- L'obfuscation par caractères invisibles est une méthode de contournement des filtres anti-spam utilisée depuis longtemps. Le bloc « Unicode Tags » s’est fait largement connaître grâce aux recherches sur l’injection de prompts dans l’IA, mais la propriété qui le rend utile dans ce contexte est que le texte est invisible pour l’œil humain tout en restant traitable par les logiciels. Cette même propriété permet aux attaquants de fragmenter les mots afin que les détecteurs ne les repèrent pas, contrairement aux lecteurs.
- Mimecast a observé cette technique dans le cadre d’attaques de hameçonnage financier à grande échelle, d’appâts utilisant les identifiants de comptes compromis, d’URL d’appel à l’action et d’usurpation de marque, notamment sous forme de découpages au milieu des mots, d’objets saturés et de noms d’affichage homoglyphes.
Caché à la vue de tous : comment l'Unicode invisible permet de contourner les filtres
Par L'équipe de recherche sur les menaces de Mimecast
Points clés
Aperçu des menaces
Le texte obscurci est aussi ancien que le traitement de texte lui-même, et les attaquants ont alterné pendant des décennies entre homoglyphes, remplissage de caractères, corps de message composés uniquement d’images et fragmentation HTML. Ce qui a changé, c’est le vocabulaire. Au cours des derniers mois, Mimecast Threat Research a continué d’observer l’utilisation de diverses techniques d’obfuscation, notamment le recours à des caractères Unicode invisibles. Il s’agit de points de code qui occupent une position dans le flux d’octets brut mais qui ne s’affichent pas dans un client de messagerie standard lorsqu’ils sont placés à l’intérieur de mots-clés leurres.
Il en résulte une divergence délibérée entre deux lecteurs d’un même message. Le destinataire voit les mots. Un moteur de détection effectuant une correspondance littérale de chaînes de caractères voit quant à lui quelque chose de différent. Aucune vulnérabilité n’est exploitée ; aucune charge utile n’est transmise par la technique elle-même, et le coût pour l’opérateur se limite à une simple opération de recherche et de remplacement dans un modèle.
De quoi s’agit-il ?
Le principal vecteur est le bloc des balises Unicode (U+E0000–U+E007F). Chaque point de code se situe à un décalage fixe par rapport à un caractère ASCII imprimable (U+E0020 pour un espace, U+E0043 pour « C »), mais les polices et clients de messagerie courants n’affichent aucun d’entre eux. Ce bloc a été conçu pour le marquage linguistique, une utilisation qui a depuis été abandonnée.
Comme chaque caractère ASCII possède un jumeau invisible, un attaquant peut écrire des instructions qu’un réviseur humain ne verra jamais, mais qu’un modèle linguistique interprète comme du texte ordinaire. C’est pourquoi ce bloc occupe une place si importante dans la recherche sur l’injection de prompts.
Dans le cadre du contournement des filtres de messagerie, l’objectif est différent. L’attaquant ne cache pas de message. Il place un caractère invisible au milieu d’un mot-clé afin que les détections par chaîne contiguë ne se déclenchent plus.
Pourquoi cela fonctionne-t-il ?
De nombreux contrôles anti-spam et anti-hameçonnage reposent encore sur des listes littérales de mots-clés ou des expressions régulières. L’insertion d’un caractère invisible au milieu d’un mot permet de contourner ces contrôles sans modifier le moindre glyphe visible : Trois propriétés rendent cette technique attrayante pour un opérateur :
- Aucune vulnérabilité n’est requise. Ce comportement correspond à une gestion Unicode correcte par chaque composant du chemin. Rien n’est mal formé, donc aucune erreur ne se produit.
- Le coût est négligeable. Une simple modification du modèle permet d’appliquer cette technique à l’ensemble d’une campagne, et le caractère peut être déplacé à un emplacement différent dans le mot à chaque envoi afin de contrecarrer la création de signatures.
- Cela affaiblit également les classificateurs d’apprentissage automatique. Sans normalisation, un tokeniseur confronté à un point de code inconnu peut décomposer un terme révélateur tel que « crédit » en fragments dénués de sens. Cela affaiblit les classificateurs d’apprentissage automatique ainsi que les règles basées sur les mots-clés.
Comment cela est-il encodé ?
