훔친 정보의 가치를 AI가 매기는 악성코드 볼타

시스코 탈로스(Cisco Talos)는 훔친 정보를 AI에 넘겨 피해자의 자산 가치를 매기는 정보 탈취형 악성코드 볼타(VOLTA)를 분석했다. 이 악성코드는 비밀번호와 세션, 암호화폐 지갑을 수집한 뒤 대규모 언어 모델(LLM)에 피해자별로 무엇을 먼저 노릴지 판단하게 한다. 눈여겨볼 대목은 AI가 침입 자체보다 침입 이후의 분석 업무를 맡는다는 점이다. 한꺼번에 많은 정보를 훔쳐도 범죄자가 일일이 읽어야 했던 과정을, 악성코드가 피해자 컴퓨터에서 끝내도록 설계됐다.

핵심요약

  • 볼타는 계정 정보와 결제·지갑 데이터를 훔친 뒤 LLM으로 수익화 가치에 따라 분류해, 원시 탈취 자료를 우선순위가 붙은 피해자 보고서로 바꾼다.
  • 탈취한 세션으로 지메일 영수증과 배달 주문 내역까지 확인하기 때문에, 기기에 저장된 정보보다 더 구체적인 신원·주소 정보를 모을 수 있다.
  • 기본 모델이 요청을 거부하면 다른 모델로 넘기도록 설계돼, AI의 거부 응답도 악성코드 운영 과정에서 예상한 변수로 취급한다.
  • 분석 요청은 피해자의 컴퓨터와 인터넷 연결을 통해 처리되며, 운영자가 소유한 별도 서버 없이도 결과물을 받아볼 수 있다.
  • 탈로스가 제시한 대응은 크롬의 특정 실행 방식을 감시·제한하고, 감염 시 수집 기록을 보존한 뒤 토큰과 비밀번호를 폐기·교체하는 것이다.

훔친 정보에 가격표를 붙이는 악성코드

탈로스가 분석한 악성코드는 스스로를 ‘볼타 오토독서(VOLTA-AUTODOXER)’라고 부른다. 윈도에서 실행되는 이 정보 탈취형 악성코드는 자료를 수집한 뒤 자신을 삭제하며, 기존 탈취 기능에 AI를 이용한 피해자 분석 단계를 덧붙였다. 이름에 담긴 ‘독싱’은 개인 신상정보를 수집하거나 공개해 상대를 위협하는 행위를 가리킨다. 볼타의 차별점은 신상정보를 모으는 데서 그치지 않고, 그 정보를 범죄자의 다음 행동에 쓸 수 있는 평가서로 만든다는 데 있다.

수집 대상은 브라우저 비밀번호와 쿠키, 저장된 결제카드, 암호화폐 지갑의 복구 문구뿐만이 아니다. 메신저와 게임 계정 세션, 마이크로소프트(Microsoft) 인증 토큰, SSH·클라우드 서비스 키, 와이파이 접속 정보와 화면 캡처도 가져간다. 볼타는 이렇게 모은 자료로 피해자의 주소와 직장, 추정 출생연도, 카드번호 끝 네 자리, 업무 공간과 문서 작성자 정보 등을 엮는다. 탈로스는 이 묶음이 기계에 저장된 계정 목록을 넘어, 기계 뒤에 있는 사람이 누구인지 설명하는 자료라고 봤다.

모델이 작성하는 피해자 평가서

볼타는 정리한 자료를 AI 모델 접속 서비스인 오픈라우터(OpenRouter)로 보내 피해자 평가를 요청한다. 지시문은 모델에 ‘표적 평가서를 작성하는 포렌식 정보 분석가’ 역할을 부여하고, 수익화할 만한 자산을 낮음·보통·높음으로 나눠 순위를 매기게 한다. 피해자의 보안 상태와 비밀번호 사용 습관을 따로 평가하도록 하는 요구도 포함돼 있다. 운영자가 방대한 탈취 기록을 읽는 대신, 모델이 근거를 붙인 요약 보고서를 작성하는 구조다.

