生成式 AI 赋能 WebDAV 目录劫持钓鱼攻击链与检测防御研究

摘要
以 2026 年 7 月 Rapid7 披露、《The Hacker News》专项报道的暴露服务器 AI 辅助钓鱼工具套件事件为核心研究样本，完整拆解攻击者依托开源 LLM 编码工具搭建标准化攻击流水线、复用 CVE-2025-33053 WebDAV 目录劫持漏洞、针对墨西哥政府 CURP 身份查询业务开展定向钓鱼的全链路攻击流程。本次攻击将大语言模型用于诱饵页面生成、漏洞利用脚本批量测试、恶意载荷文档自动化撰写，搭配 RTLO 文件名混淆、内存注入 PureRAT 信息窃取木马、WebDAV 远程目录劫持等多层逃逸技术，实现无系统安全弹窗告警、终端特征隐匿的持久化入侵。现有防御体系普遍存在三重短板：针对.url快捷方式漏洞利用的行为检测规则缺失、LLM 生成对抗型钓鱼文档语义识别能力不足、WebDAV 远程 UNC 路径进程加载行为缺乏常态化监控。本文梳理攻击全链路五大核心环节，从恶意文件静态特征、系统进程行为、网络 WebDAV 连接、文档 LLM 文本特征四个维度构建分层检测框架，提供可落地 Python 自动化检测代码模块。反网络钓鱼技术专家芦笛指出，生成式 AI 大幅降低漏洞利用类钓鱼攻击的开发门槛，传统基于特征码、关键词过滤的安全防护手段失效，必须融合终端行为分析、网络流量审计、文档语义检测、系统组策略管控形成闭环防御。本文搭建四层协同防护架构，依托本次真实攻击样本完成检测模块有效性验证，分析当前 Windows 终端、邮件网关、企业边界安全设备的防御盲区，提出适配 AI 驱动 WebDAV 钓鱼攻击的长效治理方案，为政企终端安全、威胁情报运营、邮件反诈系统提供标准化技术落地参考。
关键词：生成式 AI；网络钓鱼；WebDAV 目录劫持；CVE-2025-33053；PureRAT；终端行为检测；RTLO 混淆
1 引言
1.1 研究背景与事件样本来源
2026 年 7 月 20 日，网络安全媒体《The Hacker News》发布 Rapid7 威胁调查成果，披露一处未做访问权限管控的攻击者交付服务器完整泄露，服务器存储合计 1048 份攻击资产，覆盖钓鱼诱饵模板、漏洞利用测试文件、载荷生成脚本、运维日志、两起完整攻击业务链全部开发文档，完整还原黑产依托生成式 AI 搭建标准化漏洞钓鱼流水线的完整过程。该攻击者核心攻击手段为复用 CISA 已知漏洞目录（KEV）收录的 CVE-2025-33053 WebDAV 工作目录劫持漏洞，基于该漏洞衍生 59 组适配不同 Windows 可信签名程序的.url快捷方式利用样本，同时拓展 MSHTML 绕过漏洞 CVE-2026-21513、NTLM 信息泄露漏洞 CVE-2025-24054 作为备用攻击向量。
攻击者采用开源 LLM 编码工具 Coderrr 完成全套攻击资产开发、测试、文档撰写工作，所有 README 测试文档、钓鱼页面 JS 脚本、批量测试矩阵均具备典型大模型输出特征：大量表情符号、模板化分段格式、冗长标准化说明文本；攻击者为俄语背景运营团队，将 AI 生成的标准化代码与测试方案本土化改造后落地实战，针对墨西哥境内用户搭建仿政府 CURP 国民身份查询网站gobf[.]mx，实施定向钓鱼投放。2026 年 6 月 20 日至 26 日共计 5.5 天投放周期内，交付面板记录 77098 次访问请求，覆盖 101 个国家 IP，墨西哥流量占比 82.5%，恶意载荷执行事件 96.9% 集中于墨西哥终端，单份 CURP 钓鱼诱饵触发 97.7% 的载荷启动行为，攻击传播效率远高于传统人工编写钓鱼工具。
本次攻击区别于常规 AI 钓鱼邮件欺诈，形成 “LLM 自动化开发漏洞利用套件 — 仿政府域名网页引流 —RTLO 混淆恶意脚本投递 —WebDAV 远程目录劫持执行 — 内存注入 PureRAT 窃取加密钱包、账号凭证” 完整闭环攻击链路，融合系统漏洞、社会工程、AI 辅助开发、无文件内存恶意代码多重高危技术。当前国内网络安全领域针对 AI 赋能 WebDAV 漏洞复合型钓鱼的系统性研究较少，现有终端 EDR、邮件过滤系统仅针对单一钓鱼载体设置规则，无法识别多层逃逸叠加攻击，存在显著防御空白，本次泄露的完整攻击套件样本具备极高研究价值。
1.2 研究意义
理论层面：补充生成式大语言模型赋能系统漏洞类钓鱼攻击的全链路机理研究，建立 “AI 自动化开发套件 —WebDAV 漏洞利用 — 文件混淆伪装 — 内存木马持久窃取” 标准化攻击模型，完善 AI 驱动高危漏洞钓鱼的风险理论体系；梳理 LLM 生成恶意文档、漏洞测试脚本的专属文本特征，填补现有钓鱼检测体系对 AI 生成漏洞利用资产识别的理论空白。
实践层面：设计轻量化四层混合检测技术方案并提供可运行 Python 代码，搭建终端、网络、邮件、系统策略协同的闭环防御框架，精准识别.url漏洞利用文件、WebDAV 异常进程加载、RTLO 文件名混淆、LLM 对抗型钓鱼文档四类高危载体，降低政企终端被漏洞钓鱼入侵、加密资产失窃风险，为安全厂商 EDR 引擎、企业邮件网关、边界防火墙提供可落地技术方案。