Un même point de code peut parvenir dans une boîte mail sous plusieurs formes, et le système de détection doit les prendre toutes en compte. Utilisation de U+E0020 (TAG SPACE) comme dans le tableau 1.
| Représentation | Forme | Où il a été observé |
|---|---|---|
| Point de code Unicode | U+E0020 | Notation uniquement |
| UTF-8 brut | F3 A0 80 A0 | Partie du corps HTML, encodée en base64/quoted-printable |
| Entité décimale HTML | | Partie du corps en texte brut |
| Entité hexadécimale HTML | | Partie du corps HTML |
| Mot encodé MIME | =?UTF-8?B?…?= / =?UTF-8?Q?…?= | En-têtes « Subject » et « From » |
Tableau 1 : Représentation de U+E0020 observée dans les e-mails
Campagnes observées
Campagne n° 1 : insertion minimale dans les messages de sollicitation de financement en masse dans le corps de l’e-mail.
L’utilisation la plus répandue observée par Mimecast est également la plus sobre. Les messages font la promotion de financements d’entreprise non sollicités, de lignes de crédit et de produits de préfinancement, et insèrent un seul ESPACE DE BALISE à l’intérieur de chaque mot-clé financier plutôt que d’encoder un message caché.
Dans une campagne, sept mots-clés ont été fragmentés à l’aide de U+E0020 dans un corps HTML de 14 283 caractères, soit une empreinte d’obfuscation bien inférieure à 0,1 %, ciblant précisément les termes recherchés par une règle de mots-clés :
| Chaîne brute | Affichage chez le destinataire |
|---|---|
| Cre + U+E0020 + dit | Crédit |
| ter + U+E0020 + ms | conditions |
| ra + U+E0020 + tes | taux |
| acc + U+E0020 + ess | accès |
| Ac + U+E0020 + cess | Accès |
| fa + U+E0020 + st | rapide |
Tableau 2 : Décompositions des mots-clés contenant U+E0020 et leurs formes affichées
Figure 1 : Campagne de hameçonnage fragmentée à l’aide de U+E0020
Notez la sélection. Chaque terme fragmenté est soit un mot-clé du vocabulaire lié au financement, soit un modificateur d’urgence. Les textes environnants, tels que financement relais, frais de prépaiement et le titre du poste de l’expéditeur, ont été laissés intacts, ce qui indique une liste de substitutions soigneusement sélectionnée plutôt qu’une randomisation généralisée.
Campagne n° 2 : obscurcissement par saturation dans l’objet d’un compte compromis
Un deuxième schéma, nettement plus agressif, a été observé dans des messages envoyés depuis une boîte mail piratée du secteur de l’éducation en juin et juillet 2026. Ici, l’opérateur n’a pas fragmenté certains mots-clés ; il a saturé l’intégralité de la ligne d’objet.
| Indicateur | Leurre « Expiration du compte » (juin 2026) | Leurre « fiche de paie » (juillet 2026) |
|---|---|---|
| Objet tel qu'affiché | Accès à votre compte de messagerie universitaire bientôt expiré 372508BQB | Votre fiche de paie a été générée 361432LWA |
| Caractères visibles | 53 | 41 |
| Points de code invisibles | 324 | 261 |
| Proportion invisible | 85,9 % | 86,4 % |
| Caractères invisibles distincts | 34 | 34 |
| Rapport invisible/visible | 6,1 : 1 | 6,4 : 1 |
Tableau 3 : Densité des caractères invisibles dans les objets saturés
Figure 2 : Campagne de phishing utilisant des caractères invisibles
Chaque limite entre des caractères visibles comporte une séquence aléatoire de six à huit points de code invisibles issus des trois familles. Une seule limite tirée de l'échantillon de juin illustre cette construction :
| « 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 » |
Cela empêche la correspondance de sous-chaînes de plus d’un caractère et, surtout, perturbe également les identifiants alphanumériques de campagne ajoutés à l’objet (372508BQB, 361432LWA) qui, sans cela, permettraient de regrouper facilement les campagnes.
Les caractères de balises présents dans ces objets ne forment pas un message caché cohérent. Leur conversion en ASCII donne lieu à un bruit de ponctuation tel que +&**#( '''$!)), ce qui confirme que l’objectif est la fragmentation plutôt que l’injection de contenu — une distinction importante par rapport au cas d’utilisation de l’injection de prompt par IA qui partage la même primitive.
