Una nuova minaccia ransomware sta emergendo

Gli operatori di ransomware hanno tradizionalmente preso di mira ciò che possono monetizzare rapidamente: database, registri finanziari, file dei clienti. Ma un attore della minaccia identificato come JADEPUFFER ha spostato la sua attenzione verso qualcosa di più specializzato e, per certi versi, più dannoso: i modelli di IA e i dati di addestramento su cui le aziende fanno sempre più affidamento per gestire le proprie attività.

Secondo recenti rapporti, JADEPUFFER è passato dall'estorsione automatizzata di database alla distruzione mirata di modelli di IA, utilizzando un ransomware personalizzato scritto in Go chiamato ENCFORGE. Piuttosto che limitarsi a bloccare i file per ottenere un riscatto, questo malware è progettato per cifrare e di fatto distruggere i modelli addestrati e i dataset da cui le organizzazioni dipendono per le operazioni di machine learning. Questa distinzione è importante. Un database può spesso essere ripristinato dai backup in tempi relativamente brevi. Un modello di IA addestrato, costruito in mesi o anni di dati curati e investimenti in calcolo, è molto più difficile da sostituire.

Perché l'infrastruttura IA è il nuovo obiettivo

Ciò che rende questa campagna degna di nota non è solo il payload, ma il meccanismo di distribuzione. JADEPUFFER è stato documentato mentre utilizzava un approccio automatizzato basato su agenti per l'intrusione, e non è la prima volta che i suoi strumenti colpiscono direttamente l'infrastruttura IA. Una campagna correlata aveva già sfruttato una vulnerabilità in Langflow, una piattaforma open-source utilizzata per creare e orchestrare flussi di lavoro di agenti IA, per ottenere un punto d'appoggio prima di distribuire il ransomware. Quell'incidente precedente, descritto in dettaglio nella copertura del ransomware Encforge che colpisce i server AI tramite la vulnerabilità Langflow CVE-2025-3248, mostra uno schema coerente: gli attaccanti cercano attivamente strumenti di sviluppo IA e pipeline come punti di ingresso, non come ripensamenti.

Questo è rilevante per chiunque abbia dati che interagiscono con un sistema di IA, che si tratti di un'azienda che esegue pipeline ML interne o di un consumatore i cui dati personali sono stati usati per addestrare un motore di raccomandazione o un chatbot. Le pipeline di IA spesso assorbono e memorizzano dati sensibili, dai log del comportamento degli utenti ai registri aziendali proprietari, durante il processo di addestramento e messa a punto dei modelli. Quando il ransomware prende di mira quella pipeline, il rischio non è solo che le operazioni si blocchino. È che i dati sottostanti, potenzialmente inclusi dati personali o sensibili, possano essere esposti, esfiltrati o persi del tutto prima ancora che avvenga la cifratura.

L'evoluzione dall'estorsione generica di database alla distruzione mirata di modelli di IA segnala anche una tendenza più ampia da osservare: gli attaccanti considerano l'infrastruttura IA come un obiettivo di alto valore e ad alta leva. I dati di addestramento e i modelli rappresentano un investimento significativo e sono spesso meno protetti dai processi tradizionali di backup e ripristino rispetto ai database convenzionali, rendendoli un bersaglio attraente per l'estorsione.

Cosa significa questo per te

Se sei un'azienda o uno sviluppatore che lavora con strumenti di IA, questo sviluppo è un segnale per rivalutare come questi sistemi vengono protetti. Piattaforme come Langflow e strumenti di orchestrazione simili sono sempre più parte di ambienti di produzione, non solo sandbox sperimentali, e devono essere patchate e monitorate con lo stesso rigore di qualsiasi sistema esposto ai clienti. Vulnerabilità come CVE-2025-3248 dimostrano che un singolo difetto non corretto in uno strumento di flusso di lavoro IA può diventare il punto di ingresso per una distribuzione completa di ransomware.

Per gli utenti quotidiani e i consumatori, il messaggio è più indiretto ma comunque importante. Man mano che sempre più servizi si affidano a modelli di IA addestrati su dati utente, un attacco che distrugge o esfiltra quei dati di addestramento potrebbe avere ripercussioni a catena, influenzando la privacy e la disponibilità dei servizi che utilizzi regolarmente. È un ulteriore promemoria che la sicurezza dei sistemi di IA dietro le app e le piattaforme che usiamo conta tanto quanto la sicurezza delle app stesse.

Costruire una postura difensiva contro il ransomware mirato all'IA

Le organizzazioni che gestiscono infrastrutture IA dovrebbero trattare i file dei modelli e i dataset di addestramento come asset critici che richiedono piani di backup e ripristino dedicati, separati dai backup IT generali. La segmentazione della rete tra ambienti di sviluppo IA e sistemi di produzione può limitare la portata dei movimenti laterali di un attaccante dopo una compromissione iniziale. L'applicazione regolare di patch alle piattaforme di orchestrazione IA, una pianificazione della risposta agli incidenti specifica per le pipeline ML e la cifratura dei dati a riposo sono tutti passi pratici che riducono l'esposizione a campagne come questa.

Il passaggio di JADEPUFFER verso il ransomware ENCFORGE è un chiaro segnale che gli attaccanti si stanno adattando a dove risiede ora il valore: non solo nei database dei clienti, ma nei sistemi di IA costruiti sopra di essi. Stare al passo con questo cambiamento significa trattare la sicurezza dell'infrastruttura IA come una priorità fondamentale, non come un pensiero successivo.

Consigli operativi:

  • Applica tempestivamente le patch alle piattaforme di orchestrazione e flusso di lavoro IA, in particolare a difetti noti come CVE-2025-3248 in Langflow.
  • Mantieni backup separati e testati per i modelli addestrati e i dataset di addestramento, non solo per i database generici.
  • Segmenta gli ambienti di sviluppo e addestramento IA dalle reti di produzione per limitare i movimenti laterali.
  • Crea un piano di risposta agli incidenti che tenga conto specificamente della compromissione delle pipeline ML, non solo delle violazioni di dati tradizionali.
  • Cifra i dati di addestramento sensibili a riposo e monitora i log di accesso per attività insolite intorno all'infrastruttura IA.