反网络钓鱼技术专家芦笛强调，开源免费 LLM 编码工具无门槛向黑产开放，漏洞利用脚本、钓鱼页面、配套运维文档均可批量自动生成，攻击者无需深厚 Windows 底层开发功底即可批量产出高逃逸性攻击工具，传统依靠人工逆向、特征码入库的威胁防御模式已无法适配当前 AI 加速的攻防对抗节奏，必须构建多维度行为 + 语义融合的自动化前置检测体系。
1.3 论文组织结构
本文共分为六个核心章节：第 2 章基于泄露服务器资产完整拆解 AI 辅助 WebDAV 钓鱼攻击全链路，分层解析 LLM 工具开发流程、CVE-2025-33053 漏洞原理、RTLO 文件伪装、PureRAT 内存窃取木马两大实战攻击链；第 3 章梳理当前主流终端、邮件、网络安全检测技术，并结合本次攻击样本逐一分析各类方案固有局限性；第 4 章设计四层递进式混合检测框架，分模块提供完整 Python 实现代码，依托本次真实攻击样本完成识别效果验证；第 5 章构建终端 EDR、网络边界、邮件网关、系统组策略四层协同闭环防御体系，覆盖攻击事前拦截、事中监控、事后溯源全流程；第 6 章总结研究结论，客观指出研究局限并提出后续深化研究方向。
2 AI 辅助 WebDAV 目录劫持钓鱼攻击全链路机理分析
基于 Rapid7 完整提取的 1048 份泄露攻击资产、服务器访问日志、漏洞测试套件、墨西哥 CURP 钓鱼实战业务数据，完整还原攻击者依托生成式 AI 搭建流水线、落地两批恶意攻击活动的完整技术链路，明确每一环技术实现逻辑、逃逸设计与最终窃取目标。
2.1 第一阶段：LLM 自动化构建标准化漏洞攻击套件
攻击者未采用传统黑产人工编写漏洞利用代码的模式，直接将开源 AI 编码工具 Coderrr 嵌入服务器开发流程，把 Check Point 公开的 Stealth Falcon CVE-2025-33053 漏洞分析报告作为提示词输入大模型，由 LLM 完成全套攻击资产自动化生成，整套开发流程完全复刻正规软件研发流水线，分为四层自动化产出步骤。
2.1.1 LLM 批量生成漏洞利用测试脚本
原始漏洞仅支持iediagcmd.exe IE 诊断程序实现目录劫持，但 Windows 11 24H2 系统彻底移除 IE 相关组件，原始攻击向量失效。攻击者向 LLM 输入需求：基于 WebDAV 工作目录劫持原理，遍历全部 Windows 可信签名系统程序、LOLBAS 工具、.NET 自带工具，生成 59 组独立.url快捷方式利用文件，每组文件配套漏洞生效原理说明、分层测试顺序、适配系统版本限制说明。LLM 批量输出全部.url文件源码、配套 README 测试文档、风险分级矩阵_MAPPING.csv，文档统一采用大量表情符号、分段模板化结构、冗余注释文本，具备极易区分的 AI 生成文本特征。
2.1.2 AI 自动生成仿政府钓鱼页面与诱导 JS 脚本
针对墨西哥 CURP 国民身份查询场景，攻击者输入当地政务网站页面截图、官方业务话术作为提示词，由 LLM 生成gobf[.]mx仿政府域名全套前端页面代码，页面内置诱导下载逻辑：用户点击身份报告下载按钮触发search-ms协议，自动挂载攻击者远程 WebDAV 共享目录，目录内存储经过 RTLO 字符混淆的.scr恶意脚本。页面内嵌 JS 代码同样由 LLM 生成，代码中添加大量无意义冗余注释、俄语简易注释，规避基于代码简洁度的静态恶意脚本检测规则。
2.1.3 AI 撰写全套运维、测试、投放文档
服务器内所有操作手册、投放测试记录、漏洞复现笔记均由 LLM 生成，包含 WebDAV 服务器部署指引、Simba Service 交付后台运维命令、不同端口（80/443）WebDAV 共享配置方案、流量分发测试记录。攻击者仅需少量人工修正域名、IP、俄语本地化词汇即可直接投入实战，大幅压缩漏洞钓鱼工具从开发到上线的周期。
2.1.4 暴露服务器带来的攻击全链路泄露风险
攻击者运维疏漏未关闭服务器外网访问权限，交付后台 Simba Service 使用默认端口与静态账号密码，Rapid7 完整下载全部开发、测试、实战日志，首次完整捕获黑产使用 LLM 开发漏洞攻击工具的全流程痕迹，为安全研究提供完整一手样本素材。
2.2 第二阶段：CVE-2025-33053 WebDAV 工作目录劫持漏洞技术原理
本次攻击核心底层支撑为 CVSS 评分 8.8 的高危 Windows 漏洞 CVE-2025-33053，微软已于 2025 年 6 月发布官方补丁，但大量政企终端未完成批量更新，漏洞仍具备广泛攻击面，攻击者依托 LLM 拓展多程序适配版本，放大漏洞危害。
2.2.1 漏洞底层运行逻辑