Figure 3 : Campagne de hameçonnage avec un contenu minimal dans le corps du message
Dans le corps en texte clair du même échantillon concernant l’accès à l’université, l’obfuscation ne se limitait pas à l’objet. Immédiatement après la formule de politesse, le MIME utilisait le format « quoted-printable » pour insérer des points de code invisibles que le destinataire lit néanmoins comme une ligne normale « Bonjour 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 |
Figure 4 : Message d’accueil au format quoted-printable et points de code invisibles
Une fois décodé, cela donne :
- Hell + U+200C (ZERO WIDTH NON-JOINER ; QP =E2=80=8C) + o Corinne, → l'utilisateur voit Hello Corinne,
- Puis une séquence compacte et invisible avant le séparateur de signature -- :
Le corps du message contient donc à la fois une jonction ZWNJ en milieu de mot dans Hello et un groupe invisible incluant le bloc « Tags », la même technique que celle observée dans l’objet fragmenté, tout en restant visuellement inoffensif dans un client de messagerie standard.
Chargement utile
Chaque message contenait un document Word utilisant un leurre lié à l’expiration du compte, avec un avis Microsoft intitulé « Vérifiez ou mettez à jour votre compte Microsoft » affirmant que la boîte mail Office 365 du destinataire devait être résiliée. Le document de fiche de paie reproduisait une notification du portail de paie des employés et renvoyait vers un sous-domaine Cloudflare Workers.
Campagne n° 3 : caractères homoglyphes dans le nom d’affichage de l’expéditeur de l’en-tête MIME
Une troisième variante applique l’obfuscation à l’identité de l’expéditeur plutôt qu’au contenu du corps du message. Dans un échantillon d’alerte bancaire datant d’août 2026, le nom d’affichage était encodé sous la forme d’un mot encodé MIME :
| De : =?UTF-8?Q?B=C9=91nk_of_America?= <ealerts.backofamerica@pedro-tuning[.]sk> |
La séquence « quoted-printable » =C9=91 se décode en U+0251 (lettre minuscule latine « alpha »), qui est visuellement presque identique à un a minuscule dans la plupart des polices sans empattement. Le nom d’affichage s’affiche sous la forme Bank of America sans jamais contenir la chaîne littérale « Bank of America » qu’une règle d’usurpation d’identité de marque pourrait détecter. Contrairement à la technique des caractères invisibles, cette substitution est visible, mais uniquement pour un lecteur qui la recherche.
Figure 5 : Campagne de hameçonnage utilisant le nom d’affichage « Bank of America » contenant U+0251 (lettre minuscule latine alpha)
Campagne n° 4 : hameçonnage par rappel téléphonique avec encodage d’un espace de largeur nulle dans le cadre d’une usurpation d’identité de marque.
Objet « Confirmation de commande / Paiement effectué » d’Amazon comportant un récit frauduleux complet et un numéro de rappel, envoyé via l’interface de marque Amazon SES.
Figure 6 : Exemple de hameçonnage Amazon utilisant une fracture de caractère invisible dans le texte de la marque
La fragmentation classique par caractères invisibles dans cette famille de campagnes utilise souvent l’espace de largeur nulle (ZWSP) :
Exemple : « Ama + U+200B + zon » s’affiche toujours comme « Amazon » pour l’utilisateur, mais la correspondance littérale entre le mot-clé et la signature avec la chaîne contiguë « Amazon » peut échouer si le texte n’est pas normalisé au préalable.
Cette technique appartient à la même famille de techniques d’obfuscation que les épissures de blocs de balises et la fragmentation dense de l’objet : le destinataire voit le langage de la marque ou l’appât intact ; les détecteurs qui recherchent des tokens intacts peuvent ne pas le repérer.
Campagne n° 5 : hameçonnage d’identifiants avec un caractère de largeur nulle dans l’appel à l’action (CTA)
Comme le montre la figure 7.0, le message s’adresse de manière générique à « Chère équipe », est signé « Paie/Ressources humaines » et indique que le fichier joint « Layoff_Letter.pdf » répertorie le personnel concerné. Le lien href pointe vers https://google.com.tw/share.google?q=<token>#<recipient_email>.
Figure 7.0 : E-mail de phishing comportant un caractère de largeur nulle dans l’appel à l’action
Dans le code HTML brut, comme le montre la figure 8.0, le nom d’hôte est écrit à l’aide de trois références de caractères numériques correspondant à U+180E (). Un navigateur décode ces caractères en caractères invisibles ; ainsi, la barre d’état et l’aperçu au survol affichent ce qui ressemble à google.com.tw, alors que la chaîne sous-jacente est différente. Cela induit le destinataire en erreur et peut également semer la confusion chez les outils qui décodent et suppriment les caractères de formatage avant d’appliquer une liste blanche, ou qui comparent l’hôte à une chaîne de caractères en recherchant une correspondance exacte.
