Apa yang Encforge Lakukan Secara Berbeda dari Ransomware Tradisional

Sebagian besar ransomware masih mengikuti pola yang sudah dikenal: mengenkripsi file, meninggalkan catatan tebusan, menunggu pembayaran. Encforge, alat terbaru dari aktor ancaman yang dikenal sebagai JadePuffer, menyimpang dari pola tersebut dengan menargetkan kategori aset yang sangat spesifik: model AI dan set data yang digunakan untuk melatihnya.

Menurut riset dari Sysdig, Encforge dibuat sebagai perangkat yang didedikasikan dan dibangun khusus, bukan sebagai enkripsi siap pakai yang digunakan ulang. Perbedaan ini penting. Alih-alih menyapu server dan mengunci file apa pun yang ditemukan, Encforge tampaknya dirancang untuk mengidentifikasi dan mengenkripsi artefak pembelajaran mesin secara spesifik, jenis data yang bisa membutuhkan waktu berbulan-bulan atau bertahun-tahun bagi organisasi untuk merakitnya dan seringkali tidak dapat dengan cepat dibuat ulang atau dipulihkan dari rutinitas pencadangan sederhana.

Peneliti Sysdig mengaitkan Encforge kembali ke operator yang sama di balik kampanye sebelumnya, berdasarkan bahasa yang tumpang tindih dalam permintaan tebusan dan, yang perlu diperhatikan, kembalinya penyerang ke instance Langflow yang sama yang telah disusupi setelah laporan pertama tentang aktivitas kelompok tersebut diterbitkan. Kunjungan kembali itu adalah detail kecil namun signifikan: ini menunjukkan operator yang secara aktif memantau liputan keamanan dari kampanye mereka sendiri dan beradaptasi sebagai responsnya.

Bagaimana Serangan JadePuffer Berkembang Begitu Cepat

Yang paling menonjol dalam temuan Sysdig adalah kecepatan perubahannya. Operasi JadePuffer sebelumnya, sebelumnya didokumentasikan sebagai kampanye ENCFORGE pertama JadePuffer, merupakan gangguan yang relatif tidak canggih dan berfokus pada basis data. Dalam hitungan minggu, aktor yang sama telah beralih dari pendekatan yang rapuh dan semi-otomatis itu ke alat enkripsi yang dibuat khusus yang ditujukan langsung ke infrastruktur AI.

Analisis Sysdig menunjukkan bahwa ini bukanlah kebetulan, tetapi sebuah iterasi yang disengaja. Operator tersebut tampaknya telah belajar dari kekurangan serangan pertama, membuang teknik yang mudah dideteksi atau diganggu, dan menggantinya dengan perangkat khusus yang lebih tangguh. Mereka tampaknya juga telah membuat pergeseran yang diperhitungkan dalam pemilihan target, bergerak menuju kelas data yang menawarkan daya ungkit pemerasan yang lebih besar daripada basis data biasa.

Evolusi yang cepat dan didorong oleh umpan balik ini tidak biasa bagi operator ransomware, yang lebih sering beriterasi selama berbulan-bulan daripada berminggu-minggu. Ini menunjukkan operasi kecil dan gesit yang bereksperimen hampir secara real time, menggunakan laporan publik tentang aktivitasnya sendiri sebagai sinyal untuk apa yang harus diperbaiki selanjutnya.

Mengapa Model AI dan Set Data Kini Menjadi Target Pemerasan

Logika di balik pergeseran ini sangat jelas setelah Anda mempertimbangkan apa yang sebenarnya diwakili oleh model AI dan set data pelatihan bagi sebuah organisasi. Tidak seperti basis data pelanggan yang terkadang bisa direkonstruksi dari catatan lain, model yang dilatih atau set data yang dikurasi seringkali mencerminkan investasi waktu, komputasi, dan tenaga kerja khusus yang substansial dan tidak dapat diulang. Kehilangan akses ke sana, atau telah dieksfiltrasi dan terancam untuk dirilis ke publik, bisa jauh lebih mengganggu daripada peristiwa enkripsi file biasa.

