Cisco Talos beskriver VOLTA-infostealerns steg för att rangordna offer med en stor språkmodell

Cisco Talos-forskaren Ryan Fetterman publicerade den 31 oktober 2026 en analys av VOLTA-AUTODOXER, en självraderande infostealer för Windows som efter en omfattande inhämtning av inloggningsuppgifter använder ett steg med en stor språkmodell för att rangordna varje offers tillgångar som kan omvandlas till pengar.

Talos beskriver VOLTA som en avancerad stjälarmodul med ett valfritt AI-integreringslager och uppger att varje observerad slutpunkt kontrolleras av en tredje part, utan någon infrastruktur som ägs av angriparen. Enligt Talos är det nya med AI-steget att modellen agerar underrättelseanalytiker åt operatören i stället för att stödja en traditionell skadlig programfunktion. Den omvandlar en rå logg över stulna inloggningsuppgifter till en prioriterad dossier över offrets tillgångar som kan omvandlas till pengar, med hänvisningar som belägg.

Skadeprogrammet upptäcktes genom Talos forskningsinitiativ CAIRN. Den 22 september 2026 släppte Talos CAIRN, Cognitive Artifact Intelligence Research Network, som ett verktyg med öppen källkod för att söka efter, klassificera och spåra skadeprogram med AI-integration genom metadataartefakter som inbäddade instruktioner, leverantörers slutpunkter och API-nycklar, utan att ladda ned eller köra de underliggande binärfilerna. Vid lanseringen uppgav Talos att de skulle dela sina första fynd över tid, med början i CLOSEDQUORUM, en implantatmodul som de beskrev som en helt autonom orkestrerare för konsensus mellan flera modeller, utan mänsklig operatör.

Insamling och berikning av sessioner

Vid en enda körning hämtar VOLTA inloggningsuppgifter, kakor och sparade betalkort från Chromium-baserade webbläsare, liksom data från Firefox och Thunderbird, Outlook-profiler, Slack-arbetsytor, Steam- och Battle.net-sessioner, Discord-token, Telegram-sessioner, Roblox-konton, Microsoft OAuth-token, konfigurationsfiler för SSH och molnleverantörer för gcloud, OpenVPN och Hide.me, Wi-Fi-profiler och skärmbilder. I stället för att bara kopiera kryptovalutaplånböcker kör stjälaren en inbäddad lösenordsknäckare mot plånboksvalvet under samma körning och registrerar resultatet på raden WALLET VAULTS CRACKED i sin egen rapport. Ett direkt anrop till WlanGetProfileList dumpar alla sparade Wi-Fi-lösenord på värddatorn i klartext.

Därefter återanvänder VOLTA de stulna sessionerna för att hämta ytterligare information i realtid. Med offrets egna autentiserade Gmail-token söker VOLTA igenom inkorgen efter kvitton från Amazon, DoorDash, Uber Eats, Grubhub, Walmart och PayPal för att bekräfta en hemadress. Programmet hämtar orderhistorik direkt från Uber Eats och DoorDash, kompletterar offrets Discord-profil med hjälp av den stulna tokenen och värderar Roblox-inventariet genom en sökning i realtid på Rolimons.com. Det insamlade materialet sammanställs lokalt i ett strukturerat bevisunderlag som innehåller geolokalisering och hemadress, arbetsgivare och arbetsgivarens domän, uppskattat födelseår, kortets fyra sista siffror, Slack-arbetsytor, metadata om dokumentförfattarskap och indikatorer på iPhone-säkerhetskopior. Därefter sparas det som Identity_Report.txt och serialiseras som JSON.

Modellens bedömning sparas som AI_Analysis.txt, och exfiltreringen kan ske i tre stegvisa arkiv: volta_log.zip efter att stjälaren har körts, volta_dox.zip efter AI-anropet och volta_doxnet.zip om nätverksberikningen ger något resultat.

