# Campagne Yoba utilise les binaires signés de ChatGPT et Claude

_Publié le 1 novembre 2026 — https://ip73.fr/2026/11/01/campagne-yoba-utilise-les-binaires-signes-de-chatgpt-et-claude/_

Une campagne de menaces, baptisée Yoba par Check Point Research, exploite l'engouement pour les outils d'intelligence artificielle tels que ChatGPT et Claude. Les attaquants y déploient des chaînes de malwares personnalisées en se faisant passer pour des applications de bureau sophistiquées, comme GPT-5.6 Sol ou Claude Opus, via de faux projets sur GitHub. Ils réussissent à contourner les défenses de sécurité en utilisant une technique connue sous le nom de DLL sideloading, permettant à leur code malveillant de s'injecter discrètement à côté d'exécutables légitimes et signés d'OpenAI et d'Anthropic.

La sophistication de cette opération réside dans sa discrétion. Plutôt que de mettre en place une infrastructure de commandement et de contrôle (C2) dédiée, les opérateurs reposent sur des plateformes moins surveillées, notamment Telegram, Tor, Catbox, et le protocole DNS over HTTPS (DoH), démontrant une excellente sécurité opérationnelle (OPSEC). Selon le rapport de Check Point Research, les indicateurs suggèrent une origine russe, et l'activité se concentre principalement dans le fuseau horaire UTC-4.

L'accès initial se fait par ces dépôts GitHub contrefaits. Ces projets se présentent visuellement convaincants, et bien qu'ils n'affichent pas d'engagement artificiel (comme des étoiles ou des forks gonflés), ils apparaissent en haut des résultats de recherche Google, exploitant vraisemblablement un « SEO poisoning » pour attirer les victimes. Les liens de téléchargement mènent directement à des archives ZIP malveillantes hébergées sur GitHub.

L'analyse des fichiers révèle une construction délibérément obscurcie. Les acteurs n'ont pas utilisé de mots de passe pour ces archives, car les binaires intégraient déjà des mécanismes anti-sandbox sophistiqués. En scrutant les horodatages de compilation, les chercheurs ont pu identifier le composant malveillant. Par exemple, dans un package ChatGPT, le fichier `winmm.dll` a été compilé le même jour où il a été ajouté à l'archive ZIP, un indice fort de sa nature suspecte, tandis que `Setup.exe`, un exécutable OpenAI légitime, servait de vecteur pour charger cette DLL.

Ce schéma d'injection, où un exécutable honnête est détourné pour exécuter un code non désiré, est une tactique éprouvée. On observe une similarité frappante entre les différentes versions des malwares, les IoC (indicateurs de compromission) restant les mêmes, même si les fichiers de *setup* varient entre les versions GPT-6 Astra et celles liées à ChatGPT.

## Vulnérabilités plus profondes dans la détection matérielle

Pendant que les attaquants affinent leurs méthodes d'intrusion logicielle, la recherche académique explore des failles plus fondamentales au niveau matériel. Des travaux présentés sur arXiv ont mis en lumière la « cécité silencieuse » des détecteurs de malware matériels (HMDs). Ces outils analysent les mesures des compteurs de performance matériels pour identifier les exécutions malveillantes.

Cependant, les chercheurs ont découvert que des défauts dans la logique de décision ou les paramètres de ces détecteurs peuvent affaiblir leur capacité à identifier les menaces. L'étude a modélisé l'injection de défauts structurels sur un ensemble de classificateurs. Il ressort que, dans les modèles basés sur des arbres (tree-based models), la fraction moyenne de défauts critiques est inférieure à celle observée avec des modèles fonctionnels, atteignant 5,3 % contre 14,3 %. Plus préoccupant, 72,3 % des défauts évalués dans les modèles basés sur des arbres sont « métrique-silencieux » ; cela signifie qu'ils modifient le taux de rappel et le taux de fausse alarme de moins de 0,1 point de pourcentage sans nécessairement invalider la prédiction individuelle.

## La course à l'obscurité des acteurs menaces

Le recours à des infrastructures éphémères et la manipulation des référentiels publics montrent une volonté claire des acteurs de minimiser leur empreinte digitale. L'utilisation de multiples adresses e-mail distinctes pour les dépôts GitHub, avec des fuseaux horaires variés, sert probablement à masquer leur véritable origine opérationnelle. Ce niveau de préparation, visible dans la campagne Yoba, est éloquent sur la maturité des groupes menaçants actuels. Même les systèmes de détection les plus avancés sont sous pression, non seulement par des charges utiles de plus en plus furtives, mais aussi par des failles potentielles dans leurs propres mécanismes de vérification, comme le soulignent les travaux sur les HMDs.

Il faut surveiller non seulement les nouvelles exécutions de *sideloading* contre les outils IA, mais aussi la validation de ces vulnérabilités structurelles dans des implémentations physiques réelles des détecteurs matériels.

## Sources

- [Tricks from the Past deployed via signed ChatGPT and Claude binaries - Check Point Research](https://research.checkpoint.com/2026/tricks-from-the-past-deployed-via-signed-chatgpt-and-claude-binaries/), research.checkpoint.com
- [Silent Blindness: Fault Vulnerability of Hardware Malware Detectors](https://arxiv.org/abs/2610.36612), arxiv.org
- [SECURITY AFFAIRS MALWARE NEWSLETTER ROUND 121](https://securityaffairs.com/202209/malware/security-affairs-malware-newsletter-round-121.html), Security Affairs, 1 novembre 2026

## Crédits photo

- Image en une : [Backlit keyboard](https://commons.wikimedia.org/wiki/File:Backlit_keyboard.jpg), par Colin, [CC BY-SA 4.0](https://creativecommons.org/licenses/by-sa/4.0), via Wikimedia Commons (recadrée)