网络安全研究人员披露了一起新的网络攻击活动详情,该活动利用WhatsApp作为分发媒介,在针对巴西的攻击中传播名为Astaroth的Windows银行木马。
这次攻击活动被安客诺斯威胁研究部门命名为Boto Cor-de-Rosa。
"该恶意软件会获取受害者的WhatsApp联系人列表,并自动向每个联系人发送恶意消息以进一步传播感染,"这家网络安全公司在分享给黑客新闻的报告中表示。
"虽然核心的Astaroth载荷仍采用Delphi编写,其安装程序依赖Visual Basic脚本,但新增加的基于WhatsApp的蠕虫模块完全用Python实现,突显了威胁行为者日益增长的多语言模块化组件使用趋势。"
Astaroth,也被称为Guildma,是一种银行恶意软件,自2015年以来在野外被检测到,主要针对拉丁美洲用户,特别是巴西用户,以便进行数据盗窃。2024年,多个被追踪为PINEAPPLE和Water Makara的威胁集群被观察到利用钓鱼邮件传播这种恶意软件。
使用WhatsApp作为银行木马的传播媒介是一种新策略,在针对巴西用户的威胁行为者中越来越受欢迎,这一趋势的推动力来自该消息平台在该国的广泛使用。上个月,趋势科技详细介绍了Water Saci依赖WhatsApp传播Maverick和Casbaneiro变种的情况。
索福斯在2025年11月发布的一份报告中表示,它正在追踪一个代号为STAC3150的多阶段恶意软件分发活动,该活动针对巴西的WhatsApp用户传播Astaroth。超过95%的受影响设备位于巴西,其次是美国和奥地利。
该活动自2025年9月24日以来一直活跃,传播包含下载器脚本的ZIP压缩包,该脚本检索PowerShell或Python脚本来收集WhatsApp用户数据以进一步传播,同时包含部署木马的MSI安装程序。安客诺斯的最新发现延续了这一趋势,通过WhatsApp消息分发的ZIP文件成为恶意软件感染的跳板。
"当受害者解压并打开压缩包时,他们会遇到一个伪装成良性文件的Visual Basic脚本,"该网络安全公司表示。"执行此脚本会触发下一阶段组件的下载,标志着入侵的开始。"
这包括两个模块:
一个基于Python的传播模块,该模块收集受害者的WhatsApp联系人,并自动向每个联系人转发恶意ZIP文件,有效地以蠕虫式方式传播恶意软件
一个在后台运行的银行模块,持续监控受害者的网络浏览活动,当访问银行相关网址时激活,以获取凭据并实现经济收益
"恶意软件作者还实现了一个内置机制来实时跟踪和报告传播指标,"安客诺斯表示。"代码会定期记录统计信息,如成功发送的消息数量、失败尝试次数,以及以每分钟消息数衡量的发送速率。"
Q&A
Q1:Astaroth银行木马是什么?
A:Astaroth,也被称为Guildma,是一种银行恶意软件,自2015年以来在野外被检测到,主要针对拉丁美洲用户,特别是巴西用户,以便进行数据盗窃。该木马包含两个主要模块:传播模块和银行模块。
Q2:Astaroth如何通过WhatsApp传播?
A:该恶意软件通过ZIP压缩包在WhatsApp上传播。当受害者解压并执行其中的Visual Basic脚本后,会下载一个Python传播模块,该模块收集受害者的WhatsApp联系人列表,并自动向每个联系人发送恶意ZIP文件。
Q3:Astaroth主要攻击哪些地区?
A:Astaroth主要针对拉丁美洲用户,特别是巴西。根据索福斯的报告,超过95%的受影响设备位于巴西,其次是美国和奥地利。威胁行为者选择WhatsApp作为传播媒介,是因为该平台在巴西的广泛使用。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。