BlueNoroff взламывает крипто-компанию за 5 минут через дипфейк-звонок: разбор атаки изнутри + ИНТЕРАКТИВ
Как BlueNoroff строит атаку: от Telegram до полного контроля над машиной
BlueNoroff — APT-группировка, связанная с Северной Кореей, — давно специализируется на крипто-секторе. Но то, что Rescana задокументировала в апреле 2026-го, качественно отличается от предыдущих кампаний.
Цепочка атаки выглядит так:
- Первый контакт — спирфишинг через Telegram или email. Атакующий притворяется известным инвестором или партнёром по блокчейн-проекту.
- Приглашение на встречу — жертва получает ссылку через Calendly или Google Meet. Ссылка ведёт на тайпсквоттинговый домен — например, zoom-meeting[.]io вместо zoom.us.
- Дипфейк в реальном времени — на встрече появляется синтезированный аватар с голосом и лицом реального человека. Используются вокодерные модели для речи и GAN/диффузионные модели для лица.
- Малварь (вредоносное программное обеспечение) — под видом «файла презентации» или «обновления плагина» жертва запускает macOS-троян.
- Персистенс (устойчивость соединения) — атакующие удерживают доступ в среднем 66 дней до обнаружения.
По данным Rescana, за последние месяцы скомпрометировано более 100 организаций в 20 странах. США, Сингапур и Великобритания — в топе по числу жертв. 80% пострадавших работают в крипто/блокчейн-финансах, 45% жертв — C-level или основатели.
Что делает атаку особенно опасной — модульная архитектура малваря. RAT, стилер учётных данных и механизм персистенса существуют как отдельные компоненты. Это затрудняет сигнатурное обнаружение: каждый модуль по отдельности может не триггерить EDR.
Почему дипфейк в реальном времени — это другой класс угрозы
Важно разделить два сценария, которые часто путают.
Сценарий А — заранее смонтированное видео или аудио. Его можно проверить постфактум: артефакты сжатия, несоответствие частоты кадров, аномалии в спектрограмме голоса. Именно с такими материалами обычно работает форензика.
Сценарий Б — дипфейк в реальном времени, как в атаках BlueNoroff. Здесь нет файла для анализа. Есть только живой поток, который человек воспринимает в условиях психологического давления — деловая встреча, дедлайн, авторитетный собеседник.
По факту, второй сценарий сложнее детектировать именно потому, что он эксплуатирует не техническую уязвимость, а когнитивную. Человек не думает «проверить подлинность» в момент, когда видит знакомое лицо и слышит знакомый голос.
Технические маркеры, которые всё же можно заметить при внимательном наблюдении:
- Задержка синхронизации губ — даже лучшие real-time модели дают лаг 80–150 мс при нестабильном соединении
- Аномалии при быстрых поворотах головы — диффузионные модели теряют качество на резких движениях
- Артефакты на границе волос и фона — особенно заметны при смене освещения
- Монотонность микромимики — синтезированные лица реже моргают и почти не демонстрируют асимметричные выражения
Но рассчитывать на то, что сотрудник заметит эти детали в реальном времени — наивно. Нужны процедурные барьеры, а не только перцептивные.
AI-фрод в e-commerce: когда бот ведёт себя лучше человека
Параллельно с таргетированными APT-атаками растёт другой тип угрозы — массовый AI-фрод в электронной коммерции. Здесь нет дипфейков, зато есть синтетические поведенческие профили, которые обходят классические антифрод-системы.
Как это работает на практике:
- GAN-модели генерируют синтетические профили пользователей с реалистичной историей браузинга, паттернами покупок и демографией
- LLM-боты имитируют динамику набора текста, паузы между кликами и даже голосовой ввод при телефонной верификации
- Системы автоматически «прогревают» аккаунты — совершают мелкие легитимные транзакции перед крупным мошенническим списанием
Традиционные rule-based триггеры — необычная сумма, нетипичная геолокация — здесь не работают. Бот намеренно держится в «зелёной зоне» по всем параметрам.
Результат: chargeback-фрод (намеренное оспаривание законной транзакции покупателем через банк) растёт, потому что синтетические транзакции выглядят как реальные покупки, а потом оспариваются под предлогом кражи личности. Захват аккаунта становится сложнее детектировать, потому что AI-фишинговые письма персонализированы до уровня, который раньше требовал ручной работы.
