- La ofuscación mediante caracteres invisibles es un método de evasión de correo electrónico que se utiliza desde hace mucho tiempo. El bloque de etiquetas Unicode se dio a conocer ampliamente a través de la investigación sobre la inyección de prompts en la IA, pero la propiedad que lo hace útil en ese contexto es que se trata de texto que una persona no puede ver y que el software sigue procesando. Esa misma propiedad permite a los atacantes dividir las palabras para que los detectores no las detecten, mientras que los lectores sí lo hacen.
- Mimecast observó esta técnica en casos de phishing financiero masivo, señuelos con credenciales de cuentas comprometidas, URL de llamada a la acción y suplantación de marcas, incluyendo empalmes en medio de las palabras, asuntos saturados y nombres de usuario con homógrafos.
Oculto a plena vista: cómo el Unicode invisible ayuda a eludir los filtros
Por El equipo de investigación de amenazas de Mimecast
Puntos clave
Resumen de amenazas
El texto ofuscado es tan antiguo como el propio procesamiento de texto, y los atacantes llevan décadas recurriendo a homógrafos, relleno de caracteres, cuerpos compuestos únicamente por imágenes y fragmentación HTML. Lo que ha cambiado es el vocabulario. En los últimos meses, el equipo de investigación de amenazas de Mimecast ha seguido observando el uso de diversas técnicas de ofuscación, incluido el uso de caracteres Unicode invisibles. Se trata de puntos de código que ocupan una posición en el flujo de bytes sin procesar, pero que no se visualizan en un cliente de correo electrónico normal cuando se colocan dentro de palabras clave trampa.
El efecto es una divergencia deliberada entre dos lectores del mismo mensaje. El destinatario ve las palabras. Un motor de detección que realiza una coincidencia literal de cadenas ve algo diferente. No se aprovecha ninguna vulnerabilidad; la técnica en sí misma no entrega ninguna carga útil, y el coste para el operador es una simple operación de «buscar y reemplazar» en una plantilla.
En qué consiste
El principal vehículo es el bloque de etiquetas Unicode (U+E0000–U+E007F). Cada punto de código se encuentra a una distancia fija de un carácter ASCII imprimible (U+E0020 para un espacio, U+E0043 para la «C»), pero las fuentes y los clientes de correo habituales no muestran ninguno de ellos. El bloque se diseñó para el etiquetado de idiomas, un uso que desde entonces se ha abandonado.
Dado que cada carácter ASCII tiene un gemelo invisible, un atacante puede escribir instrucciones que un revisor humano nunca ve, pero que un modelo de lenguaje lee como texto normal. Por eso este bloque ocupa un lugar tan destacado en la investigación sobre la inyección de comandos.
En la evasión de correo electrónico, el objetivo es diferente. El atacante no está ocultando un mensaje. Coloca un carácter invisible en medio de una palabra clave para que las comparaciones de cadenas contiguas ya no se activen.
Por qué funciona
Muchos controles contra el spam y el phishing siguen basándose en listas literales de palabras clave o expresiones regulares. Intercalar un carácter invisible en medio de una palabra burla esos controles sin cambiar ni un solo glifo visible: Hay tres propiedades que hacen que esto resulte atractivo para un operador:
- No se requiere ninguna vulnerabilidad. El comportamiento es el manejo correcto de Unicode por parte de todos los componentes de la ruta. Nada está mal formado, por lo que no hay errores.
- El coste es insignificante. Un cambio en la plantilla aplica la técnica a toda una campaña, y el carácter puede desplazarse a una posición diferente dentro de la palabra en cada envío para frustrar la creación de firmas.
- También degrada los clasificadores de aprendizaje automático. Sin normalización, un tokenizador que se encuentre con un punto de código desconocido puede dividir un término revelador como «crédito» en fragmentos sin sentido. Eso debilita tanto a los clasificadores de aprendizaje automático como a las reglas de palabras clave.
Cómo se codifica
Un mismo punto de código puede llegar a un buzón de correo en varias representaciones, y el contenido de detección debe tenerlas todas en cuenta. Utilizando U+E0020 (TAG SPACE) como en la Tabla 1.
| Representación | Forma | Dónde se observa |
|---|---|---|
| Punto de código Unicode | U+E0020 | Solo a título informativo |
| UTF-8 sin procesar | F3 A0 80 A0 | Parte del cuerpo HTML, codificada en base64/quoted-printable |
| Entidad decimal HTML | | Parte del cuerpo en texto sin formato |
| Entidad hexadecimal HTML | | Parte del cuerpo en HTML |
| Palabra codificada MIME | =?UTF-8?B?…?= / =?UTF-8?Q?…?= | Encabezados «Asunto» y «De» |
Tabla 1: Representación de U+E0020 observada en el correo electrónico
Campañas observadas
Campaña uno: uso mínimo de empalmes en los mensajes de captación de financiación masiva en el cuerpo del correo electrónico.
