En ny type ransomwaretrussel opstår

Ransomware-operatører har traditionelt gået efter det, de hurtigt kan tjene penge på: databaser, finansielle optegnelser, kundefiler. Men en trusselsaktør kendt som JADEPUFFER har flyttet fokus mod noget mere specialiseret og på nogle måder mere skadeligt: AI-modeller og træningsdata, som virksomheder i stigende grad er afhængige af for at drive deres forretning.

Ifølge nylige rapporter er JADEPUFFER gået fra automatiseret databaseafpresning til målrettet destruktion af AI-modeller ved at implementere en specialudviklet Go-baseret ransomware kaldet ENCFORGE. I stedet for blot at låse filer for en betaling, er denne malware designet til at kryptere og reelt ødelægge de trænede modeller og datasæt, som organisationer er afhængige af til maskinlæringsoperationer. Denne forskel er vigtig. En database kan ofte gendannes fra backups relativt hurtigt. En trænet AI-model, bygget på måneder eller års kuraterede data og beregningsinvesteringer, er meget sværere at erstatte.

Hvorfor AI-infrastruktur er det nye mål

Det, der gør denne kampagne bemærkelsesværdig, er ikke kun nyttelasten, men også leveringsmekanismen. JADEPUFFER er blevet dokumenteret i at bruge en automatiseret, agentdrevet tilgang til indtrængen, og det er ikke første gang, at deres værktøjer har ramt AI-infrastruktur direkte. En relateret kampagne udnyttede allerede en sårbarhed i Langflow, en open source-platform til at bygge og orkestrere AI-agent-workflows, for at få fodfæste inden implementering af ransomware. Den tidligere hændelse, beskrevet i dækningen af Encforge ransomware hitting AI servers via the Langflow CVE-2025-3248 flaw, viser et konsekvent mønster: angribere jager aktivt AI-udviklingsværktøjer og -pipelines som indgangspunkter, ikke kun som eftertanker.

Det er vigtigt for alle, hvis data berører et AI-system, uanset om det er en virksomhed, der kører interne ML-pipelines, eller en forbruger, hvis personlige oplysninger er blevet brugt til at træne en anbefalingsmotor eller chatbot. AI-pipelines indtager og opbevarer ofte følsomme data, fra brugeradfærdslogfiler til proprietære forretningsdata, i processen med at træne og finjustere modeller. Når ransomware rammer den pipeline, er risikoen ikke kun, at driften går i stå. Det er, at de underliggende data, potentielt inklusive personlige eller følsomme oplysninger, kan blive eksponeret, eksfiltreret eller helt tabt, inden krypteringen overhovedet sker.

Udviklingen fra generisk databaseafpresning til målrettet destruktion af AI-modeller signalerer også en bredere tendens, der er værd at holde øje med: angribere behandler AI-infrastruktur som højt værdsatte mål med stor løftestang. Træningsdata og modeller repræsenterer betydelige investeringer og er ofte mindre beskyttede af traditionelle backup- og gendannelsesprocesser end konventionelle databaser, hvilket gør dem til attraktive mål for afpresning.

Hvad det betyder for dig

Hvis du er en virksomhed eller udvikler, der arbejder med AI-værktøjer, er denne udvikling et signal om at revurdere, hvordan disse systemer er sikret. Platforme som Langflow og lignende orkestreringsværktøjer er i stigende grad en del af produktionsmiljøer, ikke kun eksperimentelle sandkasser, og de skal patches og overvåges med samme omhu som ethvert kundevendt system. Sårbarheder som CVE-2025-3248 viser, at en enkelt upatchet fejl i et AI-workflowværktøj kan blive indgangspunktet for en fuld ransomware-implementering.

For almindelige brugere og forbrugere er budskabet mere indirekte, men stadig vigtigt. Efterhånden som flere tjenester er afhængige af AI-modeller trænet på brugerdata, kan et angreb, der ødelægger eller eksfiltrerer disse træningsdata, få vidtrækkende konsekvenser og påvirke privatlivets fred og tilgængeligheden af de tjenester, du bruger regelmæssigt. Det er endnu en påmindelse om, at sikkerheden af de AI-systemer bag de apps og platforme, vi bruger, er lige så vigtig som sikkerheden af apps'ene selv.

Opbygning af en defensiv holdning mod ransomware rettet mod AI

Organisationer, der driver AI-infrastruktur, bør behandle modelfiler og træningsdatasæt som kritiske aktiver, der kræver dedikerede backup- og gendannelsesplaner, adskilt fra generelle IT-backups. Netværkssegmentering mellem AI-udviklingsmiljøer og produktionssystemer kan begrænse, hvor langt en angriber kan bevæge sig efter et indledende kompromittering. Regelmæssig patching af AI-orkestreringsplatforme, hurtig incident response-planlægning specifikt for ML-pipelines og kryptering af data i hvile er alle praktiske skridt, der reducerer eksponeringen for kampagner som denne.

JADEPUFFERs skift mod ENCFORGE-ransomware er et klart tegn på, at angribere tilpasser sig, hvor værdien nu ligger: ikke kun i kundedatabaser, men i de AI-systemer, der er bygget oven på dem. At holde trit med denne udvikling betyder, at man behandler AI-infrastruktursikkerhed som en kerne prioritet snarere end en eftertanke.

Handlingsrettede anbefalinger:

  • Patch AI-orkestrerings- og workflowplatforme omgående, især kendte fejl som CVE-2025-3248 i Langflow.
  • Oprethold separate, testede backups for trænede modeller og træningsdatasæt, ikke kun generelle databaser.
  • Segmentér AI-udviklings- og træningsmiljøer fra produktionsnetværk for at begrænse lateral bevægelse.
  • Opbyg en incident response-plan, der specifikt tager højde for kompromittering af ML-pipelines, ikke kun traditionelle databrud.
  • Krypter følsomme træningsdata i hvile, og overvåg adgangslogfiler for usædvanlig aktivitet omkring AI-infrastruktur.