você está na clearnet. os endereços listados aqui só abrem dentro da rede tor - baixe o navegador tor aqui »
AlphaBay.Market
PT
última verificação: há 12 min 260 onions monitorados
início / notícias / segurança
02 novembro 2026 segurança 7 min de leitura

Stealer VOLTA: a IA classifica vítimas por valor financeiro

A Cisco Talos publicou uma pesquisa sobre um infostealer para Windows que faz algo incomum com os dados que rouba: entrega o pacote inteiro a um grande modelo de linguagem e pergunta quanto a vítima vale. O malware se chama VOLTA-AUTODOXER, ou VOLTA, e o pesquisador da Talos Ryan Fetterman o documentou em um post de blog publicado em 31 de outubro de 2026. A cobertura mais ampla veio em 2 de novembro, do The Hacker News e do Help Net Security.

O que ele coleta

O VOLTA extrai credenciais salvas e cookies de navegadores Chromium, cartões de pagamento, arquivos de carteiras de criptomoedas e frases-semente, tokens OAuth da Microsoft, chaves SSH e configuração de provedores de nuvem, dados de Outlook e Slack, e tokens de sessão de Discord, Telegram, Steam, Battle.net e Roblox. Ele despeja em texto claro todos os perfis de Wi-Fi salvos, tira capturas de tela e anota se existe um backup de iPhone. A Talos também documenta um quebrador de carteiras embutido que registra uma linha WALLET VAULTS CRACKED quando tem sucesso. O que distingue a amostra é o empacotamento. Ao lado do butim bruto, o VOLTA monta o que a Talos chama de pacote de evidências estruturado sobre a pessoa por trás da máquina: geolocalização e endereço residencial, empregador e domínio de e-mail, um ano de nascimento inferido, os quatro últimos dígitos dos cartões salvos, nomes de workspaces do Slack, metadados de autoria de documentos e uma avaliação ao vivo da conta de Roblox da vítima puxada do Rolimons.

Um construtor, não uma campanha

O VOLTA não é um binário único. Suas configurações ficam em seis slots de template preenchidos em tempo de compilação, incluindo o destino no Telegram e as chaves de API usadas nas chamadas ao modelo. Fetterman lê isso como um modelo de construtor: o autor vende acesso e cada cliente fornece seus próprios valores, gerando um binário compilado separadamente por pedido. Os valores dos slots são criptografados, mas com uma chave derivada do SHA-256 de duas constantes armazenadas no mesmo executável, o que a Talos chama de proteção sem significado real. A consequência operacional é que não há infraestrutura do atacante para apreender: cada endpoint que a amostra contata pertence a terceiros. O stealer também apaga seu executável principal após rodar, deixando apenas um log de coleta com carimbo de data e hora em APPDATA.

Três arquivos, uma caixa de entrada no Telegram

A exfiltração acontece em três passagens, e cada uma produz seu próprio arquivo entregue ao Telegram do operador:
  • volta_log.zip, enviado logo após a coleta, com credenciais, cookies, cartões, dados de carteiras, tokens de sessão, senhas de Wi-Fi e capturas de tela.
  • volta_dox.zip, enviado após a chamada ao modelo, com o mesmo material mais Identity_Report.txt e a resposta do modelo salva como AI_Analysis.txt.
  • volta_doxnet.zip, enviado apenas se a etapa de enriquecimento de rede retornar algo, com correspondências de recibos do Gmail e históricos de pedidos.
A ida e volta com a IA acontece na própria máquina da vítima, então o operador não paga nada pela inferência e a requisição sai do IP da vítima.

O prompt

As requisições vão para o endpoint de chat completions do OpenRouter com um corpo JSON montado à mão, sem SDK, temperatura 0.2 e um user agent de navegador. O modelo padrão é anthropic/claude-opus-4.6. Se a resposta parecer uma recusa, a tarefa tenta de novo com moonshotai/kimi-k2 e depois com google/gemini-2.5-flash, observando strings como I can’t e I’m not able. A cadeia é limitada a três modelos. O prompt de sistema tem cerca de 240 palavras e coloca o modelo no papel de analista de inteligência forense redigindo uma avaliação de alvo. Ele instrui o modelo a tratar o pacote como a única fonte de fatos permitida e a ignorar seu próprio conhecimento de treinamento sobre o alvo. As seções obrigatórias da saída incluem uma intitulada WHAT THEY’RE WORTH, que classifica os bens pela facilidade de convertê-los em dinheiro e marca cada um como low, medium ou high, e outra intitulada THEIR OPSEC, que avalia a postura de segurança e a higiene de senhas. Também pede que o modelo ligue identificadores pessoais, como nome, endereço ou universidade, às senhas escolhidas pela vítima.
Identifique a etapa que exige mais atenção humana contínua e substitua-a por uma chamada ao modelo.
O trabalho deslocado não é a coleta, que todo stealer automatiza, mas a triagem: a leitura e o cruzamento que um comprador faria à mão.

Recibos do Gmail e o problema do endereço

A terceira etapa transforma um despejo de credenciais em uma pessoa localizada. Usando tokens de sessão do Gmail roubados, o VOLTA busca na caixa de entrada recibos de compra da Amazon, DoorDash, Uber Eats, Grubhub, Walmart e PayPal, partindo da ideia de que confirmações de entrega corroboram um endereço residencial. Ele também puxa diretamente o histórico de pedidos do Uber Eats e do DoorDash e enriquece contas do Discord com o token roubado.

O que isso faz com o mercado de logs

Stealer logs são vendidos como arquivos em massa há anos, e os compradores fazem a triagem por conta própria. Uma amostra que entrega um dossiê classificado e sustentado por citações muda a unidade de venda de mil credenciais para uma pessoa avaliada, e reduz o piso de qualificação para compradores que não sabem ler um log. Essa mudança acompanha a reorganização mais ampla do comércio de stealer logs desde a derrubada da Lumma, que tratamos em nossa análise de como os mercados de logs se reagruparam após a onda de takedowns.

Limites do achado

A Talos analisou uma única família de amostras e não diz quantos builds circulam nem se o construtor é vendido abertamente. A saída do modelo também vale apenas o que vale o pacote. Um ano de nascimento inferido ou um empregador adivinhado continua sendo um palpite, e a instrução de citar o pacote não transforma uma inferência em fato. Quem trata um AI_Analysis.txt como verdade estabelecida está confiando em um modelo que foi instruído a classificar, não a verificar. Separadamente, a Talos publicou na mesma semana uma pesquisa sobre o NIK C2, um framework de comando e controle com IA capaz de reutilizar a própria OPENAI_API_KEY de uma vítima, um padrão conhecido como LLMjacking. São bases de código sem relação, mas apontam para a mesma direção: acesso a modelos agora é algo que atacantes procuram nas máquinas onde pousam. A lição prática para usuários de Windows segue igual e sem glamour. Credenciais guardadas no navegador, perfis de Wi-Fi salvos e tokens OAuth de longa duração são a matéria-prima aqui, e um token de sessão de e-mail vale mais que a senha ao lado dele. Revogar sessões após uma suspeita de comprometimento importa mais do que trocar uma senha.