تهديد جديد من نوعه من برمجيات الفدية يظهر

لطالما استهدف مشغلو برمجيات الفدية ما يمكنهم تسييله بسرعة: قواعد البيانات والسجلات المالية وملفات العملاء. لكن جهة تهديد تُعرف باسم JADEPUFFER حوّلت تركيزها نحو شيء أكثر تخصصًا، وأكثر ضررًا في بعض النواحي: نماذج الذكاء الاصطناعي وبيانات التدريب التي تعتمد عليها الشركات بشكل متزايد لإدارة أعمالها.

وفقًا لتقارير حديثة، صعّدت JADEPUFFER من عمليات الابتزاز الآلي لقواعد البيانات إلى التدمير المتعمد لنماذج الذكاء الاصطناعي، باستخدام برمجية فدية مخصصة مكتوبة بلغة Go تُسمى ENCFORGE. فبدلًا من مجرد قفل الملفات للحصول على فدية، صُممت هذه البرمجية الخبيثة لتشفير النماذج المُدرّبة ومجموعات البيانات التي تعتمد عليها المؤسسات في عمليات تعلم الآلة، مما يؤدي إلى تدميرها فعليًا. هذا الفارق مهم. فقاعدة البيانات يمكن استعادتها من النسخ الاحتياطية بسرعة نسبيًا في كثير من الأحيان. أما نموذج الذكاء الاصطناعي المُدرّب، المبني على شهور أو سنوات من البيانات المُنسّقة والاستثمار الحاسوبي، فتعويضه أصعب بكثير.

لماذا أصبحت بنية الذكاء الاصطناعي التحتية الهدف الجديد

ما يجعل هذه الحملة جديرة بالملاحظة ليس الحمولة فحسب، بل آلية الإيصال. فقد وُثّق أن JADEPUFFER تستخدم نهج اختراق آلي يعتمد على الوكلاء، وهذه ليست المرة الأولى التي تستهدف فيها أدواتها بنية الذكاء الاصطناعي التحتية مباشرة. إذ استغلت حملة مرتبطة سابقًا ثغرة في Langflow، وهي منصة مفتوحة المصدر تُستخدم لبناء وتنسيق سير عمل وكلاء الذكاء الاصطناعي، للحصول على موطئ قدم قبل نشر برمجية الفدية. ذلك الحادث السابق، المفصّل في تغطية هجوم برمجية Encforge على خوادم الذكاء الاصطناعي عبر ثغرة Langflow CVE-2025-3248، يُظهر نمطًا ثابتًا: المهاجمون يبحثون بنشاط عن أدوات تطوير الذكاء الاصطناعي وخطوط أنابيبه كنقاط دخول، وليس مجرد أهداف ثانوية.

هذا الأمر مهم لأي شخص تلامس بياناته نظام ذكاء اصطناعي، سواء كان شركة تُشغّل خطوط أنابيب تعلم آلة داخلية، أو مستهلكًا استُخدمت معلوماته الشخصية لتدريب محرك توصيات أو روبوت محادثة. فخطوط أنابيب الذكاء الاصطناعي غالبًا ما تبتلع وتُخزّن بيانات حساسة، من سجلات سلوك المستخدم إلى سجلات الأعمال الخاصة، خلال عملية تدريب النماذج وضبطها الدقيق. وعندما تستهدف برمجيات الفدية خط الأنابيب هذا، لا يقتصر الخطر على توقف العمليات. بل يكمن في أن البيانات الأساسية، التي قد تتضمن معلومات شخصية أو حساسة، يمكن أن تُكشف أو تُسرّب أو تُفقد تمامًا حتى قبل حدوث التشفير.

يُشير هذا التطور من الابتزاز العام لقواعد البيانات إلى التدمير الموجّه لنماذج الذكاء الاصطناعي أيضًا إلى توجه أوسع يستحق المراقبة: يعامل المهاجمون بنية الذكاء الاصطناعي التحتية كأهداف عالية القيمة وعالية التأثير. فبيانات التدريب والنماذج تُمثّل استثمارًا كبيرًا، وغالبًا ما تكون محمية بعمليات نسخ احتياطي واستعادة أقل من قواعد البيانات التقليدية، مما يجعلها هدفًا جذابًا للابتزاز.

