Появява се нов вид заплаха от рансъмуер
Операторите на рансъмуер традиционно се насочват към това, което могат да монетизират бързо: бази данни, финансови записи, клиентски файлове. Но заплахата, проследявана като JADEPUFFER, е изместила фокуса си към нещо по-специализирано и в някои отношения по-вредоносно: моделите на изкуствен интелект и обучителните данни, от които компаниите все повече зависят, за да управляват бизнеса си.
Според скорошни доклади JADEPUFFER е ескалирал от автоматизирано изнудване на бази данни до целенасочено унищожаване на модели с изкуствен интелект, внедрявайки специално създаден рансъмуер на Go, наречен ENCFORGE. Вместо просто да заключва файлове срещу откуп, този зловреден софтуер е проектиран да криптира и ефективно да унищожава обучените модели и набори от данни, от които организациите зависят за операциите си с машинно обучение. Тази разлика има значение. База данни често може да бъде възстановена от резервни копия сравнително бързо. Обучен модел на изкуствен интелект, изграден върху месеци или години подбрани данни и изчислителни инвестиции, се заменя много по-трудно.
Защо инфраструктурата за изкуствен интелект е новата цел
Това, което прави тази кампания забележителна, не е само полезният товар, а механизмът за доставка. JADEPUFFER е документиран да използва автоматизиран, агентно-ориентиран подход към проникването и това не е първият случай, в който неговият инструментариум удря директно инфраструктурата за изкуствен интелект. Свързана кампания вече експлоатира уязвимост в Langflow, платформа с отворен код, използвана за изграждане и оркестриране на работни потоци с агенти на изкуствен интелект, за да получи първоначален достъп преди внедряването на рансъмуер. Този по-ранен инцидент, подробно описан в материала за Рансъмуерът Encforge атакува сървъри с изкуствен интелект чрез уязвимостта CVE-2025-3248 в Langflow, показва последователен модел: нападателите активно търсят инструменти за разработка на изкуствен интелект и потоци за данни като входни точки, а не просто като второстепенни цели.
Това има значение за всеки, чиито данни се докосват до система с изкуствен интелект, независимо дали става въпрос за компания, работеща с вътрешни ML потоци, или за потребител, чиято лична информация е била използвана за обучение на препоръчителен двигател или чатбот. Потоците за данни за изкуствен интелект често поглъщат и съхраняват чувствителни данни – от логове на потребителското поведение до собствени бизнес записи – в процеса на обучение и фина настройка на модели. Когато рансъмуерът атакува този поток, рискът не е само в спирането на операциите. Рискът е, че основните данни, потенциално включващи лична или чувствителна информация, могат да бъдат изложени, ексфилтрирани или изгубени напълно, още преди да се стигне до криптиране.
Еволюцията от общо изнудване на бази данни до целенасочено унищожаване на AI модели също сигнализира за по-широка тенденция, която си струва да се наблюдава: нападателите третират инфраструктурата за изкуствен интелект като цели с висока стойност и голям ливъридж. Обучителните данни и модели представляват значителна инвестиция и често са по-слабо защитени от традиционните процеси за архивиране и възстановяване в сравнение с конвенционалните бази данни, което ги прави привлекателна цел за изнудване.
Какво означава това за вас
Ако сте бизнес или разработчик, работещ с инструменти за изкуствен интелект, това развитие е сигнал да преоцените как се осигуряват тези системи. Платформи като Langflow и подобни инструменти за оркестрация все повече са част от производствени среди, а не просто експериментални лаборатории, и те трябва да бъдат актуализирани и наблюдавани със същата строгост, както всяка система, обърната към клиенти. Уязвимости като CVE-2025-3248 показват, че един-единствен непоправен недостатък в инструмент за работен поток на изкуствен интелект може да стане входна точка за пълно внедряване на рансъмуер.
За обикновените потребители изводът е по-непряк, но все пак важен. Тъй като все повече услуги разчитат на AI модели, обучени върху потребителски данни, атака, която унищожава или ексфилтрира тези обучителни данни, може да има вълнови ефекти, засягайки поверителността и достъпността на услугите, които използвате редовно. Това е още едно напомняне, че сигурността на AI системите зад приложенията и платформите, които използваме, е също толкова важна, колкото и сигурността на самите приложения.
Изграждане на защитна позиция срещу рансъмуер, насочен към изкуствен интелект
Организациите, управляващи инфраструктура за изкуствен интелект, трябва да третират файловете с модели и наборите от обучителни данни като критични активи, изискващи специализирани планове за архивиране и възстановяване, отделни от общите IT резервни копия. Мрежовото сегментиране между средите за разработка на изкуствен интелект и производствените системи може да ограничи докъде може да се придвижи нападателят след първоначално компрометиране. Редовното актуализиране на платформите за оркестрация на изкуствен интелект, планирането на реакция при инциденти, специфично за ML потоци, и криптирането на данните в покой са практически стъпки, които намаляват излагането на кампании като тази.
Преминаването на JADEPUFFER към рансъмуера ENCFORGE е ясен знак, че нападателите се адаптират към това къде се намира стойността сега: не само в клиентските бази данни, но и в системите с изкуствен интелект, изградени върху тях. Да останем пред тази промяна означава да третираме сигурността на инфраструктурата за изкуствен интелект като основен приоритет, а не като послепис.
Приложими препоръки:
- Незабавно прилагайте пачове към платформите за оркестрация и работни потоци на изкуствен интелект, особено за известни уязвимости като CVE-2025-3248 в Langflow.
- Поддържайте отделни, тествани резервни копия за обучените модели и обучителните набори от данни, а не само за общите бази данни.
- Сегментирайте средите за разработка и обучение на изкуствен интелект от производствените мрежи, за да ограничите страничното придвижване.
- Създайте план за реакция при инциденти, който специално предвижда компрометиране на ML потоци, а не само традиционни пробиви на данни.
- Криптирайте чувствителните обучителни данни в покой и наблюдавайте логовете за достъп за необичайна активност около инфраструктурата за изкуствен интелект.