Figure 8.0 : Caractère de largeur nulle dans un CTA
Le fragment d’URL contient l’adresse e-mail du destinataire (#utilisateur@domaine). Les fragments ne sont pas transmis dans les requêtes HTTP ; leur valeur n’apparaît donc pas dans les journaux du serveur ou du proxy, mais le JavaScript côté client de la page de destination peut la lire à partir de `location.hash`, que les kits de phishing utilisent couramment pour préremplir un formulaire d’identifiants. Le message est également transmis au format quoted-printable (=3D pour =, sauts de ligne logiciels) ; les analyseurs doivent donc décoder cette couche avant de pouvoir voir l’URL. Une détection fiable nécessite par conséquent un pipeline de canonicalisation : décoder le format quoted-printable, déséchapper les entités HTML, supprimer ou marquer les caractères de format (U+180E, U+200B à U+200D, U+2060, U+FEFF), puis analyser l’URL et évaluer à la fois la forme brute et la forme normalisée.
Un risque dans les deux sens
Cette technique n’est pas nouvelle. L’obfuscation par caractères invisibles et homoglyphes circule dans les outils de spam depuis de nombreuses années, et le bloc « Tags » est une curiosité connue depuis encore plus longtemps. Ce qui a changé, c’est le débat qui l’entoure.
Les recherches sur l’injection de prompts ont fait de la contrebande d’ASCII une primitive largement documentée, bien outillée et bien comprise. Il existe désormais des encodeurs et des décodeurs publics ; les charges utiles de preuve de concept sont faciles à trouver, et la technique porte désormais un nom bien établi. Ces recherches ont fait connaître cette technique bien au-delà de son public initial, et les mêmes encodeurs qui produisent des instructions de modèle cachées produisent également des contournements de filtres cachés.
Les préoccupations vont désormais dans les deux sens, et les organisations doivent se préparer aux deux cas de figure :
- Les caractères invisibles comme moyen de contournement. L’utilisation décrite ci-dessus vise les règles basées sur des mots-clés, les signatures et les tokeniseurs de classificateurs.
- Les caractères invisibles en tant qu’instructions. À mesure que les assistants et copilotes IA se voient accorder l’accès aux boîtes mail pour résumer, trier, rédiger des réponses et prendre des mesures, le corps d’un message devient une entrée non fiable pour un modèle. Un contenu invisible pour l’humain qui approuve l’action n’est pas invisible pour l’assistant qui le lit.
Observations relatives à la détection
Une évaluation basée uniquement sur le contenu constitue la défense la plus faible contre cette technique. Une détection efficace combine le corps du message avec les schémas d’envoi, l’ancienneté des indicateurs, le comportement anormal de l’expéditeur et l’analyse des intentions ; ainsi, une technique se contentant de fragmenter les mots-clés a moins de chances de réussir face aux lacunes de la correspondance de chaînes de caractères.
La protection multivectorielle contre les menaces (MVTP) de Mimecast combine le corps du message avec la structure de l’e-mail, l’ancienneté des indicateurs et les comportements anormaux de l’expéditeur — parmi d’autres signaux issus de l’IA comportementale — pour parvenir à un verdict, ce qui la rend résistante aux techniques de fragmentation des mots-clés. Par ailleurs, tout comme la MVTP, les classificateurs IA de Mimecast ne sont pas déjoués par l’insertion de caractères invisibles. Avant la tokenisation sous-lexicale, l’étape de nettoyage du texte supprime les points de code au format Unicode (Cf) — couvrant le bloc des balises (U+E0000–U+E007F), les caractères de format bidirectionnels et de largeur nulle (U+200B–U+200F, U+2060–U+2064), le trait d’union souple (U+00AD) et la marque d’ordre des octets (U+FEFF). Un mot entrecoupé de caractères issus de l’une de ces plages produit la même séquence de tokens que le mot nettoyé : Cre<U+E0020>dit et Credit sont indiscernables pour le modèle. Le classificateur perçoit le texte tel que le destinataire le lit, ce qui explique pourquoi la fragmentation des mots-clés, qui permet de contourner la correspondance littérale des chaînes de caractères, n’a pas d’incidence sur la détection basée sur le modèle.
Figure 7 : Détection sur sept mois
Comme le montre la figure 7.0, le volume de détection a connu une forte hausse début mars, atteignant un pic de près de 26 000 en une seule journée, puis a oscillé entre environ 10 000 et 22 000 jusqu’à la mi-avril — ce qui correspond à l’ajustement de la stratégie des attaquants pour échapper à la détection. À partir de fin avril, le volume a baissé régulièrement, pour se stabiliser à un niveau bas et constant jusqu’en septembre.
