Phantom Squatting utiliza dominios alucinados por IA para phishing y malware – CYBERDEFENSA.MX

Los grandes modelos lingüísticos siguen inventando direcciones web que no existen. Los atacantes comenzaron a comprar esos dominios inventados antes que nadie y luego alojaron páginas de phishing en ellos para captar el tráfico que las herramientas de inteligencia artificial señalan en su dirección.

La Unidad 42 de Palo Alto Networks decide el truco fantasma en cuclillasy su nueva investigación muestra que ya está sucediendo en la naturaleza.

La razón por la que importa es la confianza. Los desarrolladores y asistentes de IA tratan cada vez más los enlaces que un modelo devuelve como reales. Cuando un modelo inventa un dominio que aún no existe, quien lo registre primero hereda toda esa confianza fuera de lugar, sin necesidad de correo electrónico de phishing ni publicidad maliciosa.

Para medir el problema, la Unidad 42 formuló a dos modelos de IA 685.339 preguntas sobre 913 marcas conocidas en tecnología, finanzas, atención médica, gobierno, juegos de azar y otros sectores.

Los modelos produjeron 2,1 millones de enlaces. La inteligencia de amenazas ya marcó 13.229 de ellos como abiertamente maliciosos, lo que significa que la IA estaba repartiendo direcciones conocidas como malas. Aproximadamente 250.000 de los dominios inventados aún no tenían dueño, y cada uno de ellos era un objetivo listo para quien los registre primero.

Cómo funciona la sentadilla fantasma

El ataque funciona porque un dominio nuevo no tiene reputación. Las listas de bloqueo, las fuentes de amenazas y las puntuaciones de reputación necesitan que un sitio se comporte mal durante un tiempo antes de marcarlo.

Ciberseguridad

Un dominio fantasma recién registrado no tiene ese registro, por lo que esos filtros no tienen nada que señalar. Cuando se ponen al día, la víctima ya ha sido enviada al sitio mediante una herramienta en la que confían.

Dos detalles lo empeoran. Los dominios falsos no estaban en los datos de entrenamiento: ambos modelos se enviaron antes de que existieran los sitios maliciosos reales, por lo que las direcciones provienen de los propios patrones de lenguaje de los modelos, no de la memoria. Y esos patrones son consistentes.

A menudo, diferentes modelos inventan el mismo dominio falso para la misma pregunta, lo que hace que sea fácil adivinar el próximo objetivo de un atacante. Aumentar la configuración de «creatividad» de un modelo sólo produjo más dominios inventados. Como lo expresaron los investigadores de la Unidad 42, el vector «explota una propiedad estructural de las arquitecturas LLM que sigue siendo inherentemente imposible de parchear».

Dos casos observados

Dos casos muestran el ciclo completo. El 8 de marzo de 2026, el sistema de la Unidad 42 predijo que los modelos de IA inventarían un dominio parecido al mercado en línea de un servicio postal nacional. Ambos modelos lo generaron en cada ajuste de temperatura, una fuerte señal de que trataron el sitio falso como si fuera un hecho.

Veintitrés días después, el 31 de marzo, un atacante registró ese dominio exacto y creó un kit de phishing llamado Montana Empire. El kit copió el escaparate real en tiempo real. Robó números de tarjetas, datos de transferencias bancarias y datos de identificación nacional.

Un bot de Telegram permite al operador aprobar manualmente las contraseñas de un solo uso de las víctimas. La revelación: los archivos sobrantes del proyecto y los registros de sesiones mostraron que el criminal había creado el kit con un asistente de codificación de IA. El atacante y el defensor llegaron al mismo dominio falso de la misma manera, preguntando a una IA.

En el segundo caso, la Unidad 42 detectó un dominio de servicio postal alucinado 51 días antes de que un atacante lo registrara. Luego, el atacante lo envolvió en un clon de marca con píxeles perfectos, agregó una calificación falsa de 4,8 estrellas y un reclamo de más de dos millones de usuarios, y lo usó para impulsar una aplicación maliciosa de Android.

Otros dominios detectados se hacían pasar por un importante banco de los Emiratos Árabes Unidos del que un atacante ya había estado abusando durante casi un año, un banco europeo y sitios de apuestas deportivas dirigidos a usuarios de Bangladesh.

Un viejo truco con un nuevo objetivo

La sentadilla fantasma es la versión de dominio de cuclillasdonde los atacantes registran los nombres de paquetes de software falsos que inventan las herramientas de codificación de IA. Eso no es hipotético.

un grande Estudio USENIX Los modelos de generación de código encontrados sugieren rutinariamente nombres de paquetes que no existen, y la campaña PhantomRaven convirtió exactamente ese comportamiento en malware oculto en paquetes de 126 npm con más de 86.000 instalaciones.

Ciberseguridad

Apunta a un cambio mayor: los resultados del modelo se están convirtiendo en insumos. Los desarrolladores, agentes y equipos de seguridad actúan sobre enlaces y nombres generados por IA antes de que alguien los verifique, y la IA sigue reduciendo el tiempo que los defensores tienen para reaccionar.

