JADEPUFFERS ENCFORGE-Ransomware zielt auf KI-Trainingsdaten ab

Eine neue Art von Ransomware-Bedrohung taucht auf

Ransomware-Betreiber haben es traditionell auf das abgesehen, was sich schnell zu Geld machen lässt: Datenbanken, Finanzunterlagen, Kundendateien. Doch ein als JADEPUFFER verfolgter Bedrohungsakteur richtet seinen Fokus nun auf etwas Spezialisierteres und in mancher Hinsicht Schädlicheres: die KI-Modelle und Trainingsdaten, auf die Unternehmen zunehmend angewiesen sind, um ihr Geschäft zu betreiben.

Jüngsten Berichten zufolge ist JADEPUFFER von automatisierter Datenbank-Erpressung zur gezielten Zerstörung von KI-Modellen übergegangen und setzt dabei eine maßgeschneiderte, in Go geschriebene Ransomware namens ENCFORGE ein. Statt lediglich Dateien für eine Lösegeldzahlung zu sperren, ist diese Schadsoftware darauf ausgelegt, die trainierten Modelle und Datensätze, auf die Unternehmen für ihre Machine-Learning-Abläufe angewiesen sind, zu verschlüsseln und effektiv zu zerstören. Dieser Unterschied ist entscheidend. Eine Datenbank lässt sich oft relativ schnell aus Backups wiederherstellen. Ein trainiertes KI-Modell, das auf monate- oder jahrelang kuratierten Daten und enormen Recheninvestitionen beruht, ist ungleich schwerer zu ersetzen.

Warum KI-Infrastruktur zum neuen Ziel wird

Bemerkenswert an dieser Kampagne ist nicht allein die Nutzlast, sondern der Verbreitungsmechanismus. JADEPUFFER wurde bereits dokumentiert, wie es einen automatisierten, Agenten-gesteuerten Ansatz für das Eindringen verwendet, und dies ist nicht das erste Mal, dass seine Werkzeuge direkt auf KI-Infrastruktur abzielen. Eine verwandte Kampagne nutzte bereits eine Schwachstelle in Langflow aus, einer quelloffenen Plattform zur Erstellung und Orchestrierung von KI-Agenten-Workflows, um Fuß zu fassen, bevor die Ransomware eingesetzt wurde. Dieser frühere Vorfall, der in der Berichterstattung über Encforge ransomware hitting AI servers via the Langflow CVE-2025-3248 flaw beschrieben wird, zeigt ein konsistentes Muster: Angreifer suchen aktiv nach KI-Entwicklungswerkzeugen und -Pipelines als Einstiegspunkte, nicht nur als Nebensache.

Das ist für jeden von Bedeutung, dessen Daten mit einem KI-System in Berührung kommen – sei es ein Unternehmen, das interne ML-Pipelines betreibt, oder ein Verbraucher, dessen persönliche Informationen zum Training einer Empfehlungsmaschine oder eines Chatbots verwendet wurden. KI-Pipelines nehmen im Zuge des Trainings und der Feinabstimmung von Modellen häufig sensible Daten auf und speichern sie, von Nutzerverhaltensprotokollen bis hin zu proprietären Geschäftsunterlagen. Wenn Ransomware auf diese Pipeline abzielt, besteht das Risiko nicht nur darin, dass der Betrieb zum Erliegen kommt. Es besteht auch die Gefahr, dass die zugrunde liegenden Daten, möglicherweise einschließlich personenbezogener oder sensibler Informationen, offengelegt, exfiltriert oder ganz verloren gehen, noch bevor die Verschlüsselung überhaupt stattfindet.

