4.1 Malware-Triage und Klassifikation
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
| Typ | Beschreibung | Verbreitung | Payload | Beispiele |
|---|---|---|---|---|
| Virus | Hängt sich an legitime Dateien, repliziert bei Ausführung, braucht Nutzeraktion | Infizierte Dateien, E-Mail, Wechselmedien | Beschädigt Dateien, verbraucht Ressourcen | Melissa, Michelangelo |
| Worm | Selbstreplizierend über Netzwerke ohne Nutzerinteraktion | Netzwerk-Exploits, Anhänge | Bandbreite, Datenlöschung, Backdoors | WannaCry, Conficker |
| Trojaner | Als legitime Software getarnt, repliziert nicht selbst | Deceptive Websites, Anhänge, Bundles | Unautorisierter Zugriff, Datendiebstahl | Zeus, SpyEye |
| Ransomware | Verschlüsselt Daten, fordert Lösegeld | Phishing, Exploit-Kits | Verschlüsselung, Lockscreen, Datendrohung | CryptoLocker, NotPetya |
| Spyware | Überwacht Nutzeraktivität heimlich | Software-Bundles, Drive-by, Trojaner | Keylogging, Screenshots, Surfverhalten | FinFisher, DarkComet |
| Adware | Blendet Werbung ein, trackt Verhalten | Software-Bundling, Fake-Downloads | Popups, Suchumleitungen, Performanceverlust | Fireball, Appearch |
| Rootkit | Privilegierter Dauerzugriff bei gleichzeitiger Tarnung | Trojaner, Würmer, direkter Zugriff | Versteckt Prozesse/Dateien, deaktiviert Security | Sony BMG Rootkit, NTRootkit |
| Backdoor | Unautorisierte Zugangspunkte unter Umgehung der Authentifizierung | Andere Malware, direkte Exploits | Fernsteuerung, Datendiebstahl | Back Orifice, Poison Ivy |
| Keylogger | Zeichnet Tastatureingaben auf | Trojaner, Phishing, physischer Zugriff | Passwörter, Screenshots, Zwischenablage | GPCode, Olympic Vision |
| Botnet | Netzwerk ferngesteuerter kompromittierter Rechner | Würmer, Trojaner, Drive-by | DDoS, Spam, Cryptomining, Ad-Fraud | Mirai, Storm Worm |
| RAT | Vollständige administrative Fernsteuerung, oft für Spionage | Anhänge, Downloads, Exploit-Kits | Dateizugriff, Webcam/Mikrofon, Nachladen | Blackshades, njRAT |
| Fileless | Arbeitet im Speicher ohne Dateien auf der Platte | Makros in Phishing-Mails, Exploits | Code im RAM, Missbrauch von PowerShell | PowerSniff, Poweliks |
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
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
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
Triggering Phase
Der dormante Virus wird aktiviert: durch Datum, Nutzeraktion oder Systemereignis (etwa das Erreichen einer bestimmten Replikationszahl).
- 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
| Technik | Funktionsweise | Grenze |
|---|---|---|
| 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. |
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
$ 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
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.
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.