Come può un'intelligenza artificiale smascherare documenti Office pericolosi?

I documenti di Microsoft Office sono tra gli strumenti più usati al mondo, ma anche i più sfruttati dai cybercriminali. Tradizionalmente, gli antivirus cercano firme o regole già note, ma i nuovi malware cambiano velocemente e sfuggono a questi metodi. Una ricerca recente propone un’alternativa: usare i grandi modelli linguistici (LLM) per analizzare il contenuto testuale dei file Office. Prima si estrae il testo dal documento OOXML, poi l’LLM lo esamina alla ricerca di indicatori sospetti, come macro nascoste o istruzioni di rete anomale. Il vantaggio è che il modello non ha bisogno di firme predefinite: può riconoscere schemi mai visti prima. Gli esperimenti con Claude 3.5 Sonnet hanno mostrato che, con poche centinaia di pagine di dati di addestramento, il modello individua gli indicatori in 5‑9 secondi, generando un report di analisi statica. Il costo medio è di 0,19 USD per richiesta e il punteggio F1 raggiunge 0,929, dimostrando alta precisione. Questo approccio può diventare un supporto efficace per gli antivirus, ampliando la difesa contro minacce emergenti e riducendo la dipendenza da firme tradizionali.

L'approccio proposto si basa su un'analisi statica, cioè l'esame del file senza eseguirlo. Dopo aver estratto il contenuto testuale dal pacchetto OOXML (che è fondamentalmente un archivio ZIP contenente XML e risorse), si converte il testo in un formato leggibile dal modello linguistico. Il prompt inviato a Claude 3.5 Sonnet include istruzioni per identificare pattern tipici di malware, come chiamate a API di rete, uso di PowerShell, o sequenze di codice VBA offuscate. Il modello, addestrato su enormi corpora di testo, possiede una conoscenza enciclopedica di sintassi di programmazione e di tecniche di offuscamento, permettendo di riconoscere anche varianti sconosciute. Nei test, il modello ha analizzato 1.200 documenti, di cui 600 malevoli, raggiungendo un valore di precisione del 93% e un richiamo del 92%, con un F1 di 0,929. Il tempo medio di risposta (5‑9 s) è competitivo rispetto ai tradizionali classifier basati su machine learning, che richiedono pre‑processing più complesso. Il costo di 0,19 USD per richiesta è sostenibile per un servizio cloud, soprattutto se si considera la riduzione dei falsi negativi. Tuttavia, l'approccio ha limiti: dipende dalla qualità del testo estratto (documenti con contenuti binari o immagini non testuali possono sfuggire) e dalla capacità del modello di gestire prompt lunghi. Futuri sviluppi potrebbero includere l'integrazione di analisi multimodale (testo + immagini) e l'uso di modelli più efficienti per ridurre costi e latenza, rendendo l'LLM un vero co‑pilota per le suite di sicurezza informatica.