Платформы переходят на анализ микроповеденческих паттернов — динамика нажатия клавиш, снятие отпечатков пальцев устройства, аномалии в движении мыши. Но это гонка вооружений: атакующие дообучают модели на данных о том, как работает детекция.
Что это значит для форензики: три вывода из практики
За последние три месяца в DeepVerify пришло несколько кейсов, которые хорошо иллюстрируют текущую ситуацию.
Кейс первый. Компания из крипто-сектора подозревала, что переговоры с «инвестором» велись с дипфейком. Запись звонка сохранилась. Анализ спектрограммы голоса выявил характерные артефакты вокодерной синтезации — периодические «провалы» в высокочастотном диапазоне 8–12 кГц, которые не встречаются в живой речи. Плюс анализ видео показал аномальную частоту моргания — 4 раза в минуту против нормы 15–20. Заключение подтвердило: дипфейк.
Кейс второй. Финтех-стартап получил претензию от партнёра — тот утверждал, что никогда не отправлял голосовое сообщение с определёнными инструкциями. Аудиофайл прошёл через несколько детекторов, все дали «человек». Мы применили дополнительный анализ просодии — ритмические паттерны ударений не совпадали с известными записями этого человека. Вывод: синтез с клонированием голоса.
Кейс третий. E-commerce платформа хотела понять, почему классический антифрод пропускает определённый тип транзакций. Поведенческий анализ показал слишком «правильные» паттерны — реальные пользователи делают ошибки, исправляют их, колеблются. Синтетические профили были статистически аномально «чистыми».
Вывод, который я делаю из этих кейсов: детекция сместилась от визуального к статистическому. Смотреть глазами уже недостаточно. Нужен анализ распределений, аномалий в паттернах, сравнение с эталонными записями.
Процедурные барьеры важнее технических детекторов
Это звучит контринтуитивно, но на практике подтверждается раз за разом.
Технический детектор дипфейков даёт точность 85–92% на тестовых наборах. В реальных условиях — ниже, потому что атакующие знают о детекторах и адаптируются. Процедурный барьер работает независимо от качества синтеза.
Что реально снижает риск:
- Верификация через второй канал — перед любым действием по итогам видеозвонка перезвонить на известный номер. Не тот, что прислали в чате.
- Кодовые слова для критических решений — заранее согласованная фраза, которую должен произнести «партнёр» перед подтверждением транзакции
- Временной буфер — правило «никаких финансовых решений в течение 30 минут после звонка» ломает психологическое давление атаки
- Запись и логирование — любой звонок с обсуждением финансов пишется. Это и доказательная база, и сдерживающий фактор
MFA и EDR — необходимы, но недостаточны. BlueNoroff успешно обходит MFA через социальную инженерию.
Отдельно про суды. Российская судебная практика по дипфейк-мошенничеству пока формируется, но прецеденты уже есть. Ключевая проблема — доказательная сила форензического заключения. Суды принимают технические экспертизы, но требуют чёткого описания методологии и воспроизводимости результатов. Это отличает серьёзную форензику от «прогнал через детектор и написал вывод».
Что дальше: угроза будет расти, инструменты — тоже
Real-time дипфейки станут дешевле. Уже сейчас порог входа снизился до уровня, когда атаку может организовать небольшая группа без специализированного оборудования. Через 12–18 месяцев качество синтеза в реальном времени вплотную приблизится к уровню, когда визуальные артефакты исчезнут полностью.
Это означает, что форензика будет работать преимущественно с метаданными, поведенческими паттернами и статистическими аномалиями — а не с визуальными артефактами. Детекторы, обученные на «пикселях», будут проигрывать. Детекторы, обученные на «поведении» — выигрывать.
Для бизнеса это значит одно: инвестировать в процедуры сейчас, пока атаки ещё оставляют следы. Через год следов может не остаться.
Если у вас есть свежий случай с подозрительным аудио или видео — киньте в комментарии или в личку, разберу публично с разрешения. Сообщество узнает, как такое выглядит изнутри.
Спасибо, что дочитали! Обещанный интерактив. Какое из этих фото является сгенерированным нейросетью? В следующей статье напишу правильный ответ.