Po čemu se Encforge razlikuje od tradicionalnog ransomwarea

Većina ransomwarea i dalje slijedi poznati obrazac: šifriraj datoteke, ostavi poruku s zahtjevom za otkupninu, čekaj plaćanje. Encforge, najnoviji alat aktera prijetnje poznatog kao JadePuffer, odudara od tog obrasca tako što cilja vrlo specifičnu kategoriju imovine: AI modele i skupove podataka koji se koriste za njihovo treniranje.

Prema istraživanju tvrtke Sysdig, Encforge je izrađen kao namjenski, specijalizirani alat, a ne kao prenamijenjeni uobičajeni enkriptor. Ta razlika je bitna. Umjesto da pretražuje poslužitelj i zaključava sve datoteke koje pronađe, čini se da je Encforge dizajniran da specifično identificira i šifrira artefakte strojnog učenja – podatke za čije prikupljanje organizaciji mogu trebati mjeseci ili godine i koji se često ne mogu brzo ponovno stvoriti ili obnoviti iz jednostavne sigurnosne kopije.

Istraživači tvrtke Sysdig povezali su Encforge s istim operatorom koji stoji iza ranije kampanje, na temelju preklapajućeg jezika u zahtjevu za otkupninu i, što je značajno, povratka napadača na istu kompromitiranu instancu Langflowa nakon što je objavljeno prvo izvješće o aktivnostima grupe. Taj povratak mali je, ali rječit detalj: pokazuje da operator aktivno prati sigurnosno izvještavanje o vlastitoj kampanji i prilagođava se kao odgovor.

Koliko su se brzo razvili napadi JadePuffera

Ono što se najviše ističe u nalazima tvrtke Sysdig jest brzina promjene. Ranija operacija JadePuffera, prethodno dokumentirana kao prva ENCFORGE kampanja JadePuffera, bila je relativno nesofisticirana smetnja usmjerena na baze podataka. Unutar nekoliko tjedana isti je akter prešao s tog krhkog, poluautomatiziranog pristupa na alat za šifriranje izrađen po mjeri, usmjeren izravno na AI infrastrukturu.

Analiza tvrtke Sysdig sugerira da to nije bila slučajnost, već namjerna iteracija. Čini se da je operator učio iz nedostataka prvog napada, odbacio tehnike koje je lako otkriti ili omesti i zamijenio ih otpornijim, namjenskim alatima. Također se čini da su napravili proračunat zaokret u odabiru ciljeva, prešavši na klasu podataka koja pruža veću moć iznuđivanja od tipične baze podataka.

Ova vrsta brze evolucije vođene povratnim informacijama neuobičajena je za operatere ransomwarea, koji češće iteriraju mjesecima, a ne tjednima. To ukazuje na malu, agilnu operaciju koja eksperimentira gotovo u stvarnom vremenu, koristeći javno izvještavanje o vlastitim aktivnostima kao signal što dalje popraviti.

Zašto su AI modeli i skupovi podataka sada mete iznuđivanja

Logika ovog pomaka postaje jasna kad razmislite što AI modeli i skupovi podataka za treniranje zapravo predstavljaju za organizaciju. Za razliku od baze podataka o klijentima koja se ponekad može rekonstruirati iz drugih zapisa, istrenirani model ili pripremljeni skup podataka često odražava znatno, neponovljivo ulaganje vremena, računalnih resursa i specijaliziranog rada. Gubitak pristupa tim podacima ili njihovo eksfiltriranje i prijetnja javnim objavljivanjem može biti daleko ometajuće od standardnog događaja šifriranja datoteka.

To cjevovode strojnog učenja čini privlačnom metom za iznuđivanje. Organizacije koje izrađuju ili fino podešavaju modele često pohranjuju podatke i težine modela na poslužitelje koji su iz praktičnosti izloženi internetu, bilo da je riječ o razvojnom okruženju, internom alatu poput Langflowa ili zajedničkom spremniku za pohranu. Ako ti sustavi nisu pravilno segmentirani i nema kontrole pristupa, postaju lake mete upravo za onu vrstu oportunističkog skeniranja koja je dovela do prvog upada JadePuffera.

Koraci za zaštitu vašeg ML cjevovoda i osjetljivih podataka

Dobra je vijest da se osnove obrane ML infrastrukture ne razlikuju radikalno od standardne sigurnosne higijene – samo ih treba namjerno primijeniti na sustave koji se ponekad tretiraju kao eksperimentalni ili niskog prioriteta.

  • Održavajte ML alate i platforme za orkestraciju zakrpanima i izbjegavajte njihovo izravno izlaganje javnom internetu.
  • Segmentirajte mreže tako da razvojna i podatkovno-znanstvena okruženja ne mogu slobodno pristupiti produkcijskim sustavima, i obrnuto.
  • Pohranjujte težine modela i skupove podataka s verzioniranim, izvanmrežnim ili nepromjenjivim sigurnosnim kopijama koje ransomware ne može doseći niti prepisati.
  • Ograničite vjerodajnice i API ključeve koje koriste ML cjevovodi s istom strogošću koja se primjenjuje na produkcijske tajne.
  • Koristite VPN ili pristup privatnoj mreži za svaku udaljenu administraciju ML infrastrukture, smanjujući izloženost oportunističkom skeniranju s interneta koje često prethodi ovim napadima.

Što to znači za vas

Ako radite sa sustavima strojnog učenja, bilo kao podatkovni znanstvenik, IT administrator ili poslovni lider koji nadgleda AI inicijativu, Encforge je podsjetnik da infrastruktura koja podržava vaše modele zaslužuje istu pažnju kao i bilo koji drugi ključni poslovni sustav. Brza evolucija od napada usmjerenog na baze podataka do namjenski izrađenog ransomwarea koji cilja AI pokazuje da napadači aktivno istražuju ovaj prostor i brzo se prilagođavaju na temelju onoga što funkcionira.

Čak i ako vaša organizacija ne provodi velike AI operacije, šira lekcija vrijedi: svaki alat okrenut internetu, od low-code AI platforme do jednostavne interne nadzorne ploče, može postati ulazna točka ako se ostavi nezakrpan ili nesegmentiran od osjetljivijih sustava.

Zaključci

Encforge ilustrira koliko se brzo operateri ransomwarea mogu prilagoditi kad pronađu obećavajuću novu klasu ciljeva. Za svakoga tko upravlja ML infrastrukturom, prioritet je sada vidljivost i ograničavanje: znajte koji su AI alati i skupovi podataka izloženi, ograničite njihov doseg u ostatak mreže i tretirajte udaljeni pristup njima s istim oprezom koji biste primijenili na bilo koji osjetljivi produkcijski sustav. Pregled izloženosti alata poput Langflowa, pooštravanje mrežne segmentacije i korištenje VPN-ova ili privatnih kontrola pristupa za administrativne veze praktični su koraci koji značajno smanjuju izglede da postanete sljedeća oportunistička meta.