Rangordningssteget i OpenRouter

Det serialiserade bevisunderlaget skickas med en POST-begäran till OpenRouters slutpunkt för chattkompletteringar. I systeminstruktionen uppmanas modellen att agera som ”en kriminalteknisk underrättelseanalytiker som utarbetar en bedömning av ett mål”. Det obligatoriska svaret ska innehålla avsnittet VAD DE ÄR VÄRDA, där offrets värdesaker rangordnas efter hur mycket de kan inbringa och placeras i kategorierna lågt, medelhögt och högt, samt avsnittet DERAS OPSEC, där offrets säkerhetsnivå och lösenordshygien bedöms. Instruktionen uppmanar också modellen att koppla samman glesa datapunkter, till exempel genom att koppla offrets namn, adress eller universitet till mönster i lösenorden. Talos påpekar att modellen inte ombeds att så mycket hitta data som dra slutsatser som ökar värdet av det som redan har samlats in.

Den hårdkodade konfigurationen använder anthropic/claude-opus-4.6 som standardmodell, med en reservkedja bestående av moonshotai/kimi-k2 följt av google/gemini-2.5-flash, en temperatur på 0,2 och handbyggda JSON-förfrågningar utan SDK samt en Mozilla/5.0 User-Agent. Talos menar att den låga temperaturen tyder på att operatören prioriterar precision och konsekvens, och beskriver reservkedjan som ett byte till mindre, mer tillåtande modeller när avslag uppstår.

VOLTA kontrollerar varje modellsvar efter avslagsfraser som ”Jag kan inte” innan programmet går vidare i en kedja med upp till tre modeller. Det kan också köras helt utan LLM-steget om ingen API-nyckel finns. Hela inferensförloppet fram och tillbaka körs på offrets dator via offrets egen nätverksanslutning; först därefter exfiltreras resultatet.

Distribution via byggverktyg och motåtgärder

I stället för att hårdkoda sin Telegram-kanal, sina API-nycklar och sina inställningar kompileras VOLTA från en mall med sex utbytbara platser som fylls i vid byggtillfället. Enligt Talos tyder detta på en modell där upphovspersonen säljer åtkomst, köparna anger sina egna värden och en anpassad binärfil kompileras för varje beställning. Om den modellen stämmer är AI-dossiern, enligt analysen, en kommersiell funktion som gör det möjligt för kunder oavsett teknisk kunskapsnivå att få rangordnade målanalyser i en Telegram-inkorg, snarare än en funktion som upphovspersonen byggt för eget bruk. Uppgifterna i platserna krypteras med en nyckel som härletts som SHA-256 av två konstanter i samma binärfil. Enligt Talos ger detta inget meningsfullt skydd, eftersom alla som baklängeskompilerar filen kan återskapa uppgifterna.

En stor del av VOLTAs tokenstöld bygger på att kringgå App-Bound Encryption i Chrome. Talos säger att en policy för programkontroll som begränsar vilka processer som får starta Chrome med headless-flaggan helt skulle blockera den här dekrypteringsvägen. Som ett minimum rekommenderar Talos att man skapar en varning när Chrome startas i headless-läge av en oväntad process, samt använder maskinvarubaserad lagring av autentiseringsuppgifter. Efter en kompromettering rekommenderar Talos att filen volta_debug.txt bevaras. Den är en insamlingslogg med tidsstämplar som visar exakt vad som samlades in och om LLM-anropet lyckades. Därefter bör potentiellt komprometterade token återkallas och lösenord ändras. Alla plånböcker vars seedfras lagrats i klartext på en disk bör betraktas som helt komprometterade, och tillgångarna bör flyttas till en ny plånbok med en seedfras som genererats på en nätverksisolerad enhet.

Enligt Talos innebär förbättringen med AI-lagret att arbetsinsatsen flyttas, snarare än att arbetet går snabbare eller kan utföras i större skala. Det bygger på samma grundläggande logik som Talos identifierade i CLOSEDQUORUM, men tillämpas i en annan fas av operationen. Analysen drar slutsatsen att motståndskraft mot modellvägran kan bli ett standardkrav i takt med att AI-integrering i skadlig kod mognar.

Talos anger att det analyserade exemplaret är en PE32+-binärfil för x86-64 med SHA-256-hashen 57ef4242666d78c50df145b34023df564f0fad38812d6a580e66433d427e2279. Den observerades under filnamnen 9BY0tjwOc3ut.exe och yLP9m5J3i2Aw.exe, har en PE-tidsstämpel från 17 augusti 2026 och sågs första gången klockan 12:46 UTC den 11 oktober 2026.