이 지시문은 이미 훔친 정보 사이의 연결고리도 찾게 한다. 가령 이름·주소·학교와 비밀번호의 패턴이 맞닿아 있는지 살펴보라는 식이다. 모델이 새로운 데이터를 직접 찾아내는 역할이라기보다, 흩어진 단서에서 피해자를 공략할 만한 추론을 끌어내는 역할을 맡는다. 탈로스가 강조한 변화도 바로 여기에 있다. AI가 악성코드의 전통적인 침투 기능을 대신하는 것이 아니라, 사람이 붙어서 해야 했던 분석을 대신한다는 것이다.

거부 응답을 대비한 세 모델 경로

기본 분석 모델은 클로드 오퍼스 4.6(Claude Opus 4.6)이다. 볼타는 응답에서 “할 수 없다”는 취지의 표현을 확인하고, 거부나 실패가 발생하면 키미 K2(Kimi K2), 제미나이 2.5 플래시(Gemini 2.5 Flash)로 이어지는 대체 경로를 사용하도록 구성됐다. 탈로스는 이를 모델의 안전장치에 부딪힐 가능성을 운영자가 예상하고 설계에 반영한 흔적으로 해석했다. 다만 모델을 사용할 키가 없어도 정보 탈취 기능 자체는 실행될 수 있다.

모델에 전달하는 요청은 별도 개발 도구 없이 직접 구성한 JSON 형식이다. 출력의 무작위성을 조절하는 온도(temperature)는 0.2로 낮게 고정돼 있다. 탈로스는 운영자가 표현의 다양성보다 일관되고 정확한 평가 결과를 중시한 것으로 봤다. 모델을 여럿 연결한 설계와 낮은 온도 설정은 모두 이 AI 단계가 호기심으로 붙인 기능이 아니라, 반복 사용을 염두에 둔 작업 흐름임을 보여준다.

영수증과 주문 기록으로 주소 확인

볼타는 저장된 파일을 복사하는 데서 멈추지 않고, 훔친 로그인 세션을 이용해 피해자의 서비스에 다시 접근한다. 지메일(Gmail)에서는 구매·배달 영수증을 검색해 집 주소를 확인하고, 우버이츠(Uber Eats)와 도어대시(DoorDash)에서는 주문 내역을 가져온다. 디스코드(Discord) 토큰으로 계정 정보를 보강하고, 로블록스(Roblox) 계정의 보유 물품은 외부 조회를 통해 가치를 매긴다. 탈취한 세션이 추가 조사의 출입증으로 쓰이는 셈이다.

탈로스의 분석에는 암호화폐 지갑 금고에 대한 내장 해독 시도도 나온다. 볼타는 그 결과를 자체 보고서에 따로 기록하며, 기기에 저장된 와이파이 비밀번호도 평문으로 추출한다. 브라우저 밖의 메일·게임·업무 환경까지 한 번에 훑는 수집 범위가 AI 평가에 필요한 재료를 마련한다. 개인정보 조각 하나만으로는 드러나지 않을 관계가, 서로 다른 서비스의 기록을 합쳤을 때 보일 수 있다.

수집과 추가 조회가 끝나면 볼타는 기기 안에 Identity_Report.txt를 만든다. 이 내용을 JSON 묶음으로 직렬화해 모델에 보내고, 받은 분석 결과는 AI_Analysis.txt에 저장한다. 두 파일은 volta_dox.zip으로 함께 유출된다. 중요한 것은 모델 요청과 응답이 모두 피해자의 컴퓨터와 인터넷 연결을 거친 뒤 결과물이 빠져나간다는 점이다.