ما يعنيه هذا بالنسبة لك

إذا كنت شركة أو مطورًا يعمل بأدوات الذكاء الاصطناعي، فهذا التطور إشارة لإعادة تقييم كيفية تأمين تلك الأنظمة. فمنصات مثل Langflow وأدوات التنسيق المشابهة أصبحت جزءًا متزايدًا من بيئات الإنتاج، وليست مجرد بيئات اختبار تجريبية، وتحتاج إلى الترقيع والمراقبة بنفس الدقة المُطبّقة على أي نظام يواجه العملاء. وتُظهر ثغرات مثل CVE-2025-3248 أن ثغرة واحدة غير مُرقّعة في أداة سير عمل الذكاء الاصطناعي يمكن أن تصبح نقطة دخول لنشر برمجية فدية كاملة.

بالنسبة للمستخدمين العاديين والمستهلكين، الخلاصة غير مباشرة لكنها لا تزال مهمة. فمع اعتماد المزيد من الخدمات على نماذج ذكاء اصطناعي مُدرّبة على بيانات المستخدمين، يمكن لهجوم يُدمّر أو يُسرّب بيانات التدريب تلك أن يمتد تأثيره ليطال خصوصية وتوافر الخدمات التي تستخدمها بانتظام. إنه تذكير آخر بأن أمن أنظمة الذكاء الاصطناعي وراء التطبيقات والمنصات التي نستخدمها لا يقل أهمية عن أمن التطبيقات نفسها.

بناء وضعية دفاعية ضد برمجيات الفدية المستهدِفة للذكاء الاصطناعي

يجب على المؤسسات التي تُشغّل بنية تحتية للذكاء الاصطناعي أن تعامل ملفات النماذج ومجموعات بيانات التدريب كأصول بالغة الأهمية تتطلب خطط نسخ احتياطي واستعادة مخصصة، ومنفصلة عن النسخ الاحتياطية العامة لتقنية المعلومات. ويمكن لتجزئة الشبكة بين بيئات تطوير الذكاء الاصطناعي وأنظمة الإنتاج أن تحد من مدى تحرك المهاجم بعد الاختراق الأولي. كما أن الترقيع الدوري لمنصات تنسيق الذكاء الاصطناعي، والتخطيط الاستباقي للاستجابة للحوادث الخاصة بخطوط أنابيب تعلم الآلة، وتشفير البيانات في حالة السكون، كلها خطوات عملية تقلل من التعرض لحملات كهذه.

تحوّل JADEPUFFER نحو برمجية ENCFORGE هو إشارة واضحة على أن المهاجمين يتكيّفون مع المكان الذي تتركز فيه القيمة الآن: ليس فقط في قواعد بيانات العملاء، بل في أنظمة الذكاء الاصطناعي المبنية فوقها. والبقاء في صدارة هذا التحول يعني معاملة أمن بنية الذكاء الاصطناعي التحتية كأولوية أساسية لا كفكرة لاحقة.

خلاصات قابلة للتطبيق:

  • قم بترقيع منصات تنسيق وسير عمل الذكاء الاصطناعي فورًا، خاصة الثغرات المعروفة مثل CVE-2025-3248 في Langflow.
  • احتفظ بنسخ احتياطية منفصلة ومُختبرة للنماذج المُدرّبة ومجموعات بيانات التدريب، وليس فقط لقواعد البيانات العامة.
  • قم بتجزئة بيئات تطوير وتدريب الذكاء الاصطناعي عن شبكات الإنتاج للحد من الحركة الجانبية.
  • ضع خطة استجابة للحوادث تأخذ في الاعتبار تحديدًا اختراق خط أنابيب تعلم الآلة، وليس فقط خروقات البيانات التقليدية.
  • قم بتشفير بيانات التدريب الحساسة في حالة السكون، وراقب سجلات الوصول بحثًا عن أي نشاط غير معتاد حول بنية الذكاء الاصطناعي التحتية.