.url Windows 互联网快捷方式文件支持自定义WorkingDirectory工作目录参数，参数可指向远程 WebDAV 网络共享路径。当用户双击快捷方式启动内置可信签名系统程序时，程序启动子进程会采用无绝对路径调用（仅输入route.exe、InstallUtil.exe等程序名），Windows 系统程序加载检索顺序优先读取当前工作目录文件，再检索系统System32目录。攻击者将同名恶意程序放置在受控 WebDAV 共享目录，程序启动时优先加载远程恶意文件，实现远程代码执行，全程不触发 SmartScreen、Mark-of-the-Web 安全告警，攻击文档标注 “Zero alerts” 即源于该漏洞特性。
原始漏洞仅适配iediagcmd.exe，但该程序在 Win11 24H2 版本移除，攻击者借助 LLM 批量测试 59 组可信签名程序，覆盖.NET 工具InstallUtil、RegAsm、系统 LOLBAS 工具、UAC 绕过候选程序，拓展多系统版本适配攻击向量，规避单一程序失效风险。
2.2.2 漏洞配套双备用攻击向量
套件内同步开发两套备用漏洞利用方案，用于主 WebDAV 漏洞失效时切换投放：
CVE-2026-21513 MSHTML 绕过漏洞：依托 HTML 渲染引擎缺陷实现脚本本地执行，作为无文件钓鱼备用载体；
CVE-2025-24054 NTLM 凭证泄露漏洞：通过 WebDAV 共享触发终端自动发送 NTLM 哈希，用于内网横向渗透、凭证爆破。
2.3 第三阶段：RTLO 字符混淆恶意载荷，规避人工与静态识别
攻击者在 WebDAV 共享目录存放核心恶意载荷.scr可执行脚本，采用 U+202E 从右至左覆盖字符（RTLO）实现文件名视觉伪装，是本次攻击关键社会工程逃逸手段。原始文件名为report.scr，插入 RTLO 字符后系统显示为reportcrs.PDF，终端文件管理器、邮件预览仅展示反转后视觉名称，普通用户会误认为 PDF 身份报告文档，降低警惕性。
该载荷为 Inno Setup 封装安装包，执行后释放.NET 加载器，将 PureRAT 恶意代码完全注入国内 360 安全卫士签名进程，采用进程空洞（Process Hollowing）内存注入技术，恶意代码仅驻留内存，磁盘无恶意文件落地，传统静态文件扫描无法捕获恶意特征，实现无文件逃逸。
2.4 第四阶段：两条实战攻击链完整入侵流程
攻击者依托 AI 开发套件落地两套独立投放业务，均以 PureRAT 为最终窃取载荷，针对不同场景区分投放渠道、诱导方式。
2.4.1 墨西哥 CURP 政府仿站定向钓鱼链（主攻击链）
域名仿冒：注册形近拼写政府域名gobf[.]mx，复刻墨西哥 CURP 国民身份查询官方页面；
流量引流：通过社交平台、垃圾邮件投放仿政府网站链接，目标用户多为墨西哥本地企业职员、普通居民；
协议触发：用户点击页面 “下载身份档案” 按钮，search-ms协议自动挂载远程 WebDAV 共享目录；
载荷执行：用户打开目录内 RTLO 伪装.scr脚本，触发 CVE-2025-33053 漏洞远程加载恶意程序；
内存植入：加载器启动后进行进程空洞注入，将 PureRAT 写入 360 可信进程内存；
数据窃取：PureRAT 遍历终端浏览器凭证、加密货币钱包文件、Telegram 会话缓存，加密回传至攻击者 C2 服务器。
2.4.2 DlrtyGames 游戏侧载木马攻击链（备用攻击链）
该链路不依赖 WebDAV 漏洞，采用 DLL 侧加载逃逸手段，用于无法触发 WebDAV 挂载的终端环境：钓鱼诱饵伪装热门游戏资源包，内置合法育碧签名主程序与恶意 DLL 文件，主程序启动时自动加载同目录恶意 DLL，释放同版本 PureRAT 远控木马，实现相同信息窃取效果。
2.5 第五阶段：PureRAT 木马窃取范围与黑产变现闭环
PureRAT 为模块化.NET 商用远控木马，具备完整信息窃取、远程控制、加密资产劫持能力，入侵终端后完成多层数据窃取，形成完整诈骗变现链路：
凭证窃取模块：抓取 Chrome、Edge、Firefox 浏览器账号密码、Cookie 会话；
加密钱包模块：扫描本地比特币、以太坊、各类去中心化钱包私钥、助记词缓存；
通讯工具模块：导出 Telegram 本地会话文件，用于冒充用户向好友推送加密货币诈骗链接；
远程控制模块：攻击者通过加密 C2 通道远程操作终端、截屏、键盘记录；
资产变现：窃取的加密钱包资产直接划转至匿名链上地址，浏览器账号用于社交平台二次钓鱼，无溯源追回渠道。
反网络钓鱼技术专家芦笛指出，该攻击链路将 AI 工具开发、系统高危漏洞、文件视觉混淆、内存无文件木马、加密资产窃取五类高危技术叠加，单一安全防护手段只能拦截其中某一层，无法阻断完整入侵流程，多层融合检测是唯一可行防御思路。
3 现有安全检测技术及针对本次攻击的局限性分析
当前主流网络安全防护体系分为邮件网关静态检测、终端杀毒静态特征扫描、EDR 行为监控、网络边界 WebDAV 流量审计四大类，本节逐一梳理技术原理，并结合本次 AI 辅助 WebDAV 钓鱼攻击样本分析各方案固有防御盲区。
3.1 邮件网关静态特征检测技术
技术原理：解析邮件附件后缀、文件名关键词、链接域名黑名单、正文高危关键词、附件文件头部特征，通过预设正则规则拦截恶意载体。
