CrowdStrike 드러 می‌کند این تهاجم‌گر از نوامبر ۲۰۲۲ فعال بوده و با تکنیک‌های تایپواسکوآتینگ (Typosquatting) و اسلپ‌اسکوآتینگ (Slopsquatting) بیش از ۱۰۰ بسته مخرب را در اکوسیستم Node.js تزریق کرده تا توکن‌های احراز هویت، رازهای CI/CD و اعتبارنامه‌های GitHub توسعه‌دهندگان را بدزدد.

معماری فنی: وابستگی پویای از راه دور (RDD) برای دور زدن دفاع‌های استاتیک

نکته متمایزکننده PhantomRaven، استفاده از مکانیزم Remote Dynamic Dependency (RDD) است. بسته‌های آپلود شده بر روی npm خودِ بدافزار را در بر نمی‌گیرند؛ در عوض، در لحظه نصب، اسکریپت‌های چرخه حیات preinstall یا postinstall فایربوش می‌شوند و پی‌لود مخرب را از سرور کنترل و فرماندهی (C2) دانلود و اجرا می‌کنند.

این روش باعث می‌شود اسکنرهای تحلیل استاتیک و موتورهای امنیتی رجیستری، بسته‌ها را «تمیز» و بی‌تهدید ارزیابی کنند، زیرا کد مخرب تنها در زمان بیلد (Build Time) و روی ماشین قربانی متجلی (Materialize) می‌شود.

نمودار جریان حمله PhantomRaven از npm تا اکزفیلترشن داده
مراحل اجرای حمله PhantomRaven: از تایپواسکوآتینگ در npm تا دزدیدن اسرار CI/CD

شواهد قاطع بر استفاده از LLM در توسعه کد مخرب

محققان CrowdStrike با «اطمینان بالا» (High Confidence) اعلام کرده‌اند که PhantomRaven توسط یک مدل زبانی بزرگ تولید شده است. استدلال‌های فنی آن‌ها بر پایه سه ستون است:

  • توضیحات فوق‌العاده مفصل و آموزشی در کد: الگوهای نظرات (Comments) و مستندسازی درون‌کدی که حکایت از خروجی مستقیم مدل‌هایی همچون GPT-4 یا Claude دارند، نه سبک लिखتن توسعه‌دهندگان انسانی.
  • پیش‌نیاز کدهای Placeholder و Stub: وجود توابع و ماژول‌های ناقص که عملکرد کامل ندارند، نشان‌دهنده کپی‌پیستِ مستقیم و بدون بازبینی از خروجی‌های مدل است.
  • امضای آماری توکن‌سازی: توزیع احتمالی توکن‌ها و ساختارهای نحوی که با متون تولیدشده توسط ماشین (Machine-Generated) همخوانی دارد و از الگوی طبیعی کدنویسی انسان متمایز است.

این یافتن هم‌سو با گزارش‌های اخیر Wired و Dark Reading است که رواج استفاده از هوش مصنوعی مولد در توسعه بدافزار را مستند کرده‌اند.

پروفایل تهدید: از شکار باگ تا تأمین تسلیحات شخصی (Proprietary Weapon)

برخلاف گروه‌های جنایی متداول که ابزارهای آماده (Commodity) را خریداری یا اجاره می‌کنند، این عامل تهدید PhantomRaven را به عنوان یک سلاح اختصاصی ساخته تا دارایی‌های شرکت‌ها را هدف قرار دهد و سپس از این نفوذ‌ها به عنوان «اثبات مفهوم» (PoC) در برنامه‌های افشای منسجم (CVD) برای دریافت پاداش باگ‌باونتی استفاده نماید.

CrowdStrike تأکید می‌کند که هیچ‌یک از داده‌های دزدیده‌شده در فروشگاه‌های لاگ دزدها (Stealer Log Shops) ردیابی نشده‌اند، که بر نظریه استفاده انحصاری و هدفمند برای شناسایی آسیب‌پذیری و اخذ پاداش تقویت می‌کند. عامل تهدید ادعا کرده از نه موجودیت در بخش‌های فناوری، خرده‌فروشی و میهمان‌داری پاداش دریافت کرده است.