Itu menjadikan alur kerja ML sebagai target yang menarik untuk pemerasan. Organisasi yang membangun atau melakukan fine-tuning model seringkali menyimpan data dan bobot model di server yang terpapar ke internet demi kenyamanan, entah itu lingkungan pengembangan, alat internal seperti Langflow, atau bucket penyimpanan bersama. Jika sistem tersebut tidak disegmentasi dan dikontrol aksesnya dengan benar, mereka menjadi target empuk untuk jenis pemindaian oportunistik yang persis menyebabkan pijakan awal JadePuffer.

Langkah-Langkah untuk Melindungi Alur Kerja ML dan Data Sensitif Anda

Kabar baiknya adalah dasar-dasar untuk mempertahankan infrastruktur ML tidak berbeda secara radikal dari higiene keamanan standar, hanya perlu diterapkan secara sengaja pada sistem yang terkadang dianggap sebagai eksperimental atau berprioritas rendah.

  • Jaga agar platform perangkat dan orkestrasi ML tetap ditambal dan hindari mengeksposnya langsung ke internet publik.
  • Segmentasi jaringan sehingga lingkungan pengembangan dan ilmu data tidak dapat dengan bebas menjangkau sistem produksi, dan sebaliknya.
  • Simpan bobot model dan set data dengan cadangan berversi, offline, atau tidak dapat diubah yang tidak dapat dijangkau atau ditimpa oleh ransomware.
  • Batasi kredensial dan kunci API yang digunakan oleh alur kerja ML dengan ketelitian yang sama yang diterapkan pada rahasia produksi.
  • Gunakan VPN atau akses jaringan pribadi untuk administrasi jarak jauh apa pun dari infrastruktur ML, mengurangi paparan terhadap pemindaian oportunistik di seluruh internet yang sering mendahului serangan ini.

Apa Artinya Ini Bagi Anda

Jika Anda bekerja dengan sistem pembelajaran mesin, baik sebagai ilmuwan data, administrator TI, atau pemimpin bisnis yang mengawasi inisiatif AI, Encforge adalah pengingat bahwa infrastruktur yang mendukung model Anda layak mendapatkan pengawasan yang sama seperti sistem bisnis penting lainnya. Evolusi cepat dari serangan yang berfokus pada basis data menjadi ransomware penargetan AI yang dibuat khusus menunjukkan bahwa penyerang secara aktif menjelajahi ruang ini dan menyesuaikan dengan cepat berdasarkan apa yang berhasil.

Bahkan jika organisasi Anda tidak menjalankan operasi AI skala besar, pelajaran yang lebih luas berlaku: alat yang menghadap internet apa pun, dari platform AI kode rendah hingga dasbor internal sederhana, dapat menjadi titik masuk jika dibiarkan tidak ditambal atau tidak disegmentasi dari sistem yang lebih sensitif.

Poin-Poin Penting Akhir

Encforge menggambarkan betapa cepatnya operator ransomware dapat beradaptasi ketika mereka menemukan kelas target baru yang menjanjikan. Bagi siapa pun yang mengelola infrastruktur ML, prioritasnya sekarang adalah visibilitas dan pembendungan: ketahui alat AI dan set data apa yang terpapar, batasi jangkauan mereka ke seluruh jaringan Anda, dan perlakukan akses jarak jauh ke sana dengan kehati-hatian yang sama seperti yang Anda terapkan pada sistem produksi sensitif mana pun. Meninjau paparan alat seperti Langflow, memperketat segmentasi jaringan, dan menggunakan VPN atau kontrol akses pribadi untuk koneksi administratif adalah langkah-langkah praktis yang secara berarti mengurangi kemungkinan menjadi target oportunistik berikutnya.