CAIRN: ANALISANDO MALWARE APOIADO POR INTELIGÊNCIA ARTIFICIAL

Quando o malware começa a conversar com IA

Tradicionalmente, analistas de malware procuram strings, domínios, IPs, infraestrutura C2, mutexes, APIs e padrões de código. Com malware apoiado por IA, novos tipos de artefatos começam a aparecer: templates de prompts, endpoints de provedores de IA, referências a modelos, padrões de API keys, instruções para LLM, jailbreak wording. A Cisco Talos batizou esses de “cognitive artifacts” — rastros deixados por desenvolvedores que integram modelos de IA às suas ferramentas ofensivas. Entender esses artefatos exige uma mudança de mentalidade: não buscamos mais apenas infraestrutura, mas também a lógica cognitiva que o malware delega a modelos externos.

O que são Cognitive Artifacts

Cognitive artifacts são evidências técnicas de que um malware utiliza modelos de linguagem para tomar decisões. Incluem: templates de prompts com placeholders runtime (ex: TARGET: %s), endpoints de provedores de LLM (OpenAI, Anthropic, etc.), referências a modelos específicos (gpt-4, claude-3, etc.), padrões e prefixos de API keys, jailbreak wording para burlar guardrails, e estruturas de resposta desserializadas em código (ex: Go structs). Diferente de IOCs tradicionais, esses artefatos revelam a intenção cognitiva do malware — o que ele pede para a IA decidir — e não apenas onde ele se conecta.

O que é o CAIRN

CAIRN significa Cognitive Artifact Intelligence Research Network. A metáfora do nome: um cairn é um conjunto de pedras usado para marcar trilhas. Da mesma forma, o CAIRN marca os rastros deixados por desenvolvedores que conectam LLMs às suas ferramentas. Foi desenvolvido pela Cisco Talos como ferramenta de pesquisa — NÃO é um feed de ameaças em tempo real, NÃO é antivírus, NÃO é EDR, NÃO é sandbox. É uma ferramenta para pesquisadores identificarem, organizarem e agruparem amostras que utilizam IA, trabalhando exclusivamente sobre metadados do VirusTotal, sem necessidade de baixar ou executar as amostras.

Como o CAIRN funciona

A arquitetura conceitual do CAIRN segue o fluxo: VirusTotal (metadados) → CAIRN → Regras YARA / Filtros → Artefatos relacionados à IA → Classificação em tiers → Clustering semântico → Interface de exploração. A abordagem evita download e execução direta de amostras — tudo opera sobre metadados já indexados pelo VirusTotal. O CAIRN agrupa achados em três níveis evolutivos: correspondências simples de strings relacionadas a IA, sinais comportamentais, e famílias/clusterings semânticos. O clustering agrupa amostras semelhantes mesmo quando não compartilham strings óbvias, analisando o significado semântico dos artefatos.

Preparando o ambiente

A instalação começa clonando o repositório oficial e criando um ambiente virtual Python isolado:

git clone https://github.com/Cisco-Talos/cairn.git
cd cairn
python3 -m venv venv
source venv/bin/activate
pip install -r requirements.txt

O repositório oficial é mantido pela Cisco Talos. O requirements.txt instala as dependências necessárias: yara-python, requests, python-dotenv, rich (para CLI), e bibliotecas de clustering/embedding.

Configurando a VirusTotal API

O CAIRN necessita de uma chave de API do VirusTotal para consultar metadados. A configuração é feita via arquivo .env:

cp .env.example .env
nano .env  # edite e adicione: VT_API_KEY=SUA_API_KEY

NUNCA publique ou compartilhe sua API key real. Use placeholder seguro (SUA_API_KEY) na documentação. A API do VirusTotal é o motor de dados do CAIRN — sem ela, a ferramenta não consegue consultar metadados de amostras.