هویت‌های دیجیتال و ردپای عملیاتی (Attribution)

حداقل دو حساب npm اصلی زیر توسط این عامل مدیریت می‌شدند (هر دو در زمان انتشار گزارش غیرفعال شده‌اند):

  • jpdhellonpm1 — بسته مخرب transform-jsbi-to-bigint
  • jpd15 — بسته مخرب sort-imports-es6-autofix

هویت‌های مرتبط و کلاستر شده: jpd12، jpd13، npmhell، npmpackagejpd، npmtestdharsh، jpdhackerone11، packagedharsh.

در اوت ۲۰۲۵، محقق امنیتی مدی استیوارت (Maddie Stone) گزارش داد که این عامل ادعا کرده با انتشار یک بسته npm مخرب، یک آسیب‌پذیری اجرا کد از راه دور (RCE) را کشف و از طریق اسکریپت preinstall کد اجرایی روی ماشین قربانی راه‌اندازی کرده است.

گسترش به اکوسیستم پایتون (PyPI): استراتژی چندپلتفرمی

شواهد اخیر حاکی از تلاش عامل برای انتقال عملیات به مخزن Python Package Index (PyPI) است. بسته‌های پایتون حاوی کدی با تشابه ساختاری و عملکردی عمیق با PhantomRaven شناسایی شده‌اند، که نشان‌دهنده استراتژی مقیاس‌پذیر و چندپلتفرمی بودن این کمپین است.

معنای گسترده: دموکراسی‌سازی توسعه بدافزار و چالش زنجیره تامین

روایت PhantomRaven یک نقطه عطف است: موانع فنی برای ساخت بدافزارهای هدفمند، ماژولار و فرار از آنتی‌ویروس به شدت پایین آمده است. یک فرد با مهارت متوسط برنامه‌نویسی، با کمک یک LLM، می‌تواند در عرض ساعات یک Info-Stealer چندپلتفرم با قابلیت‌های ضدتحلیل (Anti-Analysis) بنویسد. این واقعیت ضرورت بازنگری در مدل‌های امنیتی زنجیره تامین نرم‌افزاری (Software Supply Chain Security) را دوچندان می‌کند — از پیاده‌سازی SLSA و امضای بسته‌ها (Sigstore/Cosign) تا پایش رفتار در زمان اجرا (Runtime Behavioral Monitoring) در خطوط CI/CD.

اقدامات پیشگیرانه پیشنهادی برای تیم‌های توسعه و امنیت

  • فعال‌سازی npm audit و بررسی npm signatures در تمام خطوط بیلد (Build Pipelines).
  • استفاده از OpenSSF Scorecard برای ارزیابی ریسک و здоровیت بسته‌های وابسته (Dependencies).
  • محدود کردن اجراهای preinstall/postinstall در محیط‌های ایزوله (Sandbox) و عدم اعتماد ضمنی به بسته‌های ناشناس یا جدیداً منتشرشده.
  • پیاده‌سازی Policy Engine (مانند OPA/Gatekeeper) برای مسدود کردن بسته‌های با نگهدارنده ناشناس یا الگوهای تایپواسکوآتینگ (Typosquat Detection).
  • چرخش منظم (Rotation) توکن‌ها، کلیدهای SSH و رازهای CI/CD به همراه مانیتورینگ لاگ‌های ورود غیرمنتظره و جغرافیایی نامتعادل.

پدیده PhantomRaven هشدار نهایی است: مرز بین «محقق امنیتی» و «عامل تهدید» در عصر هوش مصنوعی مولد محو شده، و دفاع‌های سنتی مبتنی بر امضاء (Signature-based) دیگر پاسخگو نیستند. سازمان‌ها باید به سمت تشخیص مبتنی بررفتار (Behavior-based Detection) و معماری اعتماد صفر (Zero Trust) در خط لوله توسعه نرم‌افزاری حرکت کنند.