El uso más extendido que ha observado Mimecast es también el más sencillo. Los mensajes anuncian financiación empresarial no solicitada, líneas de crédito y productos de financiación anticipada, e insertan un único ESPACIO DE ETIQUETA dentro de cada palabra clave relacionada con las finanzas, en lugar de codificar ningún mensaje oculto.
En una campaña, siete palabras clave se fragmentaron con U+E0020 a lo largo de un cuerpo HTML de 14 283 caracteres —una huella de ofuscación muy inferior al 0,1 %—, dirigiéndose precisamente a los términos que buscaría una regla de palabras clave:
| Cadena sin procesar | Tal y como se muestra al destinatario |
|---|---|
| Cre + U+E0020 + dit | Credit |
| ter + U+E0020 + ms | términos |
| ra + U+E0020 + tes | tasas |
| acc + U+E0020 + ess | acceso |
| Ac + U+E0020 + cess | Acceso |
| fa + U+E0020 + st | rápido |
Tabla 2: Divisiones de palabras clave con U+E0020 y sus formas representadas
Figura 1: Campaña de phishing fragmentada con U+E0020
Fíjate en la selección. Cada término fragmentado es una palabra clave del vocabulario de financiación o un modificador de urgencia. Los textos circundantes, como financiación puente, comisiones por pago anticipado y el cargo del remitente, se mantuvieron intactos, lo que indica una lista de sustituciones seleccionada cuidadosamente en lugar de una aleatorización generalizada.
Campaña dos: ofuscación por saturación en el asunto desde una cuenta comprometida
Se observó un segundo patrón, considerablemente más agresivo, en los mensajes enviados desde un buzón comprometido del sector educativo en junio y julio de 2026. En este caso, el operador no fragmentó palabras clave seleccionadas, sino que saturó toda la línea de asunto.
| Métrica | Señuelo de caducidad de la cuenta (junio de 2026) | Señuelo de nómina (julio de 2026) |
|---|---|---|
| Asunto tal y como se muestra | El acceso a la cuenta de correo electrónico de la universidad finalizará pronto 372508BQB | Se ha generado su nómina 361432LWA |
| Caracteres visibles | 53 | 41 |
| Puntos de código invisibles | 324 | 261 |
| Proporción invisible | 85,9 % | 86,4 % |
| Caracteres invisibles distintos | 34 | 34 |
| Relación entre caracteres invisibles y visibles | 6,1 : 1 | 6,4 : 1 |
Tabla 3: Densidad de caracteres invisibles en asuntos saturados
Figura 2: Campaña de phishing que utiliza caracteres invisibles
Cada límite entre caracteres visibles contiene una secuencia aleatoria de entre seis y ocho puntos de código invisibles mezclados entre las tres familias. Un único límite de la muestra de junio ilustra esta estructura:
| «S» + [U+00AD, U+2063, U+FEFF, U+2060, U+00AD, U+FE00] + «o» -> «So»'n' + [U+2063, U+2064, U+00AD, U+2061, U+2061, U+FEFF, U+2062, U+FE0B] + 'g' -> «ng» |
Esto impide la coincidencia de subcadenas de más de un carácter y, lo que es más importante, también desactiva los identificadores alfanuméricos de campaña añadidos al asunto (372508BQB, 361432LWA) que, de otro modo, agruparían la campaña de forma sencilla.
Los caracteres de las etiquetas presentes en estos asuntos no forman un mensaje oculto coherente. Al convertirlos a ASCII se obtiene ruido de puntuación como +&**#( '''$!)), lo que confirma que el objetivo es la fragmentación y no el contenido oculto —una distinción significativa respecto al caso de uso de inyección de prompts por IA que comparte la misma primitiva.
