Вымогатели все эффективнее используют данные геолокации

Вымогатели все эффективнее используют данные геолокации

Вымогатели все эффективнее используют данные геолокации

По словам экспертов, вредоносные программы класса вымогатели используют технологию геолокации для более таргетированных атак пользователей. Благодаря различным базам данных приблизительное местонахождение устройства можно определить по его IP-адресу.

Эти базы данных поддерживаются провайдерами интернет-услуг (ISP) и службами обнаружения трафика (TDS). Используя эту информацию, можно определить приблизительное (с погрешностью в 10-20 миль) местоположение интересуемого устройства.

Как утверждают исследователи, информация о геолокации используется злоумышленниками для того, чтобы заражать вымогателями те регионы, которые, по их мнению, принесут им больший доход. Кроме того, данные геолокации позволяют хакерам адаптировать требования выкупа под каждый язык, а также гораздо более точечно рассылать спам, с учетом местных организаций.

Основная задача киберпреступников – ориентироваться на регионы с более высоким средним уровнем дохода, например, на США, Японию, Европу. Как показывает практика, пользователи в этих регионах готовы платить более 500 долларов за ключи для расшифровки. Таким образом, данные о местонахождении жертвы дают кибервымогателям сразу несколько преимуществ.

«Общаться с жертвой на ее языке» - еще один принцип, доказавший свою состоятельность. Если пользователю не придется тратить время на перевод требований мошенников, они быстрее получат свои деньги. Некоторые виды вредоносов-вымогателей в дополнение к данным геолокации также проверяют языковые настройки на компьютере.

Из всего вышесказанного можно сделать вывод, насколько важно для тех, кто стоит за вымогателями учитывать местоположение атакуемых устройств. Это дает множество преимуществ, особенно при использовании метода запугивания – когда пользователю приходит письма из якобы правоохранительных органов. Жертва вероятнее откроет письмо, если название организации будет соответствовать региону, где она находится.

Поэтому будьте всегда предельно внимательны, проверяйте и перепроверяйте поступившую информацию, от кого бы она ни была. Не стоит сразу открывать письма и переходить по ссылкам, даже если источник с виду легитимный.

В Security Vision SOAR появились ИИ-ассистент и ML-отчёты

Security Vision выпустила обновление платформы SOAR, добавив в неё несколько заметных функций — локальный ИИ-ассистент, ML-скоринг инцидентов и автоматические ML-отчёты по итогам расследований. Обновление ориентировано на повседневную работу SOC и обработку инцидентов без выхода за контур заказчика.

Security Vision SOAR используется для управления и автоматизации реагирования на инциденты информационной безопасности на всех этапах их жизненного цикла — от выявления и анализа до восстановления и постинцидентной работы.

В основе платформы лежит объектно-ориентированный подход: каждый элемент инцидента — будь то хост, учётная запись, процесс или артефакт — рассматривается как отдельный объект со своей историей, связями и возможными действиями.

Сценарии реагирования в системе динамические: плейбуки автоматически подстраиваются под развитие инцидента, появление новых данных и техник атак. Дополнительно платформа выстраивает цепочку Kill Chain, показывая, как развивалась атака и какие шаги предпринимал злоумышленник.

Система также предлагает рекомендации по дальнейшим действиям, опираясь на контекст инцидента, накопленный опыт SOC и ML-модели, включая оценку вероятности ложного срабатывания.

 

В новом релизе появился локальный ИИ-ассистент в формате чат-бота. Он работает полностью внутри инфраструктуры заказчика и не обращается к внешним сервисам. Ассистент учитывает контекст конкретного инцидента — его стадию, связанные объекты, историю действий и похожие кейсы — и помогает аналитикам разбираться в событиях, расшифровывать логи, понимать техники атак или формировать команды для диагностики. Модель может дообучаться прямо в SOC на результатах обработки инцидентов и аналитических бюллетенях, при этом все данные остаются внутри контура.

Ещё одно нововведение — ML-скоринг критичности инцидентов. Модель автоматически оценивает приоритет события на основе его масштаба и значимости затронутых активов, что упрощает триаж и помогает быстрее понять, какие инциденты требуют внимания в первую очередь.

Также в платформе появился ML-summary — автоматическое резюме по итогам расследования. При закрытии инцидента система формирует краткий отчёт в едином формате: что произошло, какие действия были выполнены, к какому результату они привели и удалось ли атакующему чего-то добиться. Такое резюме сохраняется в карточке инцидента и отчётности, упрощая передачу дел между сменами и снижая потерю контекста.

В целом обновление направлено на то, чтобы упростить и ускорить рутинную работу SOC: быстрее разбираться в инцидентах, снижать нагрузку на аналитиков и сохранять знания внутри команды без необходимости вручную оформлять каждый шаг расследования.

RSS: Новости на портале Anti-Malware.ru