주문형 제작을 염두에 둔 설정 슬롯

볼타에는 설정값을 빌드할 때 바꿔 넣는 슬롯 여섯 개가 있다. 텔레그램(Telegram) 수신 채널이나 API 키 등을 코드에 하나로 고정하지 않고, 필요한 값을 채워 각기 다른 실행 파일을 만들 수 있는 형태다. 탈로스는 제작자가 접근 권한을 판매하고 구매자의 설정값으로 파일을 만들어 주는 ‘빌더’ 모델을 시사한다고 설명했다. 이는 분석 결과를 받아보는 사람에게 높은 개발 숙련도가 필요하지 않을 수 있다는 뜻이기도 하다.

이 슬롯에 담긴 인증 정보는 암호화돼 있지만, 복원에 필요한 두 상수가 같은 실행 파일에 들어 있다. 탈로스는 파일을 역분석하면 해당 정보를 되찾을 수 있어 실질적인 보호 효과는 작다고 봤다. 관찰된 접속 지점도 모두 제3자 서비스에 속하며, 공격자가 소유한 별도 인프라는 확인되지 않았다. 앞서 피해자 기기에서 AI 요청까지 처리하는 설계와 합치면, 운영에 필요한 자체 설비를 줄이는 방향이 드러난다.

다만 탈로스는 볼타가 실제로 판매되는 범용 악성코드라고 확정하지는 않았다. 빌더 형태라는 해석이 맞다면, 피해자별 자산 평가 기능은 제작자 한 사람의 분석 도구가 아니라 구매자가 함께 이용하는 상품 기능이 된다. 그 경우 구매자는 대량으로 모인 탈취 기록 속에서 어느 계정이나 지갑을 먼저 살펴볼지 정리된 결과를 받는다. 탈로스가 주목한 것은 정보 탈취량 자체보다, 그 다음 판단에 필요한 사람의 시간을 줄이는 방식이다.

실행 흔적을 찾고 탈취 범위를 확인하기

탈로스는 볼타의 토큰 탈취 기능 상당 부분이 크롬(Chrome)의 앱 바운드 암호화(ABE·앱에 묶어 비밀정보 접근을 제한하는 방식)를 우회하는 기법에 의존한다고 설명했다. 따라서 허용되지 않은 프로세스가 크롬을 --headless 옵션으로 실행하지 못하게 제한하면, 해당 암호 해제 경로를 차단할 수 있다고 제안했다. 최소한 알려진 개발 도구가 아닌 프로세스에서 이런 실행이 일어날 때 경고를 띄우는 방법도 제시했다. 인증 정보를 하드웨어 기반 저장소에 보관하라는 권고도 함께 나왔다.

감염이 의심된다면 실행 파일이 사라졌더라도 %APPDATA%\volta_debug.txt를 보존하는 것이 중요하다. 이 파일에는 언제 무엇을 수집했는지, LLM 호출이 성공했는지 기록된다. 탈로스는 노출 가능성이 있는 토큰을 폐기하고 비밀번호를 바꾸라고 권했다. 암호화폐 지갑의 복구 문구가 디스크에 평문으로 있었다면 지갑 전체가 노출된 것으로 보고, 네트워크에서 분리된 기기에서 새 복구 문구를 생성해 자산을 옮겨야 한다고 설명했다.

탈로스가 내린 결론은 AI가 이 악성코드를 더 빨리 퍼지게 했다는 이야기가 아니다. 이미 수집된 자료 중 무엇이 값어치 있는지 판단하는 수고를 운영자에게서 덜어낸다는 것이다. 대량 탈취는 이전에도 가능했지만, 볼타는 그 결과를 스스로 분류하고 평가하도록 설계됐다. 앞으로 관찰할 대상은 이런 자동화가 다른 범죄 단계로도 옮겨가는지, 그리고 모델의 거부에 대비한 우회 경로가 얼마나 일반적인 설계가 되는지다.