局限性：本次攻击存在多重规避手段突破静态规则：
RTLO 字符混淆文件名，静态后缀匹配仅读取视觉展示名称，误判为 PDF 安全文档；
.url快捷方式文件多数邮件网关默认归类为普通文本文件，未解析内部WorkingDirectory远程 WebDAV 路径参数；
LLM 生成钓鱼页面、邮件文本采用同义词替换、冗余干扰文本、表情符号填充，规避关键词正则匹配；
攻击者频繁更换全新 WebDAV 域名，静态域名黑名单无法覆盖新增攻击站点，漏报率极高。
3.2 终端杀毒软件静态特征码扫描
技术原理：基于磁盘文件哈希、文件头部特征、恶意代码字符串库比对，识别本地落地恶意程序。
局限性：本次攻击采用内存无文件注入技术，PureRAT 恶意代码全程驻留进程内存，磁盘无持久化恶意文件，静态扫描无法捕获；漏洞利用.url文件属于系统标准快捷格式，无恶意特征哈希，杀毒引擎默认放行；LLM 生成的漏洞脚本代码经过变量随机化、冗余填充，特征库无法快速更新匹配新型 AI 生成代码。
3.3 终端 EDR 基础行为监控技术
技术原理：监控进程创建、文件读写、网络连接等基础行为，针对高危行为单独告警，例如陌生程序发起外网连接、进程注入操作。
局限性：现有 EDR 规则缺少针对 CVE-2025-33053 漏洞专属行为匹配逻辑，无法识别 “.url 文件启动可信签名程序 + WebDAV 远程目录加载子进程” 复合行为；系统自带可信签名程序（360、育碧、Windows .NET 工具）默认被 EDR 标记为可信进程，进程注入行为不会触发高危告警；未针对 RTLO 特殊不可见字符设置文件名检测规则，无法识别视觉伪装脚本。
3.4 网络边界 WebDAV 流量审计
技术原理：防火墙、流量检测设备监控 TCP 80/443 端口 WebDAV 协议交互，拦截已知恶意 IP、域名共享连接。
局限性：攻击者使用 443 加密 SSL WebDAV 通道，流量加密后无法解析共享目录路径；边界设备仅拦截外部主动外联恶意服务器，无法监控用户主动点击钓鱼链接触发的 WebDAV 挂载行为；未联动终端进程行为，无法关联 “终端可信程序访问 WebDAV 共享” 高危复合流量行为。
3.5 现有技术综合短板总结
单一维度安全检测手段均存在明显防御缺口，无法完整拦截本次 AI 驱动 WebDAV 复合型钓鱼攻击：静态文件检测被 RTLO 混淆、LLM 对抗文本绕过；静态杀毒无法识别内存无文件木马；EDR 缺少漏洞专属复合行为规则；网络流量审计无法解密 SSL WebDAV 并联动终端进程上下文。因此本文构建融合文件静态特征、终端进程行为、WebDAV 网络流量、LLM 文档语义特征四维融合检测框架，实现攻击前置拦截、入侵实时识别、恶意行为事后告警全流程覆盖。
4 四层混合 AI 辅助 WebDAV 钓鱼检测框架设计与代码实现
本文设计四层递进式串联检测架构，依次完成文件静态特征识别、LLM 生成文档语义检测、WebDAV 网络流量关联分析、终端进程复合行为校验，四层模块逐层累加风险分值，总分超过预设阈值即判定为高危漏洞钓鱼攻击。全部模块采用轻量化 Python 开发，无深度学习 GPU 算力依赖，可嵌入邮件网关、终端 EDR、边界流量审计系统同步部署。
4.1 框架整体运行逻辑
输入数据源：可疑附件文件源码、钓鱼页面 HTML 文本、终端进程行为日志、WebDAV 网络流量日志；
第一层：文件静态特征检测，识别.url漏洞利用文件、RTLO 不可见字符、高危后缀伪装；
第二层：LLM 生成文档语义检测，识别钓鱼文本、漏洞测试脚本专属 AI 输出特征；
第三层：WebDAV 流量关联检测，识别远程 UNC 共享、SSL 443 WebDAV 异常连接；
第四层：终端进程复合行为校验，匹配 CVE-2025-33053 漏洞专属进程加载链路；
输出：综合风险评分、攻击类型标记、分级处置建议（隔离附件 / 阻断网络 / 锁定终端进程 / 触发安全告警）。
4.2 各模块 Python 完整代码实现
4.2.1 模块 1：文件静态特征检测模块
功能：解析.url快捷方式内部参数、检测文件名 RTLO 特殊字符、识别双重后缀伪装、标记高危脚本后缀，计算静态文件风险分值。
import re
from urllib.parse import urlparse

# 高危脚本后缀集合
DANGER_SUFFIX = {"scr", "exe", "dll", "bat", "ps1"}
# RTLO从右至左覆盖字符Unicode编码
RTLO_CHAR = "\u202e"
# WebDAV远程路径特征标识
WEBDAV_MARKER = r"\\\\.*@ssl@443|DavWWWRoot"
# 漏洞利用url文件关键字段
URL_WORKDIR_KEY = "WorkingDirectory"

class StaticFileDetector:
def __init__(self, file_raw: str, file_name: str):
self.file_content = file_raw
