vous êtes sur le clearnet. les adresses listées ici ne s'ouvrent qu'à l'intérieur du réseau tor - téléchargez le navigateur tor ici »
AlphaBay.Market
FR
dernière vérification : il y a 12 min 260 onions suivis
accueil / actus / sécurité
02 novembre 2026 sécurité 7 min de lecture

Stealer VOLTA : l’IA classe les victimes selon leur valeur financière

Cisco Talos a publié des recherches sur un infostealer Windows qui fait quelque chose d’inhabituel des données qu’il dérobe : il remet le paquet complet à un grand modèle de langage et demande combien vaut la victime. Le malware se nomme VOLTA-AUTODOXER, ou VOLTA, et le chercheur de Talos Ryan Fetterman l’a documenté dans un billet publié le 31 octobre 2026. Une couverture plus large a suivi le 2 novembre dans The Hacker News et Help Net Security.

Ce qu’il collecte

VOLTA extrait les identifiants enregistrés et les cookies des navigateurs Chromium, les cartes bancaires, les fichiers de portefeuilles de cryptomonnaies et les phrases de récupération, les jetons OAuth Microsoft, les clés SSH et la configuration de fournisseurs cloud, les données Outlook et Slack, ainsi que les jetons de session de Discord, Telegram, Steam, Battle.net et Roblox. Il exporte en clair tous les profils Wi-Fi enregistrés, prend des captures d’écran et note la présence éventuelle d’une sauvegarde iPhone. Talos documente aussi un casseur de portefeuilles intégré qui inscrit une ligne WALLET VAULTS CRACKED lorsqu’il réussit. Ce qui distingue l’échantillon, c’est le conditionnement. À côté du butin brut, VOLTA assemble ce que Talos appelle un dossier de preuves structuré sur la personne derrière la machine : géolocalisation et adresse du domicile, employeur et domaine de messagerie, année de naissance déduite, quatre derniers chiffres des cartes enregistrées, noms d’espaces de travail Slack, métadonnées d’auteur des documents et une valorisation en direct du compte Roblox de la victime récupérée sur Rolimons.

Un générateur, pas une campagne

VOLTA n’est pas un binaire unique. Sa configuration tient dans six emplacements de modèle renseignés à la compilation, dont la destination Telegram et les clés d’API servant aux appels de modèle. Fetterman y voit un modèle de type générateur : l’auteur vend l’accès et chaque client fournit ses propres valeurs, ce qui produit un binaire compilé séparément par commande. Les valeurs des emplacements sont chiffrées, mais avec une clé dérivée du SHA-256 de deux constantes stockées dans le même exécutable, ce que Talos qualifie de protection sans réelle portée. Conséquence opérationnelle : il n’y a aucune infrastructure appartenant à l’attaquant à saisir, chaque point de terminaison contacté par l’échantillon appartient à un tiers. Le stealer supprime aussi son exécutable principal après exécution, ne laissant qu’un journal de collecte horodaté dans APPDATA.

Trois archives, une boîte Telegram

L’exfiltration se fait en trois passes, chacune produisant sa propre archive livrée au Telegram de l’opérateur :
  • volta_log.zip, envoyé immédiatement après la collecte, contenant identifiants, cookies, cartes, données de portefeuilles, jetons de session, mots de passe Wi-Fi et captures d’écran.
  • volta_dox.zip, envoyé après l’appel au modèle, contenant le même matériel plus Identity_Report.txt et la réponse du modèle enregistrée sous AI_Analysis.txt.
  • volta_doxnet.zip, envoyé uniquement si l’étape d’enrichissement réseau rapporte quelque chose, contenant les correspondances de reçus Gmail et les historiques de commandes.
L’aller-retour avec l’IA se déroule sur la machine de la victime, si bien que l’opérateur ne paie rien pour l’inférence et que la requête part de l’IP de la victime.