커뮤니티 의견

한 사용자는 빠르게 바뀌는 소프트웨어의 업데이트 한 번에 이런 악성코드가 섞일 수 있다는 가능성을 걱정했다. 은행 업무, 개발, 웹 이용, 게임, 소셜 활동을 각각 다른 컴퓨터에서 해야 하는 것 아니냐고 물었다. 답글에서는 개발 환경을 격리해 위험을 줄이려 한다는 경험도 나왔다.

또 다른 사용자는 AI 에이전트의 확산이 초기 인터넷처럼 보안 위험을 키울 수 있다고 봤다. 답글에는 외부에 열린 공유기 관리 화면이 공격받은 경험과, 업데이트뿐 아니라 방화벽 같은 기본 조치가 중요하다는 의견이 실렸다. 반면 공격 도구의 대중화와 자동화는 오래된 현상이라며, LLM이 더해졌다고 전혀 새로운 위기가 시작된 것처럼 볼 필요는 없다는 반론도 나왔다.

한 사용자는 악성코드가 로컬 파일을 LLM에 읽힌다면, 그 안에 모델을 혼란스럽게 할 지시문을 심어 방어할 수 있지 않겠느냐고 제안했다. AI에 전달되는 데이터가 동시에 AI의 행동을 바꾸려는 입력이 될 수 있다는 발상이다. 이어진 답글은 금지된 표현으로 폴더 이름을 채워야 하느냐고 되물으며, 그런 방어의 실효성을 익살스럽게 꼬집었다.

다른 사용자는 AI 분석을 공격자의 서버가 아니라 피해자의 컴퓨터에서 수행하는 선택이 특이하다고 지적했다. 그렇게 하면 오픈라우터 API 키가 피해자 쪽에 노출될 수 있다는 것이다. 다만 구매자 입장에서는 로그를 받을 텔레그램 채널을 정하는 정도로 구성이 단순해질 수 있다고 해석했다.

AI 서비스의 방어 수준을 두고도 의견이 갈렸다. 한 사용자는 주요 AI 업체가 출력물을 분류해 알려진 악용 유형을 더 적극적으로 걸러야 한다고 주장했다. 답글에서는 이미 그런 검사가 이뤄지고 있고, 사용 제한이 강화될수록 공격자가 오픈소스 모델을 택할 수 있다는 반론이 나왔다.

한 사용자는 피해자에게 순위가 매겨지면 공격 비용도 그 순위에 맞춰 배분될 수 있다고 내다봤다. 가치가 높다고 평가된 대상에게는 더 비싼 공격 수단을 쓰는 식으로 비용 대비 기대 수익을 계산할 수 있다는 주장이다. 이는 볼타에서 확인된 후속 공격 사례가 아니라, 자동 평가서가 범죄자의 다음 판단에 쓰일 수 있다는 전망이다.

또 다른 사용자는 ‘넓게 훔친 뒤 가치 있는 것을 고른다’는 발상 자체는 새롭지 않다고 지적했다. 물리적인 우편물을 훔쳐 쓸 만한 정보를 찾는 일도 같은 논리라는 설명이다. 이 관점에서 볼타의 새로움은 목표가 아니라, 훔친 내용을 분류하는 작업을 AI에 맡긴 방식에 있다.

핵심통찰

볼타가 바꾸는 것은 침입의 출발점보다 탈취 이후의 업무 분담이다. 계정과 결제 기록을 한꺼번에 훔쳐도 사람이 훑어야 했다면, 이제 악성코드는 피해자 기기에서 근거를 모아 자산의 우선순위까지 적어 보낸다. 토론이 보여주듯 이 발상은 기존 범죄의 연장이지만, 분석에 드는 수고가 줄어들면 운영 방식은 달라질 수 있다. 지켜볼 것은 이런 평가 기능이 실제로 얼마나 널리 쓰이는지, 모델의 거부를 피하는 설계가 반복되는지, 그리고 방어자가 실행 흔적과 탈취 범위를 얼마나 빨리 확인할 수 있는지다.


원본: Appraisal by AI: Model-driven victim prioritization in the VOLTA infostealer

토론: Hacker News