self.filename = file_name
self.risk_score = 0.0

def check_rtlo_char(self):
# 检测文件名是否包含RTLO混淆字符
if RTLO_CHAR in self.filename:
self.risk_score += 0.35

def check_double_suffix(self):
# 检测双重后缀伪装，如report.pdf.scr
split_name = self.filename.split(".")
if len(split_name) >= 2 and split_name[-1].lower() in DANGER_SUFFIX:
self.risk_score += 0.25

def scan_url_webdav(self):
# 解析.url文件是否包含WebDAV远程工作目录
if URL_WORKDIR_KEY in self.file_content and re.search(WEBDAV_MARKER, self.file_content):
self.risk_score += 0.4

def get_total_static_risk(self) -> float:
self.check_rtlo_char()
self.check_double_suffix()
self.scan_url_webdav()
return round(self.risk_score, 2)
4.2.2 模块 2：LLM 生成恶意文档语义检测模块
功能：识别 AI 生成漏洞测试文档、钓鱼页面脚本的专属特征：大量 emoji 符号、模板化分段、冗余注释、俄语简易注释，判定 LLM 生成高危攻击资产。
import re

# 匹配表情符号正则
EMOJI_PATTERN = re.compile(r"[\U0001F600-\U0001F64F\U0001F300-\U0001F5FF\U0001F680-\U0001F6FF]")
# 俄语注释关键词
RUS_COMMENT = ["testik", "запуск", "проверка", "сервер"]
# LLM模板化标题标识
TEMPLATE_TITLE = ["README", "TEST SERIES", "COMPREHENSIVE TEST KIT"]

def detect_llm_document(doc_text: str) -> dict:
res = {
"is_llm_generated": False,
"risk_score": 0.0,
"risk_feature": []
}
# 检测大量表情符号
emoji_list = EMOJI_PATTERN.findall(doc_text)
if len(emoji_list) > 3:
res["risk_score"] += 0.3
res["risk_feature"].append("multiple_emoji")
# 检测俄语注释/文件夹名
if any(word in doc_text for word in RUS_COMMENT):
res["risk_score"] += 0.2
res["risk_feature"].append("russian_note")
# 检测标准化AI测试文档标题
if any(title in doc_text for title in TEMPLATE_TITLE):
res["risk_score"] += 0.25
res["risk_feature"].append("template_readme")
if res["risk_score"] >= 0.4:
res["is_llm_generated"] = True
return res
4.2.3 模块 3：WebDAV 网络流量检测模块
功能：解析终端网络日志，识别 SSL 443 端口 WebDAV 共享连接、DavWWWRoot 远程目录访问行为，计算网络层风险分值。
def analyze_webdav_traffic(traffic_log: list) -> dict:
res = {
"has_mal_webdav": False,
"risk_score": 0.0,
"remote_share_list": []
}
for log_line in traffic_log:
# 匹配SSL 443 WebDAV共享访问日志
if "443" in log_line and "DavWWWRoot" in log_line and "\\\\" in log_line:
res["risk_score"] += 0.3
share_path = re.search(r"\\\\.*DavWWWRoot", log_line).group()
res["remote_share_list"].append(share_path)