Bien que ce recul corresponde au fait que nos défenses ont comblé les failles, le volume de détections ne permet pas à lui seul de confirmer si les attaquants ont abandonné cette technique ou s’ils se sont simplement tournés vers d’autres cibles. Nous continuons à surveiller toute résurgence et à valider cette tendance à la lumière des renseignements externes sur les menaces.
Conclusion
Le texte obscurci est aussi ancien que le traitement de texte lui-même. Mimecast Threat Research a observé une nouvelle augmentation des caractères invisibles de type « Tags-block » utilisés à cette fin. Cette technique, communément appelée « ASCII smuggling » et popularisée par les recherches sur l’injection de prompts par IA, est toujours utilisée pour contourner la détection des mots-clés et des signatures dans les e-mails : les attaquants insèrent des caractères invisibles à l’intérieur des mots afin que les destinataires voient un texte normal, alors que les filtres littéraux ne le détectent souvent pas.
Mimecast a constaté l’utilisation de cette technique dans le cadre de campagnes de phishing financier à grande échelle, d’appâts visant à obtenir les identifiants de comptes compromis, d’usurpation de marque et d’escroqueries par rappel téléphonique. Les campagnes antérieures étaient envoyées en masse via une plateforme marketing grand public à partir de domaines jetables sur le thème de la finance, avec l’objectif habituel de hameçonnage non sollicité portant sur des prêts, des lignes de crédit et des avances de fonds, lié à la fraude et au vol d’identifiants. La même méthode est ensuite apparue dans des messages provenant de comptes compromis, notamment dans le cadre de la compromission des e-mails professionnels et des escroqueries par rappel téléphonique, ainsi que dans des noms d’affichage utilisant des homoglyphes et des objets fortement fragmentés. Le volume quotidien a bondi en mars, atteignant un pic proche de 26 000, puis a chuté brutalement en avril et est resté faible et sporadique de mai à septembre.
La protection multivectorielle contre les menaces de Mimecast établit son verdict à partir du corps du message, en tenant compte de la structure de l’e-mail, de l’ancienneté des indicateurs et du comportement anormal de l’expéditeur. Les classificateurs IA de Mimecast suppriment également les caractères au format Unicode, y compris le bloc « Tags », avant la tokenisation ; ainsi, un mot fragmenté tel que « Credit » produit la même séquence de tokens que le mot complet. La fragmentation des mots-clés, qui permet de contourner la correspondance littérale de chaînes de caractères, n’a pas d’incidence sur cette détection basée sur des modèles.
Indicateurs de compromission
Campagne n° 1 — leurre de financement en masse
| Indicateur | Type |
|---|---|
| expressloccapital[.]com | Domaine |
| em-3251641.expressloccapital[.]com | Domaine |
| expressloccapital123.acemlnd[.]com | Domaine |
| expressloccapital123.activehosted[.]com | Domaine |
| [Externe] → Note rapide sur les options de financement de <entreprise> | Objet |
Campagne n° 2 — hameçonnage visant les identifiants de comptes piratés
| Indicateur | Type |
|---|---|
| msoff.systematicapproach[.]one | Domaine |
| solutionalliancetacticblue-waterfall-e044.mihofo9840.workers[.]dev | Domaine |
| Secure_Document_Copy_55338.docx | Nom de fichier |
| fa540148c96fa80cd1d9591f73c4ed4e3a66679cc7819427efc386184c6fd017 | SHA-256 |
| Document_de_conformité_67546.docx | Nom de fichier |
| 4292da028ac1fac39eed78b4040086ddf53226d022658fb4d7b8c121fead6e5c | SHA-256 |
| Fin prochaine de l'accès au compte de messagerie universitaire 372508BQB | Objet |
| Votre fiche de paie a été générée 361432LWA | Objet |
| Mailbird 2.9.80.0 / MTA Postfix 3.6.7 | X-Mailer |
Campagne n° 3 — alerte bancaire par homoglyphe
| Indicateur | Type | Remarques |
|---|---|---|
| ealerts.backofamerica@pedro-tuning[.]sk | Expéditeur | Nom d'affichage Bɑnk of America utilisant U+0251 |
| links.notification.intuit[.]com | Domaine | Service légitime de suivi des clics détourné à des fins de redirection |