Validando as regras YARA

Antes de pesquisar, valide as regras YARA incluídas no CAIRN. O comando verifica sintaxe, compilação e se as regras estão prontas para uso:

cairn validate-rules

Validar as regras antes da pesquisa evita falhas silenciosas durante o pull. As regras YARA do CAIRN são projetadas para detectar padrões relacionados a IA: imports de bibliotecas LLM, strings de prompt templates, endpoints de API, padrões de API keys, etc.

Conhecendo os filtros

O CAIRN vem com filtros (saved searches) pré-definidos que representam ideias de caça prontas para uso. Liste-os com:

cairn filters

Cada filtro é uma consulta salva no VirusTotal que busca padrões específicos: arquivos Python que importam bibliotecas de LLM, structs Go que desserializam respostas de modelos, endpoints de API de provedores conhecidos, templates de prompt com placeholders, padrões de API keys, etc. O comando apenas lê o arquivo de configuração local — não faz requisição de rede.

Buscando artefatos relacionados à IA

Para coletar resultados usando um filtro específico, use o comando pull. O exemplo clássico:

cairn pull --filter python-ai-scripts --limit 10

O pull consulta o VirusTotal usando o filtro selecionado, baixa os metadados das amostras correspondentes (até o limite definido), e armazena na base local do CAIRN. –filter especifica qual saved search usar; –limit controla quantos resultados trazer. IMPORTANTE: o CAIRN NÃO baixa nem executa as amostras — apenas metadados.

Resumindo os resultados

Após o pull, o comando summarize apresenta um resumo do que foi armazenado localmente:

cairn summarize

O summarize lê apenas a base local (SQLite) e reporta: quantos arquivos foram coletados, quais regras YARA dispararam, quantos por tipo de artefato (prompt template, endpoint, api key, etc.), e estatísticas gerais. Não faz nenhuma requisição externa.

Explorando os clusters

O comando explore abre uma interface visual (baseada em Rich/TUI) para navegar nos clusters gerados:

cairn explore

Clustering semântico

Uma das capacidades mais poderosas do CAIRN é agrupar amostras semelhantes por significado semântico, não apenas por strings compartilhadas. O clustering analisa embeddings dos artefatos cognitivos (prompts, structs de resposta, padrões de API) e descobre famílias de malware que usam padrões de IA semelhantes, mesmo quando o código ofuscado não revela strings óbvias em comum. Isso permite descobrir variantes e evolução de famílias que ferramentas baseadas apenas em YARA/strings tradicionais perderiam.

Quando o malware utiliza IA para decidir: CLOSEDQUORUM

A pesquisa da Cisco Talos (reproduzida pela fonte) analisou o CLOSEDQUORUM — o primeiro implante Windows publicamente documentado que aplica LLMs comerciais a decisões táticas de C2. Após deploy, ele usa modelos de IA para decidir o que fazer a seguir e executa a decisão coletiva para colher credenciais de usuários e carteiras de criptomoedas. Não precisa de um humano governando o processo: a IA faz tudo.

C2 Tradicional vs C2 Apoiado por LLMs

O modelo tradicional de C2 requer infraestrutura de servidor atribuível e bloqueável: Malware → Servidor C2 → Operador → Comandos → Malware. O CLOSEDQUORUM inverte esse modelo: em vez de servidor próprio, chama até quatro endpoints comerciais de provedores de LLM (usados por milhares de aplicações legítimas diariamente): Malware → Endpoints de provedores LLM → Modelos → Decisão estruturada → Malware. Isso complica bloqueio e atribuição tradicional, pois o tráfego se mistura ao ruído legítimo de APIs de IA.

CLOSEDQUORUM: Análise Técnica

O implante é um binário Windows (Go) que incorpora lógica para consultar múltiplos provedores de LLM. A engenharia reversa pela Cisco Talos revelou a arquitetura interna:

O malware define provedores (OpenAI, Anthropic, etc.), modelos (gpt-4, claude-3, etc.) e templates de prompt. O prompt usa placeholders runtime — ex: TARGET: %s — que são substituídos no momento da execução com alvos reais (credenciais, carteiras, etc.).

