Une nouvelle forme de menace ransomware émerge

Les opérateurs de ransomware ciblent traditionnellement ce qu’ils peuvent monétiser rapidement : bases de données, dossiers financiers, fichiers clients. Mais un acteur malveillant suivi sous le nom de JADEPUFFER a déplacé son attention vers quelque chose de plus spécialisé et, à certains égards, plus dommageable : les modèles d’IA et les données d’entraînement sur lesquels les entreprises s’appuient de plus en plus pour fonctionner.

Selon des rapports récents, JADEPUFFER est passé du chantage automatisé sur les bases de données à la destruction délibérée de modèles d’IA, en déployant un ransomware personnalisé en Go nommé ENCFORGE. Plutôt que de simplement verrouiller des fichiers en échange d’une rançon, ce logiciel malveillant est conçu pour chiffrer et détruire efficacement les modèles entraînés et les ensembles de données dont les organisations dépendent pour leurs opérations d’apprentissage automatique. Cette distinction est importante. Une base de données peut souvent être restaurée à partir de sauvegardes relativement rapidement. Un modèle d’IA entraîné, construit sur des mois ou des années de données soigneusement sélectionnées et d’investissements en calcul, est bien plus difficile à remplacer.

Pourquoi l’infrastructure d’IA est la nouvelle cible

Ce qui rend cette campagne notable, ce n’est pas seulement la charge utile, mais le mécanisme de distribution. JADEPUFFER a été documenté comme utilisant une approche d’intrusion automatisée basée sur des agents, et ce n’est pas la première fois que ses outils ciblent directement l’infrastructure d’IA. Une campagne connexe a déjà exploité une vulnérabilité dans Langflow, une plate-forme open source utilisée pour créer et orchestrer des flux de travail d’agents d’IA, afin de prendre pied avant de déployer un ransomware. Cet incident antérieur, détaillé dans la couverture de Le ransomware Encforge frappe les serveurs d’IA via la faille Langflow CVE-2025-3248, montre un schéma constant : les attaquants recherchent activement les outils et pipelines de développement d’IA comme points d’entrée, et non comme une réflexion après coup.

Cela concerne toute personne dont les données entrent en contact avec un système d’IA, qu’il s’agisse d’une entreprise exploitant des pipelines de ML internes ou d’un consommateur dont les informations personnelles ont été utilisées pour entraîner un moteur de recommandation ou un chatbot. Les pipelines d’IA ingèrent et stockent souvent des données sensibles, des journaux de comportement des utilisateurs aux enregistrements commerciaux propriétaires, lors du processus d’entraînement et d’affinage des modèles. Lorsque le ransomware cible ce pipeline, le risque n’est pas seulement l’arrêt des opérations. C’est aussi que les données sous-jacentes, potentiellement personnelles ou sensibles, puissent être exposées, exfiltrées ou totalement perdues avant même que le chiffrement n’ait lieu.

L’évolution du chantage générique sur les bases de données vers la destruction ciblée de modèles d’IA signale également une tendance plus large à surveiller : les attaquants considèrent l’infrastructure d’IA comme des cibles à forte valeur ajoutée et à fort effet de levier. Les données d’entraînement et les modèles représentent un investissement important et sont souvent moins protégés par les processus de sauvegarde et de récupération classiques que les bases de données conventionnelles, ce qui en fait une cible attrayante pour l’extorsion.

Ce que cela signifie pour vous

Si vous êtes une entreprise ou un développeur travaillant avec des outils d’IA, cette évolution est un signal pour réévaluer la manière dont ces systèmes sont sécurisés. Les plateformes telles que Langflow et les outils d’orchestration similaires font de plus en plus partie des environnements de production, et pas seulement des bacs à sable expérimentaux, et elles doivent être corrigées et surveillées avec la même rigueur que tout système orienté client. Des vulnérabilités comme CVE-2025-3248 montrent qu’une seule faille non corrigée dans un outil de workflow d’IA peut devenir le point d’entrée d’un déploiement complet de ransomware.

Pour les utilisateurs quotidiens et les consommateurs, la leçon à retenir est plus indirecte, mais tout aussi importante. À mesure que de plus en plus de services reposent sur des modèles d’IA entraînés sur les données des utilisateurs, une attaque qui détruit ou exfiltre ces données d’entraînement pourrait avoir des répercussions en cascade, affectant la confidentialité et la disponibilité des services que vous utilisez régulièrement. C’est un autre rappel que la sécurité des systèmes d’IA derrière les applications et les plateformes que nous utilisons compte tout autant que la sécurité des applications elles-mêmes.

Construire une posture défensive contre le ransomware ciblant l’IA

Les organisations qui exploitent une infrastructure d’IA doivent traiter les fichiers de modèles et les ensembles de données d’entraînement comme des actifs critiques nécessitant des plans de sauvegarde et de récupération dédiés, distincts des sauvegardes informatiques générales. La segmentation réseau entre les environnements de développement d’IA et les systèmes de production peut limiter la distance qu’un attaquant peut parcourir après une compromission initiale. L’application régulière de correctifs sur les plateformes d’orchestration d’IA, la planification rapide de la réponse aux incidents spécifiques aux pipelines de ML et le chiffrement des données au repos sont autant de mesures pratiques qui réduisent l’exposition à des campagnes comme celle-ci.

Le virage de JADEPUFFER vers le ransomware ENCFORGE est un signe clair que les attaquants s’adaptent à l’endroit où réside la valeur aujourd’hui : non plus seulement dans les bases de données clients, mais dans les systèmes d’IA construits par-dessus. Garder une longueur d’avance sur cette évolution signifie traiter la sécurité de l’infrastructure d’IA comme une priorité centrale et non comme une réflexion après coup.

Mesures à prendre :

  • Appliquez rapidement les correctifs aux plateformes d’orchestration et de workflows d’IA, en particulier les failles connues comme CVE-2025-3248 dans Langflow.
  • Conservez des sauvegardes séparées et testées pour les modèles entraînés et les ensembles de données d’entraînement, et pas seulement pour les bases de données générales.
  • Segmentez les environnements de développement et d’entraînement d’IA des réseaux de production pour limiter les déplacements latéraux.
  • Élaborez un plan de réponse aux incidents qui tient spécifiquement compte de la compromission des pipelines de ML, et pas seulement des violations de données traditionnelles.
  • Chiffrez les données d’entraînement sensibles au repos et surveillez les journaux d’accès pour détecter toute activité inhabituelle autour de l’infrastructure d’IA.