ما يفعله Encforge بشكل مختلف عن برامج الفدية التقليدية
لا تزال معظم برامج الفدية تتبع نهجًا مألوفًا: تشفير الملفات، وإسقاط مذكرة فدية، وانتظار الدفع. لكن أداة Encforge، الأحدث من الفاعل الخبيث المعروف باسم JadePuffer، تكسر هذا النمط من خلال استهداف فئة محددة جدًا من الأصول: نماذج الذكاء الاصطناعي ومجموعات البيانات المستخدمة في تدريبها.
وفقًا لبحث أجرته شركة Sysdig، بُنيت أداة Encforge كأداة مخصصة ومصممة لهذا الغرض بدلاً من إعادة استخدام أداة تشفير جاهزة. وهذا الفرق مهم. فبدلاً من مسح الخادم وقفل أي ملفات تجدها، يبدو أن Encforge مصممة لتحديد وتشفير مخرجات تعلّم الآلة تحديدًا، وهي نوع البيانات التي قد تستغرق المؤسسة شهورًا أو سنوات لتجميعها، والتي غالبًا لا يمكن إعادة إنشائها أو استعادتها بسرعة من روتين نسخ احتياطي بسيط.
ربط باحثو Sysdig أداة Encforge بنفس المشغّل الذي يقف وراء حملة سابقة، استنادًا إلى تداخل في لغة طلب الفدية، وبشكل ملحوظ، عودة المهاجم إلى نفس نسخة Langflow المخترقة بعد نشر التقرير الأول عن نشاط المجموعة. هذه العودة تفصيل صغير لكنه كاشف: فهو يُظهر مشغّلًا يراقب بنشاط التغطية الأمنية لحملته الخاصة ويتكيّف استجابةً لذلك.
كيف تطورت هجمات JadePuffer بهذه السرعة
أكثر ما يلفت الانتباه في نتائج Sysdig هو وتيرة التغيير. كانت عملية JadePuffer السابقة، الموثقة سابقًا كأول حملة ENCFORGE لـ JadePuffer، مصدر إزعاج غير متطور نسبيًا ومركّز على قواعد البيانات. وفي غضون أسابيع قليلة، انتقل الفاعل نفسه من ذلك النهج الهش شبه الآلي إلى أداة تشفير مبنية خصيصًا تستهدف البنية التحتية للذكاء الاصطناعي مباشرة.
يشير تحليل Sysdig إلى أن هذا لم يكن مصادفة بل تكرارًا متعمدًا. يبدو أن المشغّل قد تعلّم من أوجه قصور الهجوم الأول، وتخلّى عن التقنيات التي كان من السهل اكتشافها أو تعطيلها، واستبدلها بأدوات مخصصة أكثر مرونة. كما يبدو أنه قام بتحول محسوب في اختيار الهدف، متجهًا نحو فئة من البيانات توفر نفوذًا ابتزازيًا أكبر من قاعدة البيانات النموذجية.
هذا النوع من التطور السريع القائم على التغذية الراجعة غير معتاد لمشغّلي برامج الفدية، الذين غالبًا ما يطوّرون أدواتهم على مدى أشهر بدلاً من أسابيع. إنه يشير إلى عملية صغيرة ورشيقة تجرّب في الزمن شبه الحقيقي، مستخدمةً التقارير العامة عن نشاطها كإشارة لما يجب إصلاحه بعد ذلك.
لماذا أصبحت نماذج الذكاء الاصطناعي ومجموعات البيانات أهدافًا للابتزاز الآن
المنطق وراء هذا التحول واضح بمجرد التفكير فيما تمثله نماذج الذكاء الاصطناعي ومجموعات بيانات التدريب فعليًا للمؤسسة. على عكس قاعدة بيانات العملاء التي يمكن أحيانًا إعادة بنائها من سجلات أخرى، يعكس النموذج المدرّب أو مجموعة البيانات المنسقة غالبًا استثمارًا كبيرًا غير قابل للتكرار من الوقت والقدرة الحاسوبية والعمالة المتخصصة. فقدان الوصول إليها، أو تسريبها والتهديد بنشرها علنًا، يمكن أن يكون أكثر تعطيلًا بكثير من حدث تشفير ملفات قياسي.