Prompt Templates como Artefatos

Malware apoiado por IA pode conter templates técnicos de prompts com placeholders que são preenchidos em runtime:

O placeholder TARGET: %s é substituído dinamicamente com o alvo da operação (ex: caminho de carteira de criptomoedas, arquivo de credenciais). Isso transforma o prompt em um artefato forense: o template revela a intenção do malware sem precisar executá-lo.

Respostas Estruturadas e Decisões do Modelo

A resposta do LLM não é texto livre — é uma estrutura desserializada diretamente em código Go:

A resposta do modelo é parseada para uma struct Go com campos como capabilities (capacidades disponíveis), actions (ações a executar), targets (alvos), reasoning (justificativa). O malware então executa a ação decidida pelo modelo. Isso torna o fluxo de decisão auditable via artefatos estáticos: a struct Go define o contrato entre IA e malware.

Resultados e Capacidades Descobertas

O CAIRN revela as capacidades que o malware delega à IA. No caso do CLOSEDQUORUM, incluem coleta de credenciais, enumeração de carteiras de criptomoedas, decisões de movimentação lateral, e escolha de técnicas de evasão — tudo decidido pelo painel de LLMs.

O que muda na análise de malware

Investigadores passam a procurar uma nova camada de indicadores: templates de prompt com placeholders runtime, endpoints de provedores de LLM hardcoded ou configuráveis, referências a modelos específicos (gpt-4, claude-3-opus, etc.), padrões de API keys (sk-, sk-ant-, etc.), jailbreak wording para burlar guardrails, structs Go/JSON para desserialização de respostas. Esses cognitive artifacts complementam IOCs tradicionais e permitem atribuir famílias de malware apoiado por IA mesmo quando a infraestrutura C2 tradicional está ausente.

Limitações do CAIRN

O CAIRN é uma ferramenta de pesquisa, não um produto operacional. Limitações conhecidas: depende da API do VirusTotal (rate limits, custo); trabalha apenas sobre metadados — não analisa comportamento dinâmico; regras YARA podem gerar falsos positivos/negativos; clustering semântico depende da qualidade dos embeddings; não substitui engenharia reversa profunda; feed não é em tempo real; cobertura limitada às amostras indexadas no VirusTotal. É uma bússola para mostrar “para onde os hackers estão indo”, nas palavras da Talos.

O futuro da análise de malware apoiado por IA

À medida que mais malware incorpora LLMs para decisões táticas, a fronteira entre análise estática e análise cognitiva se torna central. Ferramentas como o CAIRN mostram o caminho: metadados em escala + regras YARA direcionadas + clustering semântico = descoberta de famílias inteiras que compartilham lógica cognitiva. O analista do futuro precisará fluir entre assembly, tráfego de rede, e agora também: prompt engineering reverso, estruturas de resposta de modelos, e topologia de provedores de IA. O CAIRN é o primeiro marco público nessa direção.

Conclusão

CAIRN demonstra que malware apoiado por IA não é ficção científica — é realidade documentada (CLOSEDQUORUM). A ferramenta da Cisco Talos permite pesquisadores identificarem cognitive artifacts (prompt templates, endpoints LLM, API key patterns, structs de resposta) via metadados do VirusTotal, sem executar amostras. O clustering semântico agrupa famílias por lógica cognitiva compartilhada, revelando evolução que strings tradicionais não capturam. Isso não substitui engenharia reversa — adiciona uma nova dimensão: a análise da intenção cognitiva delegada a modelos externos. O analista que ignora essa camada ficará cego para a próxima geração de ameaças. O CAIRN é open source, mantido pela Talos, e aponta o caminho: o futuro da threat intelligence inclui ler o que o malware pede para a IA decidir.