Figura 3: Campaña de phishing con contenido mínimo en el cuerpo del mensaje
En el cuerpo de texto sin formato de la misma muestra de acceso a la universidad, la ofuscación no se limitó al asunto. Inmediatamente después del saludo, el MIME utilizó «quoted-printable» para insertar puntos de código invisibles que el destinatario sigue leyendo como una línea normal «Hola, Corinne»:
| Hell=E2=80=8Co Corinne, =C2=AD=E2=80=8E=E2=80=8E=E2=80=8D=E2=80=8F=E2=81=A1=C2=AD=E2=81=A3=E2=80=8F= =E2=81=A0=EF=B8=87=EF=B8=83=EF=B8=80=EF=B8=85=F3=A0=80=A5=F3=A0=80=A7=F3=A0= =80=A6--=20 |
Figura 4: Saludo en formato quoted-printable y puntos de código invisibles
Una vez decodificado, queda así:
- Hell + U+200C (SEPARADOR DE ANCHO CERO; QP =E2=80=8C) + o Corinne, → el usuario ve Hello Corinne,
- A continuación, una secuencia compacta e invisible antes del separador de la firma --:
Así pues, el cuerpo contiene tanto una unión ZWNJ en medio de la palabra Hello como un grupo invisible que incluye el bloque de etiquetas, el mismo conjunto de herramientas que se observa en el asunto fragmentado, al tiempo que sigue siendo visualmente inofensivo en un cliente de correo normal.
Carga útil
Cada mensaje incluía un documento de Word que utilizaba como cebo un documento sobre la caducidad de la cuenta, con un aviso de Microsoft titulado «Revisa o actualiza tu cuenta de Microsoft» en el que se afirmaba que estaba prevista la cancelación del buzón de Office 365 del destinatario. El documento de la nómina reproducía una notificación del portal de nóminas de los empleados y enlazaba a un subdominio de Cloudflare Workers.
Campaña tres: caracteres homógrafos en el nombre para mostrar del remitente del encabezado MIME
Una tercera variante aplica la ofuscación a la identidad del remitente en lugar de al contenido del cuerpo del mensaje. En una muestra de alerta bancaria de agosto de 2026, el nombre de visualización estaba codificado como una palabra codificada MIME:
| De: =?UTF-8?Q?B=C9=91nk_of_America?= <ealerts.backofamerica@pedro-tuning[.]sk> |
La secuencia «quoted-printable» =C9=91 se decodifica como U+0251 ALFA MINÚSCULA LATINA, que es visualmente casi idéntica a una a minúscula en la mayoría de las fuentes sans-serif. El nombre que se muestra se visualiza como Bank of America, aunque nunca contiene la cadena literal «Bank of America» con la que coincidiría una regla de suplantación de marca. A diferencia de la técnica de los caracteres invisibles, esta sustitución es visible, pero solo para un lector que la busque.
Figura 5: Campaña de phishing que utiliza el nombre de visualización «Bank of America» y contiene U+0251 (letra minúscula alfa latina)
Campaña cuatro: Phishing de devolución de llamada con codificación de espacio de ancho cero en suplantación de marca.
Asunto de Amazon «confirmación de pedido / pago realizado con éxito» que incluye un texto fraudulento completo y un número de devolución de llamada, enviado con la imagen de marca de Amazon SES.
Figura 6: Ejemplo de phishing de Amazon que utiliza la fractura de caracteres invisibles en el texto de la marca
La clásica fragmentación de caracteres invisibles en este tipo de campañas suele utilizar el espacio de ancho cero (ZWSP):
Ejemplo: «Ama + U+200B + zon» sigue leyéndose como «Amazon» para el usuario, pero la coincidencia literal de la palabra clave o firma con la cadena contigua «Amazon» puede fallar a menos que el texto se normalice primero.
Esto forma parte de la misma familia de ofuscación que las uniones de bloques de etiquetas y la fragmentación densa del asunto: el destinatario ve el lenguaje de la marca o el señuelo intacto; los detectores que buscan tokens sin fragmentar pueden no hacerlo.
Campaña cinco: suplantación de identidad para obtener credenciales con un carácter de ancho cero en la llamada a la acción (CTA)
Como se muestra en la figura 7.0, el mensaje va dirigido de forma genérica a «Estimado equipo», está firmado por «Nómina/Recursos Humanos» y afirma que el archivo adjunto «Layoff_Letter.pdf» enumera al personal afectado. El enlace href apunta a https://google.com.tw/share.google?q=<token>#<recipient_email>.
Figura 7.0: Correo electrónico de phishing con un carácter de ancho cero en la llamada a la acción
En el código HTML sin formato, tal y como se muestra en la figura 8.0, el nombre de host está escrito con tres referencias numéricas al carácter U+180E (). Un navegador decodifica estos caracteres en caracteres invisibles, por lo que la barra de estado y la vista previa al pasar el cursor muestran lo que parece ser google.com.tw, mientras que la cadena subyacente es diferente. Esto engaña al destinatario y también puede confundir a las herramientas que decodifican y eliminan los caracteres de formato antes de aplicar una lista de permitidos, o que comparan el host con una coincidencia exacta de la cadena.