Le prompt

Les requêtes partent vers le point de terminaison chat completions d’OpenRouter avec un corps JSON assemblé à la main, sans SDK, une température de 0,2 et un user agent de navigateur. Le modèle par défaut est anthropic/claude-opus-4.6. Si la réponse ressemble à un refus, la tâche réessaie avec moonshotai/kimi-k2 puis google/gemini-2.5-flash, en surveillant des chaînes comme I can’t et I’m not able. La chaîne est limitée à trois modèles. Le prompt système fait environ 240 mots et présente le modèle comme un analyste du renseignement forensique rédigeant une évaluation de cible. Il lui demande de traiter le paquet comme la seule source de faits autorisée et d’ignorer ses connaissances d’entraînement sur le sujet. Les sections de sortie obligatoires comprennent une partie intitulée WHAT THEY’RE WORTH, qui classe les biens selon la facilité à les convertir en argent et les étiquette low, medium ou high, et une partie intitulée THEIR OPSEC, qui évalue la posture de sécurité et l’hygiène des mots de passe. Il demande aussi au modèle de relier des identifiants personnels, comme un nom, une adresse ou une université, aux mots de passe choisis par la victime.
Identifiez l’étape qui exige le plus d’attention humaine soutenue et remplacez-la par un appel de modèle.
Le travail supprimé n’est pas la collecte, que tout stealer automatise, mais le tri : la lecture et le recoupement qu’un acheteur ferait autrement à la main.

Reçus Gmail et problème d’adresse

La troisième étape transforme un amas d’identifiants en une personne localisée. À l’aide de jetons de session Gmail volés, VOLTA fouille la boîte pour des reçus d’achat chez Amazon, DoorDash, Uber Eats, Grubhub, Walmart et PayPal, partant de l’idée que les confirmations de livraison corroborent une adresse de domicile. Il récupère aussi directement l’historique de commandes Uber Eats et DoorDash et enrichit les comptes Discord via le jeton volé.

Ce que cela fait au marché des logs

Les stealer logs se vendent en fichiers en vrac depuis des années, les acheteurs faisant eux-mêmes le tri. Un échantillon qui livre un dossier classé et étayé de citations fait passer l’unité de vente de mille identifiants à une personne évaluée, et abaisse le niveau de compétence requis pour les acheteurs incapables de lire un log. Ce basculement s’inscrit dans la réorganisation plus large du commerce des stealer logs depuis le démantèlement de Lumma, que nous avons traité dans notre analyse de la recomposition des marchés de logs après la vague de saisies.

Limites de la découverte

Talos a analysé une seule famille d’échantillons et ne dit ni combien de builds circulent ni si le générateur est vendu ouvertement. La sortie du modèle ne vaut par ailleurs que ce que vaut le paquet. Une année de naissance déduite ou un employeur deviné restent des suppositions, et une consigne de citer le paquet ne transforme pas une inférence en fait. Quiconque traite un AI_Analysis.txt comme une vérité établie fait confiance à un modèle à qui l’on a demandé de classer, non de vérifier. Séparément, Talos a publié la même semaine des recherches sur NIK C2, un framework de commande et contrôle assisté par IA qui peut réutiliser la propre OPENAI_API_KEY d’une victime, un schéma connu sous le nom de LLMjacking. Les deux bases de code sont indépendantes mais pointent dans la même direction : l’accès aux modèles est désormais quelque chose que les attaquants cherchent sur les machines où ils atterrissent. L’enseignement pratique pour les utilisateurs de Windows reste inchangé et sans éclat. Les identifiants stockés dans le navigateur, les profils Wi-Fi enregistrés et les jetons OAuth de longue durée sont ici la matière première, et un jeton de session de messagerie vaut plus que le mot de passe voisin. Révoquer les sessions après une compromission suspectée compte davantage que changer un mot de passe.

plus de notes

toutes les news ›
03 nov. 2026 sécurité lire ›

La localisation devenue marchandise : lecteurs de plaques, télématique et le marché des déplacements de votre voiture

Les réseaux ALPR permettent à une seule requête d'atteindre des dizaines de milliers de caméras, et les voitures connectées transmettent leur position à des courtiers en données. Actions de la FTC, journaux d'audit fuités et cas de harcèlement documentés : autant de raisons de considérer la localisation d'un véhicule comme définitivement compromise.