También aterriza en un mundo donde el phishing de suplantación de marca es ahora un servicio pago, con kits como Lucid y Lighthouse que defienden 17.500 dominios falsos contra 316 marcas en 74 países.

que hacer

Debido a que los modelos alucinan constantemente, los equipos de seguridad pueden mapear qué dominios falsos es probable que produzca un modelo y observar a cualquiera que los registre, a menudo con semanas de advertencia. Para todos los demás, los pasos prácticos son sencillos:

  • No confíes en un enlace sólo porque lo dio una IA. Confirme que el dominio sea el oficial real antes de escribir una contraseña o pegarla en el código.
  • Evite que los agentes de IA abran o descarguen automáticamente enlaces generados por modelos sin verificación. Un agente no tiene instinto para dudar como lo haría una persona.
  • Trate todo lo que escriba un modelo como un borrador no verificado, no como una autoridad.

Esa ventana está abierta y recompensa a quien se mueve primero. La verdadera pregunta, tal como la plantea la Unidad 42, es simplemente si los defensores o los atacantes llegan antes a estos dominios.

La falla del SDK de Google Vertex AI permite a los atacantes secuestrar cargas de modelos a través de Bucket Squatting – CYBERDEFENSA.MX

Una falla en el SDK de Google Cloud Vertex AI para Python permitió a un atacante sin acceso al proyecto de una víctima secuestrar el modelo de aprendizaje automático de la víctima, cargar y ejecutar código dentro de la infraestructura de servicio de Google.

Unidad 42 de Palo Alto Networks, que encontró y reportado El error a través del programa de recompensas por errores de Google, llama a la técnica «Pepinillo en el medio» y dijo que no vio ninguna explotación en la naturaleza. Google lo ha parcheado; si usa el SDK, actualice a la versión 1.148.0 o posterior.

El atacante solo necesitaba un proyecto propio de Google Cloud y el ID del proyecto de la víctima, que suele ser público. Sin credenciales, sin phishing, sin punto de apoyo en el objetivo.

La falla estaba en cómo el SDK eligió un depósito temporal de Cloud Storage para la carga de modelos. Si un usuario no configuró un depósito, el SDK generó un nombre predecible a partir del ID del proyecto y la región, como región-ensayo-vértice-del-proyecto. Comprobó si ese cubo existía, pero no si la víctima era su propietario.

Debido a que los nombres de los depósitos son globalmente únicos, un atacante podría crear primero el depósito esperado en su propio proyecto. El SDK de la víctima luego cargaría los archivos del modelo en el depósito del atacante. Luego, el atacante podría reemplazar el modelo cargado por uno malicioso.

Ciberseguridad

Muchos modelos de Python ML se guardan con conservar en vinagre o biblioteca de trabajoque puede ejecutar código cuando se carga un archivo. Cuando Vertex AI cargó más tarde el modelo intercambiado, el código del atacante se ejecutó dentro del contenedor de servicio.

El ataque dependía de la velocidad. La Unidad 42 midió aproximadamente 2,5 segundos entre la carga de la víctima y Vertex AI leyendo el archivo. En su prueba de concepto, el atacante utilizó una función en la nube que se activó después de la carga y reemplazó el modelo en 1,4 segundos, antes de que Vertex AI lo leyera.

Luego, la carga útil robó un token OAuth del servidor de metadatos del contenedor de servicio y lo envió al atacante. En el entorno de prueba de la Unidad 42, ese token no se limitó a la implementación comprometida. Podría acceder a otros artefactos del modelo en el mismo proyecto de inquilino administrado por Google, incluido un modelo TensorFlow completo con pesos entrenados, así como metadatos de BigQuery, listas de acceso, registros de inquilinos, nombres de clústeres de GKE y rutas de imágenes de contenedores internos.

El ataque solo funcionó bajo condiciones específicas: el depósito de preparación predeterminado de la víctima no existía aún en esa región y la víctima abandonó el cubo_puesta en escena parámetro desarmado. El primero es común para un nuevo proyecto en Vertex AI en una región.

El segundo depende de que el desarrollador confíe en el valor predeterminado del SDK en lugar de nombrar su propio depósito.

La Unidad 42 informó la falla a través del Programa de recompensa por vulnerabilidades de Google el 5 de marzo de 2026. Probó las versiones 1.139.0 y 1.140.0, las últimas disponibles en ese momento, y encontró que ambas eran vulnerables.

Google envió una solución inicial en v1.144.0 el 31 de marzo, agregando un uuid4 aleatorio al nombre del depósito. Completó la solución en v1.148.0 el 15 de abril, se agregó la verificación de propiedad del depósito para bloquear la okupación del depósito en Model.upload(). Al momento de su publicación, ni Unit 42 ni los boletines de seguridad Vertex AI de Google enumeran un CVE para el problema.

Ciberseguridad

Actualice a 1.148.0 o posterior para que la verificación de propiedad esté activa. Además, establezca un staging_bucket explícito en una ubicación de Cloud Storage que controle al cargar modelos. Debido a que la lógica defectuosa reside en el SDK del cliente, verifique la versión de google-cloud-aiplatform dondequiera que se ejecute, incluidos los cuadernos, los trabajos de CI y los canales de capacitación, no solo los servicios de producción.

Es la segunda falla con nombre de depósito predecible que surge en Vertex AI este año. Google parcheado CVE-2026-2473 en febrero, un error separado en Vertex AI Experiments que también permitió la ejecución de código entre inquilinos, el robo de modelos y el envenenamiento.

El trabajo anterior de la Unidad 42 sobre los permisos de agente de servicio predeterminados de Vertex AI trazó una ruta relacionada desde un agente de IA implementado hasta los datos de clientes e inquilinos.