Nach Angaben von SentinelOne tarnt Gaslight seine irreführenden Inhalte als Entwicklerprotokolle, Absturzberichte, Debug-Ausgaben und Programmmeldungen. Die Texte nutzen Markdown-Formatierung und vorlagenartige Platzhalter, damit sie wie legitime Analysedaten wirken.
Zu den von SentinelOne beobachteten Beispielen gehören erfundene Speicherauszüge, Warnungen über ablaufende Token, Verbindungsfehler zu Redis, Fehler in Build-Pipelines und Hinweise auf SQL-Injection. Diese Meldungen stehen laut den Forschern in keinem Zusammenhang mit dem tatsächlichen Verhalten der Malware.
SentinelOne beschreibt die Technik als Angriff auf die Wahrnehmung eines LLM-gestützten Triage-Agenten. Die auffälligste Eigenschaft sei „eine eingebettete Kaskade fingierter Meldungen über Systemfehler, die einen LLM-gestützten Triage-Agenten an seiner eigenen Sitzung zweifeln lassen soll“. Deshalb habe das Unternehmen diese Familie macOS.Gaslight genannt.
Weiter erklären die Forscher, das eingebettete Gerüst enthalte gefälschte Systemmeldungen zu Token-Ablauf, durch Speichermangel beendeten Prozessen, erschöpftem Speicherplatz und wiederholten Betriebsfehlern. Hinzu kämen fingierte Warnungen über Injection-Schwachstellen und Kennzeichnungen aus der statischen Analyse. Das Ziel sei, einen LLM-Agenten dazu zu bringen, die Analyse abzubrechen, zu verkürzen oder ganz zu verweigern.
Einen praktischen Nachweis, dass sich damit KI-Plattformen zur Malware-Analyse tatsächlich erfolgreich umgehen lassen, hat SentinelOne in dem Bericht nicht erbracht. Die Beobachtungen legen aus Sicht des Unternehmens aber nahe, dass Bedrohungsakteure mit Anti-Analyse-Methoden experimentieren, die speziell auf KI-gestützte Sicherheitsplattformen zielen.
Abseits dieser Täuschungstechnik ist die Malware selbst vergleichsweise vertraut aufgebaut. SentinelOne beschreibt Gaslight als Rust-Binärdatei mit Backdoor- und Informationsdiebstahl-Funktionen, wie sie bei ähnlicher Malware häufig vorkommen. Der besondere Aspekt liegt damit weniger in den Grundfunktionen als in der Art, wie die Probe automatisierte, KI-unterstützte Auswertung beeinflussen soll.