هذا يجعل خطوط أنابيب تعلّم الآلة هدفًا جذابًا للابتزاز. غالبًا ما تخزّن المؤسسات التي تبني النماذج أو تضبطها البيانات وأوزان النماذج على خوادم مكشوفة على الإنترنت للتسهيل، سواء كانت بيئة تطوير، أو أداة داخلية مثل Langflow، أو حاوية تخزين مشتركة. إذا لم تكن تلك الأنظمة مقسمة بشكل صحيح وخاضعة للتحكم في الوصول، فإنها تصبح أهدافًا سهلة لنوع المسح الانتهازي الذي أدى إلى موطئ قدم JadePuffer الأولي.
خطوات لحماية خط أنابيب تعلّم الآلة والبيانات الحساسة لديك
الخبر الجيد هو أن أساسيات الدفاع عن البنية التحتية لتعلّم الآلة لا تختلف جذريًا عن ممارسات النظافة الأمنية القياسية، لكنها تحتاج فقط إلى أن تُطبّق عمدًا على أنظمة تُعامل أحيانًا على أنها تجريبية أو منخفضة الأولوية.
- حافظ على تحديث أدوات تعلّم الآلة ومنصات التنسيق وتجنب تعريضها مباشرة للإنترنت العام.
- قسّم الشبكات بحيث لا تستطيع بيئات التطوير وعلوم البيانات الوصول بحرية إلى أنظمة الإنتاج، والعكس صحيح.
- خزّن أوزان النماذج ومجموعات البيانات بنُسخ احتياطية مُنَسَّخة وغير قابلة للتغيير أو غير متصلة بالإنترنت، بحيث لا تستطيع برامج الفدية الوصول إليها أو الكتابة فوقها.
- قيّد بيانات الاعتماد ومفاتيح API التي تستخدمها خطوط أنابيب تعلّم الآلة بنفس الصرامة المطبقة على أسرار الإنتاج.
- استخدم VPN أو وصولاً عبر شبكة خاصة لأي إدارة عن بُعد للبنية التحتية لتعلّم الآلة، مما يقلل من التعرض للمسح الانتهازي على مستوى الإنترنت الذي يسبق هذه الهجمات غالبًا.
ماذا يعني هذا بالنسبة لك
إذا كنت تعمل مع أنظمة تعلّم الآلة، سواء كعالم بيانات، أو مسؤول تكنولوجيا معلومات، أو قائد أعمال يشرف على مبادرة ذكاء اصطناعي، فإن Encforge هو تذكير بأن البنية التحتية الداعمة لنماذجك تستحق نفس التدقيق الذي يحظى به أي نظام أعمال حيوي آخر. يُظهر التطور السريع من هجوم مركّز على قواعد البيانات إلى برنامج فدية مخصص لاستهداف الذكاء الاصطناعي أن المهاجمين يستكشفون هذا المجال بنشاط ويتكيّفون بسرعة بناءً على ما ينجح.
حتى لو لم تكن مؤسستك تدير عمليات ذكاء اصطناعي واسعة النطاق، فإن الدرس الأوسع ينطبق: أي أداة مواجهة للإنترنت، من منصة ذكاء اصطناعي منخفضة الكود إلى لوحة معلومات داخلية بسيطة، يمكن أن تصبح نقطة دخول إذا تُركت دون تصحيح أو غير مقسمة عن الأنظمة الأكثر حساسية.
النقاط المستخلصة النهائية
يوضح Encforge مدى السرعة التي يمكن أن يتكيف بها مشغّلو برامج الفدية عندما يجدون فئة أهداف واعدة جديدة. بالنسبة لأي شخص يدير بنية تحتية لتعلّم الآلة، فإن الأولوية الآن هي الرؤية والاحتواء: اعرف أدوات ومجموعات بيانات الذكاء الاصطناعي المكشوفة، وحدّ من وصولها إلى بقية شبكتك، وعامل الوصول عن بُعد إليها بنفس الحذر الذي تطبقه على أي نظام إنتاج حساس. مراجعة تعرض أدوات مثل Langflow، وتشديد تقسيم الشبكة، واستخدام VPN أو ضوابط الوصول الخاصة للاتصالات الإدارية هي خطوات عملية تقلل بشكل ملموس من احتمالات أن تصبح الهدف الانتهازي التالي.