Figura 8.0: Carácter de ancho cero en la llamada a la acción (CTA)
El fragmento de la URL contiene la dirección de correo electrónico del destinatario (#usuario@dominio). Los fragmentos no se transmiten en las solicitudes HTTP, por lo que el valor no aparece en los registros del servidor ni del proxy, pero el JavaScript del lado del cliente en la página de destino puede leerlo desde location.hash, algo que los kits de phishing suelen utilizar para rellenar previamente un formulario de credenciales. El mensaje también se envía en formato «quoted-printable» (=3D para =, saltos de línea suaves), por lo que los analizadores deben decodificar esa capa antes de poder ver la URL. Por lo tanto, una detección fiable requiere un proceso de canonización: decodificar el formato «quoted-printable», eliminar el escape de las entidades HTML, eliminar o marcar los caracteres de formato (U+180E, U+200B a U+200D, U+2060, U+FEFF), para, a continuación, analizar la URL y evaluar tanto la forma sin procesar como la normalizada.
Riesgo en ambos sentidos
Esta técnica no es nueva. La ofuscación mediante caracteres invisibles y homógrafos lleva muchos años utilizándose en herramientas de spam, y el bloque «Tags» es una curiosidad conocida desde hace aún más tiempo. Lo que ha cambiado es el debate en torno a ello.
La investigación sobre la inyección de comandos ha convertido el contrabando de ASCII en una técnica primitiva ampliamente documentada, bien equipada y bien comprendida. Ahora existen codificadores y decodificadores públicos; es muy fácil encontrar cargas útiles de prueba de concepto, y la técnica tiene un nombre consolidado. Esa investigación dio a conocer la técnica mucho más allá de su público anterior, y los mismos codificadores que producen instrucciones ocultas para los modelos también producen brechas ocultas en los filtros.
La preocupación se extiende ahora en ambos sentidos, y las organizaciones deben prepararse para ambos:
- Caracteres invisibles como método de evasión. El uso documentado anteriormente, dirigido a reglas de palabras clave, firmas y tokenizadores de clasificadores.
- Los caracteres invisibles como instrucciones. A medida que los asistentes y copilotos de IA obtienen acceso a los buzones de correo para resumir, clasificar, redactar respuestas y tomar medidas, el cuerpo de un mensaje se convierte en una entrada no fiable para un modelo. El contenido que es invisible para la persona que aprueba la acción no lo es para el asistente que lo lee.
Observaciones sobre la detección
La evaluación basada únicamente en el contenido es la estrategia más débil frente a esta técnica. Una detección eficaz combina el cuerpo del mensaje con los patrones de envío, la antigüedad de los indicadores, el comportamiento anómalo del remitente y el análisis de intenciones, por lo que una técnica que se limite a fragmentar palabras clave tiene menos probabilidades de tener éxito ante las lagunas en la coincidencia de cadenas.
La Protección Multivectorial contra Amenazas (MVTP) de Mimecast combina el cuerpo del mensaje con la estructura del correo electrónico, la antigüedad de los indicadores y el comportamiento anómalo del remitente —entre otras señales derivadas de la IA conductual— para llegar a un veredicto, lo que la hace resistente a las técnicas que fragmentan las palabras clave. Además, ni la MVTP ni los clasificadores de IA de Mimecast se ven superados por el empalme de caracteres invisibles. Antes de la tokenización subpalabra, la etapa de limpieza del texto elimina los puntos de código del formato Unicode (Cf), que abarcan el bloque de etiquetas (U+E0000–U+E007F), los caracteres de formato bidireccionales y de ancho cero (U+200B–U+200F, U+2060–U+2064), el guión flexible (U+00AD) y la marca de orden de bytes (U+FEFF). Una palabra intercalada con caracteres de cualquiera de estos rangos produce la misma secuencia de tokens que la palabra limpia: «Cre<U+E0020>dit» y «Credit» son indistinguibles para el modelo. El clasificador ve el texto tal y como lo lee el destinatario, por lo que la fragmentación de palabras clave que evita una coincidencia literal de cadenas no se traslada a la detección basada en modelos.