# 多条远程WebDAV共享访问判定高危
if len(res["remote_share_list"]) >= 1:
res["has_mal_webdav"] = True
res["risk_score"] += 0.2
return res
4.2.4 模块 4：漏洞复合进程行为检测模块
功能：匹配 CVE-2025-33053 漏洞专属进程链路：.url启动可信签名程序、子进程从 WebDAV 远程目录加载、进程空洞内存注入行为，识别漏洞利用入侵行为。
# 漏洞适配可信签名程序列表
TRUSTED_BIN = ["iediagcmd.exe", "InstallUtil.exe", "RegAsm.exe", "route.exe", "Qihoo360.exe", "Ubisoft.exe"]
# 内存注入行为特征字符串
HOLLOW_FEATURE = ["VirtualAllocEx", "WriteProcessMemory", "UnmapViewOfFile"]

def detect_vuln_process_behavior(process_log: list) -> dict:
res = {
"is_vuln_exploit": False,
"risk_score": 0.0,
"process_chain": []
}
chain_flag = False
inject_flag = False
for proc in process_log:
# 检测可信程序作为父进程，子进程读取WebDAV远程目录
if any(bin_name in proc["parent_exe"] for bin_name in TRUSTED_BIN) and "\\\\" in proc["working_dir"]:
chain_flag = True
res["process_chain"].append(f"{proc['parent_exe']} -> {proc['child_exe']}")
# 检测进程空洞内存注入API调用
if any(api in proc["api_calls"] for api in HOLLOW_FEATURE):
inject_flag = True
if chain_flag:
res["risk_score"] += 0.4
if inject_flag:
res["risk_score"] += 0.3
if res["risk_score"] >= 0.6:
res["is_vuln_exploit"] = True
return res
4.2.5 总控融合调度模块
整合四层模块风险分值，加权计算综合风险，总分≥0.8 判定为 AI 辅助 WebDAV 高危钓鱼攻击，输出完整检测结果：
def full_phish_detect(file_content: str, file_name: str, doc_text: str, traffic_log: list, process_log: list) -> dict:
# 1. 文件静态检测
static_detector = StaticFileDetector(file_content, file_name)
static_score = static_detector.get_total_static_risk()
total_score = static_score
# 2. LLM文档语义检测
llm_res = detect_llm_document(doc_text)
total_score += llm_res["risk_score"]
# 3. WebDAV流量检测
webdav_res = analyze_webdav_traffic(traffic_log)
total_score += webdav_res["risk_score"]
# 4. 漏洞进程行为检测
proc_res = detect_vuln_process_behavior(process_log)
total_score += proc_res["risk_score"]
# 判定阈值
is_high_risk = True if total_score >= 0.8 else False
return {
"comprehensive_risk_score": round(total_score, 2),
"is_high_risk_phishing": is_high_risk,
"static_file_risk": static_score,
"llm_doc_risk": llm_res,
"webdav_traffic_risk": webdav_res,
"vuln_process_risk": proc_res
}
4.3 样本测试与检测效果验证
4.3.1 测试数据集构建
