Individuare una pagina contraffatta, oggetto di phishing, che imita una schermata di login è stato per anni un compito basato su due premesse: si analizzava il codice sorgente e si contava sul fatto che allestirla richiedesse una bassa manualità tecnica.
I Large Language Models (LLM) hanno smontato entrambe: oggi un prompt in linguaggio naturale è sufficiente per ottenere una schermata di login credibile, senza disporre dell’originale né saper scrivere una riga di codice.
Nel nuovo studio AI4Cyber of Cyber Studios di T-Defence esaminiamo questa trasformazione attraverso quattro leve che agiscono in modo sinergico:
- scala: la centesima variante non costa più della prima;
- personalizzazione: lingua, tono e aspetto adattati al singolo bersaglio senza penalizzarne il volume;
- mutazione: l’output non deterministico rende ogni replica un esemplare unico nel codice, indebolendo le difese basate su firme;
- abbassamento della barriera tecnica d’ingresso: allarga e rende meno prevedibile il numero di attori che può tentare un’operazione.
Il riconoscimento di queste pagine non può più affidarsi al solo confronto mediante cataloghi di firme note, ma dovrebbe spostarsi sull’osservazione dei comportamenti, come ad esempio i pattern con cui un’infrastruttura preleva risorse o l’intento che un’applicazione manifesta.
Mentre il rischio riguarda ormai anche l’ampia platea di dispositivi connessi, e non solo i grandi marchi, delle contromisure efficaci già esistono e agiscono su più livelli: dall’autenticazione resistente al phishing alla progettazione più attenta dei sistemi coinvolti.
If you wish to learn more, here is the link to our comprehensive study.
In addition, you can subscribe to the specific mailing list Cyber Studios by T-Defence, to receive updates on upcoming research:
