Start / Unit 4

Malware-Klassifikation

Von der ersten Triage über die Multi-Label-Klassifikation bis zu den Werkzeugen, die daraus Erkennung machen: Antivirus-Engines, VirusTotal, YARA-Regeln und maschinelles Lernen.

Lernziele dieser Unit

  • Malware definieren und die Regeln zur Klassifikation anwenden
  • Den Aufbau eines Computervirus nachvollziehen
  • Malware mit VirusTotal und YARA analysieren
  • Klassifikation mit Machine-Learning-Verfahren einordnen

4.1 Malware-Triage und Klassifikation

Initial Triage: Erste Bewertung unbekannter oder verdächtiger Dateien, um ihre Natur und ihr Bedrohungspotenzial zu bestimmen — von der einfachen Dateityperkennung bis zum Ähnlichkeitsabgleich mit bekannten Samples.

Statische Triage

  • Metadaten und Header untersuchen
  • Binäre Assembler-Instruktionen analysieren
  • Bestimmte Byte-Sequenzen und Muster identifizieren
  • Importierte DLLs prüfen
  • Kryptografische Hashes erzeugen und vergleichen

Dynamische Triage

  • Dateisystemoperationen
  • Netzwerkinteraktionen
  • Sequenzen von Systemaufrufen
  • Registry-Änderungen
  • Weiteres Laufzeitverhalten

Naming vs. Klassifikation

Klassifikation beschreibt ein Sample entlang mehrerer Achsen — was es tut, wie es sich verbreitet, wo es läuft. Naming vergibt ein kompaktes, oft herstellerspezifisches Label. Viele Produkte folgen dem CARO-Schema (Typ, Plattform, Familie, Variante, optionale Suffixe). Weil Hersteller unterschiedlich benennen, sind Äquivalenz-Lookups oft nötig.

CME (Common Malware Enumeration)

Historischer Ansatz mit eindeutigen Ausbruchs-IDs — z. B. CME-24 für das, was Hersteller „Sober" bzw. „Email-Worm.Win32.Sober" nannten. Zu langsam für moderne Bedrohungen, aber ein wichtiger Schritt zur Standardisierung.

MAEC

Von MITRE entwickelt, standardisiert als ITU-T X.1546. Vergibt keine einzelne ID, sondern beschreibt Attribute maschinenlesbar: Verhalten (Keylogging, Verschlüsselung), Beziehungen, Artefakte (Registry-Keys, Dateinamen) und Klassifikationskriterien. Erlaubt Multi-Label-Beschreibungen.

Die 7 Klassifikationskriterien (Multi-Label)

🔀

Propagation Method

Wie sich die Malware verbreitet — Virus über Wirtsdateien, Wurm autonom über Netzwerke.

💣

Payload / Verhalten

Die Hauptaktion nach der Infektion — Verschlüsselung bei Ransomware, Datensammlung bei Spyware.

📮

Delivery Vector

Der initiale Zustellweg — getarnte Software beim Trojaner, Phishing-Mails.

🥷

Stealth / Evasion

Wie sie sich der Entdeckung entzieht — Rootkits verstecken Prozesse, polymorphe Malware ändert ihren Code.

🖥️

Target Platform

Die Zielumgebung — Windows, Android, Linux, IoT.

🧰

Capabilities

Zusätzliche Funktionen jenseits der Hauptpayload — Keylogger, Backdoors.

🎯

Intent & Impact

Zweck und Schadenspotenzial — von lästiger Adware bis zu destruktiver Datenvernichtung.

Fallbeispiel: Multi-Label-Klassifikation

Ein IT-Security-Team entdeckt Malware, die über als Rechnungen getarnte E-Mail-Anhänge verbreitet wird. Die Analyse zeigt: Sie zeichnet Tastatureingaben auf, um Zugangsdaten zu stehlen, und deaktiviert die Antivirensoftware.

Ergebnis: Spyware (primär, wegen Keylogging) + Trojaner (sekundär, wegen der Phishing-Zustellung) + Rootkit-artig (sekundär, wegen der Tarnung gegenüber AV). Finale Einordnung: Spyware-Trojaner mit Rootkit-Fähigkeiten für Windows-Systeme.

Häufige Malware-Familien

TypBeschreibungVerbreitungPayloadBeispiele
VirusHängt sich an legitime Dateien, repliziert bei Ausführung, braucht NutzeraktionInfizierte Dateien, E-Mail, WechselmedienBeschädigt Dateien, verbraucht RessourcenMelissa, Michelangelo
WormSelbstreplizierend über Netzwerke ohne NutzerinteraktionNetzwerk-Exploits, AnhängeBandbreite, Datenlöschung, BackdoorsWannaCry, Conficker
TrojanerAls legitime Software getarnt, repliziert nicht selbstDeceptive Websites, Anhänge, BundlesUnautorisierter Zugriff, DatendiebstahlZeus, SpyEye
RansomwareVerschlüsselt Daten, fordert LösegeldPhishing, Exploit-KitsVerschlüsselung, Lockscreen, DatendrohungCryptoLocker, NotPetya
SpywareÜberwacht Nutzeraktivität heimlichSoftware-Bundles, Drive-by, TrojanerKeylogging, Screenshots, SurfverhaltenFinFisher, DarkComet
AdwareBlendet Werbung ein, trackt VerhaltenSoftware-Bundling, Fake-DownloadsPopups, Suchumleitungen, PerformanceverlustFireball, Appearch
RootkitPrivilegierter Dauerzugriff bei gleichzeitiger TarnungTrojaner, Würmer, direkter ZugriffVersteckt Prozesse/Dateien, deaktiviert SecuritySony BMG Rootkit, NTRootkit
BackdoorUnautorisierte Zugangspunkte unter Umgehung der AuthentifizierungAndere Malware, direkte ExploitsFernsteuerung, DatendiebstahlBack Orifice, Poison Ivy
KeyloggerZeichnet Tastatureingaben aufTrojaner, Phishing, physischer ZugriffPasswörter, Screenshots, ZwischenablageGPCode, Olympic Vision
BotnetNetzwerk ferngesteuerter kompromittierter RechnerWürmer, Trojaner, Drive-byDDoS, Spam, Cryptomining, Ad-FraudMirai, Storm Worm
RATVollständige administrative Fernsteuerung, oft für SpionageAnhänge, Downloads, Exploit-KitsDateizugriff, Webcam/Mikrofon, NachladenBlackshades, njRAT
FilelessArbeitet im Speicher ohne Dateien auf der PlatteMakros in Phishing-Mails, ExploitsCode im RAM, Missbrauch von PowerShellPowerSniff, Poweliks
Herausforderungen: Moderne Malware vereint mehrere Schadfunktionen in einem Programm, nutzt kombinierte Verbreitungswege (E-Mail, P2P, Exploit-Kits) und es fehlt eine einheitliche Taxonomie — deshalb Multi-Label statt einer starren Kategorie.

4.2 Struktur eines Virus

1971 tauchte im ARPANET der Creeper auf — ein experimentelles, selbstreplizierendes Programm von Bob Thomas (BBN), das DEC-PDP-10-Maschinen mit TENEX infizierte und die Nachricht „I'M THE CREEPER. CATCH ME IF YOU CAN!" hinterließ. Die Antwort darauf, Reaper, war das erste Antivirenprogramm.

Die drei Komponenten

🦠

Infektionsmechanismus

Sucht neue Wirtsdateien und bettet sich ein. Der Jerusalem-DOS-Virus etwa infizierte Dateien im Moment ihrer Ausführung. Umfasst auch Downloader, Dropper, Würmer und Phishing.

Trigger

Zeitbasiert: Michelangelo aktivierte sich am 6. März, dem Geburtstag des Künstlers. Ereignisbasiert: Öffnen einer Datei, Start eines Programms oder Erreichen eines Schwellwerts.

💣

Payload

Von destruktiv (Dateien löschen, System lahmlegen) bis unauffällig (Werbung, reine Verbreitung). Auch harmlose Payloads gefährden Sicherheit und Privatsphäre.

Die 4 Lebenszyklus-Phasen

  1. 1

    Dormant Phase

    Der Virus ist auf dem Zielsystem, aber inaktiv. Er wartet auf den Trigger — ein Datum oder eine Nutzeraktion. Nicht jeder Virus hat diese Phase.

  2. 2

    Propagation Phase

    Der Virus repliziert sich in andere Anwendungen oder Systembereiche. Die Kopien müssen keine exakten Duplikate sein — viele Viren mutieren, um der Erkennung zu entgehen.

  3. 3

    Triggering Phase

    Der dormante Virus wird aktiviert: durch Datum, Nutzeraktion oder Systemereignis (etwa das Erreichen einer bestimmten Replikationszahl).

  4. 4

    Execution Phase

    Die Payload wird ausgeführt — von Datenlöschung und Systemabsturz bis zu harmlosen Bildschirmnachrichten.

Beispiel: Makrovirus

Anwendungen wie Microsoft Word und Outlook erlauben das Einbetten von Makros, die beim Öffnen eines Dokuments automatisch starten. Öffnet das Opfer die Datei, läuft der Viruscode. E-Mail-Viren sammeln Adressen und versenden sich selbst weiter — häufig getarnt als Nachricht einer vertrauenswürdigen Bank oder Kreditkartenfirma.

4.3 Antivirus — Erkennungstechniken

TechnikFunktionsweiseGrenze
Signature-based Vergleicht Dateien mit einer Datenbank bekannter Malware-„Fingerabdrücke": Byte-Sequenzen, Hashes, charakteristische Strings. Versagt bei neuer, polymorpher oder Zero-Day-Malware, deren Code nicht in der Datenbank steht.
Heuristic Analysis Bewertet den statischen Code vor der Ausführung auf malware-typische Muster: verdächtige Funktionsaufrufe, obfuskierter Code, Verschlüsselungsroutinen. False Positives — legitime komprimierte oder obfuskierte Software wird fälschlich markiert.
Behavioral Detection Überwacht das Laufzeitverhalten: Systemdateien ändern, Rechte eskalieren, Remote-Server kontaktieren. Wirksam gegen Fileless Malware. False Positives, wenn legitime Security-Tools ungewöhnlich agieren.
Sandboxing Führt verdächtige Dateien in isolierter Umgebung aus und beobachtet das Verhalten. Malware erkennt Sandboxes und verzögert oder verbirgt ihr wahres Verhalten.
Cloud-based Detection Verlagert Analyse in die Cloud — Echtzeit-Updates und Erkennung neuer Bedrohungen ohne lokale Signaturupdates. Erfordert Konnektivität.
Der zentrale Unterschied: Heuristik prüft den statischen Code vor der Ausführung. Behavioral Detection beobachtet das Verhalten während oder nach der Ausführung. Beispiel PDF mit Schadcode: Die Heuristik erkennt eingebettetes bösartiges JavaScript schon vorab; die Verhaltenserkennung schlägt an, wenn das Dokument beim Öffnen eine Schwachstelle ausnutzt.

Beispiele

CryptoLocker: Forscher extrahierten eindeutige Codeabschnitte — etwa die C2-Verbindungs- und Verschlüsselungsroutinen — und erstellten daraus Signaturen für die AV-Datenbanken.

Kovter (Fileless): Umgeht statische Analyse vollständig, wird aber von der Verhaltenserkennung erwischt, sobald es Registry-Einträge modifiziert oder bösartige Server kontaktiert.

Rolle des Antivirus bei der Klassifikation

  • Erstkategorisierung: Einordnung in Typen wie Ransomware oder Wurm anhand der Erkennungstechniken
  • Dynamische Klassifikation: Verhaltensbasierte Einstufung auch ohne bekannte Signatur — wichtig für Fileless Malware und APTs
  • Globale Threat Intelligence: Weitergabe neuer Samples an Plattformen wie VirusTotal
  • Signature Updates: Aufnahme klassifizierter Malware in die Datenbank für schnellere künftige Erkennung

4.4 VirusTotal

VirusTotal ist ein kostenloser Onlinedienst, der Dateien und URLs mit über 70 Antiviren-Engines und Online-Scannern prüft und so einen umfassenden Überblick liefert, wie verschiedene Hersteller ein Sample einstufen.

Zugänge

  • Desktop-Uploader für Windows, macOS und Linux
  • Browser-Erweiterungen wie VT4Browsers für Chrome und Firefox
  • Mobile App für Android zum Prüfen installierter Apps

Integration

  • Public API zum Automatisieren von Uploads, Scans und Abfragen
  • Antivirus-Integration — viele AV-Produkte nutzen die Threat Intelligence
  • Website-Scanning zur Reputationsbewertung von Domains
  • Eigene YARA-Regeln hochladbar
Datenschutzrisiko: Hochgeladene Dateien werden für Security-Vendoren und Forscher zugänglich. Vertrauliche oder proprietäre Daten können so abfließen. Besser: nur den Hash abfragen, On-Premises-Lösungen nutzen oder vertrauenswürdige Security-Partner einbinden, die ohne Upload analysieren.
Workflow: Hash-Lookup statt Uploadshell
$ sha256sum suspicious_file.exe
560d94675723166bf0cfa13a932836263c52a4ad16e0c670e89efdeb62391526

# Hash in die VirusTotal-Suche einfügen — die Datei selbst
# verlässt das Unternehmen nicht.

4.5 YARA

YARA ist ein Open-Source-Werkzeug, mit dem Analysten eigene Regeln auf Basis von Text- oder Binärmustern definieren. Die Regeln lassen sich auf Dateien, Prozesse und Speicherabbilder anwenden — YARA ist damit sowohl in der statischen als auch in der dynamischen Analyse nützlich.

Kernmerkmale

🔍

Pattern Matching

Erkennt komplexe Muster in Dateien und identifiziert damit bestimmte Malware-Stämme und -Familien.

✍️

Rule Creation

Einfache Syntax; mehrere Bedingungen lassen sich kombinieren, um Varianten präzise zu erfassen.

🔗

Integration

Lässt sich in bestehende Security-Tools und automatisierte Analyse-Pipelines einbinden.

🖥️

Cross-Platform

Unterstützt Windows, Linux und macOS.

👥

Community

Große Community pflegt öffentliche Regel-Datenbanken für neue Bedrohungen.

🧬

Familienerkennung

Varianten derselben Familie teilen Merkmale — eine Regel auf diese gemeinsamen Merkmale erkennt auch neue Varianten.

Aufbau einer Regel

example.yaryara
rule ExampleRule
{
    meta:                          // optional: Autor, Datum, Beschreibung
        author = "AnalystName"
        description = "Detects sample malware based on a specific signature"
    strings:                       // Text-, Hex- oder Regex-Muster
        $string1 = "malicious_signature"
        $hex_string = { 6A 40 68 00 30 00 00 }
    condition:                     // wann gilt die Datei als Treffer?
        $string1 or $hex_string
}

Diese Regel markiert jede Datei, die entweder den String malicious_signature oder die angegebene Hex-Sequenz enthält.

Drei Abschnitte: meta (Metadaten, optional) — strings (die zu suchenden Muster) — condition (die Trefferbedingung). Diese Dreiteilung wird gern geprüft.

4.6 KI-gestützte Malware-Analyse

Klassische Methoden stoßen bei der schieren Menge und Wandlungsgeschwindigkeit moderner Malware an Grenzen. KI ergänzt sie — ist aber ein zweischneidiges Schwert: Auch Angreifer nutzen sie. BlackMamba, ein polymorpher Keylogger-Generator auf Basis generativer KI, ist das bekannte Beispiel.

Verfahren

Supervised Learning

Klassifikationsalgorithmen wie Support Vector Machines, Random Forests und Gradient Boosting lernen aus gelabelten Datensätzen, ob eine Datei bösartig oder gutartig ist. Stark bei bekannten Typen und deren Varianten.

Unsupervised Learning

Clustering-Verfahren wie K-Means, hierarchisches Clustering und DBSCAN finden Muster ohne Labels — ideal, um ähnliche Samples zu gruppieren und neue Familien oder Varianten zu entdecken.

Deep Learning

Neuronale Netze erkennen subtile, komplexe Muster, die klassische Verfahren übersehen, und lassen sich laufend mit neuen Daten nachtrainieren — wirksam gegen Obfuskation und polymorphen Code.

Analogie

Supervised Learning funktioniert wie das Erkennen von Äpfeln und Orangen: Man zeigt dem System viele beschriftete Bilder, danach ordnet es neue Früchte selbst zu. Bei Malware lernt das Modell aus vielen bekannten Schad- und Gutprogrammen — etwa dass Programme, die Dateien verstecken, häufig bösartig sind.

Grenzen: Deep-Learning-Modelle sind eine „Black Box" — warum eine Datei markiert wurde, ist oft nicht erklärbar. Dazu kommen adversariale Angriffe, der Bedarf an großen, gut kuratierten Datensätzen und False Positives. Deshalb wird KI in der Praxis ergänzend zu statischer und dynamischer Analyse eingesetzt, nicht als Ersatz.