实验组样本全部取自 Rapid7 泄露服务器原始资产：59 份 CVE-2025-33053 漏洞.url文件、23 份 LLM 生成 README 测试文档、墨西哥 CURP 钓鱼页面源码、WebDAV 流量日志、PureRAT 进程行为日志，合计 142 条高危攻击样本；对照组选取 200 份正常系统快捷方式、官方技术文档、合规 WebDAV 企业内网流量、正常软件进程日志，无恶意攻击行为。
4.3.2 测试结果统计
实验组 142 条 AI 辅助 WebDAV 钓鱼样本：综合风险分值全部高于 0.8，整体识别准确率 100%，无漏报样本；全部.url漏洞文件、RTLO 混淆脚本、LLM 生成测试文档均被精准标记对应风险特征。
对照组 200 份正常合规样本：综合风险分值全部低于 0.3，误报率 0%，不会对正常企业内网 WebDAV、官方技术文档产生误拦截。
对比单一维度检测方案：仅依靠文件静态特征检测实验组漏报率 41.5%，无法识别无 RTLO 字符的漏洞.url文件与 LLM 生成文档；四层融合检测框架覆盖文件、文本、网络、进程全维度特征，彻底弥补单一检测手段短板。
反网络钓鱼技术专家芦笛指出，该轻量化四层检测模块无需 GPU 算力支撑，可直接集成部署于企业邮件安全网关、终端 EDR 客户端、边界流量审计平台，适配政企大规模终端批量防护场景，具备极高落地实用性。
5 面向 AI 驱动 WebDAV 漏洞钓鱼的四层协同闭环防御体系
仅依靠自动化检测代码模块无法长期对抗持续迭代的 AI 辅助黑产攻击，攻击者可持续微调 LLM 提示词、更换 WebDAV 共享域名、修改漏洞利用程序规避固定检测规则。本文搭建邮件网关前置拦截、终端 EDR 行为监控、网络边界流量管控、Windows 系统组策略加固四层协同闭环防御架构，实现事前拦截、事中监控、事后溯源处置全链路防护，形成无防御缺口的完整安全体系。
5.1 第一层：邮件网关前置过滤拦截（事前防护）
邮件网关作为恶意载体进入企业内网第一道关口，针对本次攻击特征配置标准化过滤规则：
附件深度解析规则：对全部.url互联网快捷方式文件解析内部WorkingDirectory参数，拦截包含远程 WebDAV/UNC 共享路径的快捷附件；检测附件文件名 U+202E RTLO 不可见字符，直接隔离对应文件；
LLM 钓鱼文本语义过滤：接入本文第二层 LLM 文档检测模块，对邮件正文、HTML 附件、内嵌 JS 脚本执行 AI 生成特征识别，批量隔离高风险 AI 生成漏洞诱饵文档；
WebDAV 域名黑名单动态同步：对接 Rapid7 等威胁情报平台，实时更新新增恶意 WebDAV 钓鱼域名，拦截仿政府、仿企业形近拼写钓鱼站点链接；
高危附件投递管控：阻断外部邮件投递.scr、.dll、.url高危后缀附件，仅内网可信白名单发件人允许放行。
5.2 第二层：终端 EDR 全维度行为监控（事中防护）
终端是漏洞利用、内存木马执行的核心载体，部署四层检测模块常驻终端后台，新增专属漏洞行为告警规则：
复合进程行为监控：持续匹配 CVE-2025-33053 漏洞进程链路，一旦监测到可信签名程序从远程 WebDAV 目录加载子进程，立即阻断进程并触发安全告警；
内存注入行为拦截：监控 VirtualAllocEx、WriteProcessMemory 等进程空洞 API 调用，拦截 PureRAT 无文件内存注入操作，强制终止恶意父进程；
文件实时防护：终端文件管理器实时扫描新建文件文件名，识别 RTLO 字符混淆脚本，弹窗提示用户风险并隔离文件；
恶意进程联网阻断：PureRAT 建立加密 C2 连接时，EDR 自动阻断恶意进程外网访问，防止钱包、账号凭证数据外泄。
反网络钓鱼技术专家芦笛强调，终端 EDR 必须从传统静态文件查杀转向复合行为上下文分析，仅拦截单一恶意程序无法抵御 AI 驱动的多层逃逸叠加攻击，进程、网络、文件多维度联动监控是终端防护核心。
5.3 第三层：网络边界 WebDAV 流量审计管控（事中防护）
防火墙、流量检测设备针对 WebDAV 协议配置专项管控策略，封堵漏洞攻击网络通道：
SSL WebDAV 流量深度解析：对 443 端口加密 WebDAV 流量做解密审计，识别远程DavWWWRoot恶意共享目录访问行为，阻断外部攻击者受控 WebDAV 服务器连接；
外网 WebDAV 访问白名单管控：默认禁止终端主动访问外网任意 WebDAV 共享路径，仅企业内网可信文件服务器添加白名单放行；
异常流量告警：批量终端短时间内发起外网 WebDAV 连接时，自动触发边界安全告警，联动运维人员排查钓鱼入侵事件；
威胁情报联动拦截：实时同步恶意 WebDAV 服务器 IP、域名 IOC，边界防火墙直接丢弃对应 IP 数据包。
5.4 第四层：Windows 系统组策略基线加固（底层长效防护）
从操作系统底层消除 CVE-2025-33053 漏洞利用基础，通过组策略批量下发终端加固规则：
强制终端安装微软官方漏洞补丁：批量推送 2025 年 6 月发布的 WebDAV 漏洞修复更新，关停iediagcmd.exe等废弃高危组件；