Der Wandel von generischer Datenbank-Erpressung hin zur gezielten Zerstörung von KI-Modellen signalisiert zudem einen breiteren Trend, den man im Auge behalten sollte: Angreifer betrachten KI-Infrastruktur als hochwertige Ziele mit großer Hebelwirkung. Trainingsdaten und Modelle stellen erhebliche Investitionen dar und sind durch traditionelle Backup- und Wiederherstellungsprozesse oft schlechter geschützt als herkömmliche Datenbanken, was sie zu einem attraktiven Ziel für Erpressung macht.

Was das für Sie bedeutet

Wenn Sie ein Unternehmen oder Entwickler sind, der mit KI-Tools arbeitet, ist diese Entwicklung ein Signal, die Sicherheit dieser Systeme neu zu bewerten. Plattformen wie Langflow und ähnliche Orchestrierungswerkzeuge sind zunehmend Teil von Produktivumgebungen und nicht nur experimentelle Sandkästen. Sie müssen mit derselben Sorgfalt gepatcht und überwacht werden wie jedes kundenorientierte System. Schwachstellen wie CVE-2025-3248 zeigen, dass eine einzige ungepatchte Lücke in einem KI-Workflow-Tool zum Einstiegspunkt für eine vollständige Ransomware-Bereitstellung werden kann.

Für alltägliche Nutzer und Verbraucher ist die Erkenntnis indirekter, aber dennoch wichtig. Da immer mehr Dienste auf KI-Modelle setzen, die mit Nutzerdaten trainiert wurden, könnte ein Angriff, der diese Trainingsdaten zerstört oder entwendet, weitreichende Folgen haben und die Privatsphäre und Verfügbarkeit von Diensten beeinträchtigen, die Sie regelmäßig nutzen. Es ist eine weitere Erinnerung daran, dass die Sicherheit der KI-Systeme hinter den von uns genutzten Apps und Plattformen genauso wichtig ist wie die Sicherheit der Apps selbst.

Aufbau einer Abwehrhaltung gegen KI-orientierte Ransomware

Unternehmen, die KI-Infrastruktur betreiben, sollten Modelldateien und Trainingsdatensätze als kritische Assets behandeln, die eigene, von den allgemeinen IT-Backups getrennte Sicherungs- und Wiederherstellungspläne erfordern. Eine Netzwerksegmentierung zwischen KI-Entwicklungsumgebungen und Produktionssystemen kann die Bewegungsfreiheit eines Angreifers nach einer initialen Kompromittierung einschränken. Regelmäßiges Patchen von KI-Orchestrierungsplattformen, eine auf ML-Pipelines zugeschnittene Incident-Response-Planung und die Verschlüsselung ruhender Daten sind allesamt praktische Schritte, um die Angriffsfläche für Kampagnen wie diese zu verringern.

JADEPUFFERS Wechsel zur ENCFORGE-Ransomware ist ein deutliches Zeichen dafür, dass Angreifer sich dorthin bewegen, wo heute der Wert liegt: nicht nur in Kundendatenbanken, sondern in den darauf aufbauenden KI-Systemen. Diesem Wandel voraus zu sein bedeutet, die Sicherheit der KI-Infrastruktur als Kernpriorität zu behandeln und nicht als Nebensache.

Umsetzbare Erkenntnisse:

• KI-Orchestrierungs- und Workflow-Plattformen umgehend patchen, insbesondere bekannte Schwachstellen wie CVE-2025-3248 in Langflow.
• Eigene, getestete Backups für trainierte Modelle und Trainingsdatensätze pflegen, nicht nur für allgemeine Datenbanken.
• KI-Entwicklungs- und Trainingsumgebungen von Produktionsnetzwerken segmentieren, um laterale Bewegungen einzuschränken.
• Einen Incident-Response-Plan erstellen, der ausdrücklich die Kompromittierung von ML-Pipelines berücksichtigt, nicht nur traditionelle Datenschutzverletzungen.
• Sensible Trainingsdaten im Ruhezustand verschlüsseln und Zugriffsprotokolle auf ungewöhnliche Aktivitäten im Umfeld der KI-Infrastruktur überwachen.