Figura 7: Detección a lo largo de siete meses
Como se muestra en la figura 7.0, el volumen de detecciones se disparó a principios de marzo, alcanzando un máximo cercano a las 26 000 en un solo día, para luego oscilar entre unas 10 000 y 22 000 hasta mediados de abril —lo que concuerda con el hecho de que los atacantes ajustaran su estrategia para eludir la detección—. A partir de finales de abril, el volumen descendió de forma constante, estabilizándose en un nivel bajo y constante hasta septiembre.
Aunque este descenso concuerda con el hecho de que nuestras defensas hayan cerrado la brecha, el volumen de detecciones por sí solo no confirma si los atacantes abandonaron la técnica o simplemente se trasladaron a otro lugar. Seguimos vigilando por si se produce un resurgimiento y contrastando esta tendencia con información externa sobre amenazas.
Conclusión
El texto ofuscado es tan antiguo como el propio procesamiento de texto. Mimecast Threat Research ha observado un nuevo aumento en el uso de caracteres invisibles del bloque «Tags» utilizados con ese fin. Esta técnica, conocida comúnmente como «contrabando de ASCII» y popularizada por la investigación sobre la inyección de prompts en IA, sigue utilizándose para eludir la detección de palabras clave y firmas en el correo electrónico: los atacantes insertan caracteres invisibles dentro de las palabras, de modo que los destinatarios ven texto normal, mientras que los filtros literales a menudo no lo detectan.
Mimecast ha detectado esta técnica en campañas masivas de phishing financiero, señuelos con credenciales de cuentas comprometidas, suplantación de marcas y estafas de devolución de llamada. Las campañas anteriores se enviaban en grandes cantidades a través de una plataforma de marketing convencional desde dominios desechables relacionados con el sector financiero, con el objetivo habitual de realizar phishing no solicitado sobre préstamos, líneas de crédito y anticipos de fondos, vinculado al fraude y al robo de credenciales. El mismo método apareció posteriormente en mensajes procedentes de cuentas comprometidas, incluyendo casos de suplantación de correo electrónico empresarial y temas relacionados con llamadas de respuesta, así como nombres de usuario con homógrafos y asuntos muy fragmentados. El volumen diario se disparó en marzo, alcanzando un máximo cercano a los 26 000, para luego caer bruscamente a lo largo de abril y mantenerse bajo y esporádico desde mayo hasta septiembre.
La Protección Multivectorial contra Amenazas de Mimecast llega a una conclusión basándose en el cuerpo del mensaje, junto con la estructura del correo electrónico, la antigüedad de los indicadores y el comportamiento anómalo del remitente. Los clasificadores de IA de Mimecast también eliminan los caracteres en formato Unicode, incluido el bloque «Tags», antes de la tokenización, de modo que una palabra empalmada como «Credit» produce la misma secuencia de tokens que la palabra sin modificar. La fragmentación de palabras clave que elude la coincidencia literal de cadenas no se traslada a esa detección basada en modelos.
Indicadores de compromiso
Campaña uno: señuelo de financiación masiva
| Indicador | Tipo |
|---|---|
| expressloccapital[.]com | Dominio |
| em-3251641.expressloccapital[.]com | Dominio |
| expressloccapital123.acemlnd[.]com | Dominio |
| expressloccapital123.activehosted[.]com | Dominio |
| [Externo] → Nota rápida sobre las opciones de financiación de <empresa> | Asunto |
Campaña dos: phishing con credenciales de cuentas comprometidas
| Indicador | Tipo |
|---|---|
| msoff.systematicapproach[.]one | Dominio |
| solutionalliancetacticblue-waterfall-e044.mihofo9840.workers[.]dev | Dominio |
| Secure_Document_Copy_55338.docx | Nombre de archivo |
| fa540148c96fa80cd1d9591f73c4ed4e3a66679cc7819427efc386184c6fd017 | SHA-256 |
| Documento de registro de cumplimiento 67546.docx | Nombre del archivo |
| 4292da028ac1fac39eed78b4040086ddf53226d022658fb4d7b8c121fead6e5c | SHA-256 |
| El acceso a la cuenta de correo electrónico de la universidad finalizará próximamente 372508BQB | Asunto |
| Se ha generado tu nómina 361432LWA | Asunto |
| Mailbird 2.9.80.0 / Postfix MTA 3.6.7 | X-Mailer |
Campaña tres: alerta bancaria con homógrafos
| Indicador | Tipo | Notas |
|---|---|---|
| ealerts.backofamerica@pedro-tuning[.]sk | Remitente | Nombre que aparece en pantalla: Bɑnk of America utilizando U+0251 |
| links.notification.intuit[.]com | Dominio | Servicio legítimo de seguimiento de clics utilizado indebidamente para redireccionamiento |