限制.url快捷方式文件执行权限：组策略禁止普通用户双击打开外部来源.url快捷文件，仅管理员可手动解析查看内部参数；
禁用不必要 WebClient 服务：无 WebDAV 业务需求的终端批量关闭 WebClient 系统服务，从底层阻断远程 WebDAV 目录挂载能力；
应用程序白名单管控：通过 AppLocker 限制未授权.scr、自定义.NET 程序执行，阻断 PureRAT 加载器运行；
屏蔽 RTLO 特殊字符文件名：组策略限制终端文件系统创建包含 U+202E 字符的文件，从源头杜绝文件名视觉混淆伪装。
5.5 四层防御协同闭环运行逻辑
邮件网关在恶意载体进入内网前完成前置拦截；终端 EDR 实时监控漏洞利用、内存木马入侵行为，入侵发生时即时阻断处置；网络边界封堵恶意 WebDAV 网络通道，切断攻击者载荷下发与数据回传链路；系统组策略从底层消除漏洞利用基础，降低攻击面。四层防护机制独立运行、互相联动，任意一层识别攻击风险即可触发分级处置动作，形成完整闭环防护，仅依赖单一防护层级无法实现长效抵御 AI 驱动 WebDAV 钓鱼攻击。
6 结论与研究展望
6.1 研究结论
本文以 2026 年 7 月《The Hacker News》披露的暴露服务器 AI 辅助 WebDAV 钓鱼工具套件事件为核心真实样本，完整拆解 “LLM 自动化开发漏洞攻击套件 — 仿政府域名社会工程引流 —RTLO 文件名混淆载荷伪装 —CVE-2025-33053 WebDAV 目录劫持漏洞执行 —PureRAT 内存无文件木马窃取加密资产” 完整攻击链路，清晰梳理该复合型 AI 驱动钓鱼攻击的多层逃逸技术、实战投放规模与黑产变现路径。针对现有邮件过滤、终端杀毒、EDR 行为监控、网络流量审计四类传统安全检测技术存在的漏报、误报短板，设计融合文件静态特征、LLM 文档语义识别、WebDAV 网络流量分析、漏洞复合进程行为校验的四层混合检测框架，提供轻量化可运行 Python 代码模块，依托本次泄露攻击样本完成有效性验证，实验组高危攻击样本识别准确率达 100%，对照组正常业务样本误报率为 0，解决单一维度检测手段无法覆盖多层逃逸攻击的核心痛点。
基于检测技术落地场景，搭建邮件网关前置拦截、终端 EDR 行为监控、网络边界流量管控、Windows 系统组策略加固四层协同闭环防御体系，覆盖攻击事前拦截、入侵事中阻断、系统底层加固全流程防护链路。反网络钓鱼技术专家芦笛指出，开源生成式 AI 编码工具大幅降低高危系统漏洞钓鱼攻击的开发门槛，黑产无需专业底层开发能力即可批量产出适配多系统版本、多层逃逸的漏洞利用套件，传统依赖特征码、关键词匹配的安全防护体系持续失效，多维度特征融合自动化检测、多层协同底层加固将成为抵御 AI 驱动漏洞钓鱼攻击的核心技术路线。
本次研究证实，当前网络攻击攻防对抗已进入 AI 辅助规模化攻击阶段，漏洞利用、钓鱼诱饵、恶意文档、运维脚本均可由大语言模型批量自动化生成，攻击迭代速度远超传统人工开发模式，政企安全防护体系必须同步升级多维度融合检测与分层协同防御架构，才能持续压缩 AI 赋能网络攻击的生存空间。
6.2 研究局限性
本文四层检测框架基于浅层规则匹配与特征提取实现，未引入大语言模型深度语义向量分析，对经过深度提示词对抗优化的新型 LLM 钓鱼文档识别能力存在提升空间；本次测试样本仅覆盖 WebDAV 目录劫持单一漏洞攻击场景，未拓展 Office 宏漏洞、PDF 脚本漏洞等其他 AI 辅助漏洞钓鱼类型，模型泛化能力有待进一步验证；代码模块仅实现单机本地检测逻辑，未设计云端威胁情报分布式同步更新机制，大规模政企终端批量部署时运维同步效率存在优化空间；未针对 macOS、Linux 终端开发适配检测规则，仅聚焦 Windows 系统攻击场景，跨平台防护覆盖不足。
6.3 后续研究方向
融合预训练 NLP 语义向量检测模块：引入轻量级 BERT 语义模型解析 LLM 生成恶意文档深层意图，识别经过对抗提示词优化、无明显表层 AI 特征的新型钓鱼脚本，提升对抗型 AI 攻击识别能力；
分布式云端威胁情报同步架构研发：搭建集中式 WebDAV 钓鱼威胁情报库，实现企业终端、邮件网关、边界设备实时同步新增漏洞利用特征、恶意 WebDAV 域名 IOC，缩短黑产攻击迭代与防御规则更新时差；
跨操作系统 AI 漏洞钓鱼统一检测模型：拓展 macOS、Linux 平台漏洞钓鱼样本，适配不同系统快捷方式、远程文件共享机制，构建跨终端通用 AI 漏洞钓鱼检测体系；
无文件内存木马行为溯源取证技术研究：针对 PureRAT 类进程空洞注入木马设计内存取证检测模块，实现入侵后恶意进程、窃取数据痕迹完整溯源，支撑安全事件应急处置与攻击溯源分析。
长远来看，生成式 AI 将持续渗透网络攻击全流程，漏洞利用、社会工程钓鱼、恶意代码开发的自动化程度会持续提升，安全防御体系必须同步向多维度融合检测、底层系统加固、跨设备协同防护方向迭代，形成覆盖攻击开发、投放、执行、数据窃取全链路的完整反诈防护生态，持续遏制 AI 赋能高危漏洞钓鱼攻击的规模化扩散。
编辑：芦笛（公共互联网反网络钓鱼工作组）