Encforge가 기존 랜섬웨어와 다른 점
대부분의 랜섬웨어는 여전히 익숙한 방식을 따릅니다: 파일을 암호화하고, 몸값 요구 메모를 남기고, 지불을 기다리는 것입니다. JadePuffer로 알려진 위협 행위자의 최신 도구인 Encforge는 매우 특정한 범주의 자산을 표적으로 삼음으로써 그 패턴에서 벗어납니다: 바로 AI 모델과 이를 학습시키는 데 사용된 데이터셋입니다.
Sysdig의 연구에 따르면, Encforge는 기성 암호화 도구를 재활용한 것이 아니라 전용으로 제작된 목적 지향적 도구로 만들어졌습니다. 이 차이는 중요합니다. Encforge는 서버를 샅샅이 뒤져 발견되는 파일을 무차별적으로 잠그는 대신, 머신러닝 아티팩트를 구체적으로 식별하고 암호화하도록 설계된 것으로 보입니다. 이런 종류의 데이터는 조직이 구축하는 데 수개월 또는 수년이 걸릴 수 있으며, 단순한 백업 루틴으로는 빠르게 재생성하거나 복구할 수 없는 경우가 많습니다.
Sysdig의 연구원들은 몸값 요구문에 사용된 언어가 겹치는 점과, 특히 해당 그룹의 활동에 대한 첫 보고서가 발표된 후 공격자가 이전에 침해했던 동일한 Langflow 인스턴스로 다시 돌아왔다는 점에 근거해 Encforge를 이전 캠페인의 배후에 있는 동일한 운영자와 연관지었습니다. 그 재방문은 작지만 많은 것을 말해주는 세부 사항입니다: 자신의 캠페인에 대한 보안 커버리지를 적극적으로 모니터링하고 그에 대응하여 적응하는 운영자의 모습을 보여주기 때문입니다.
JadePuffer의 공격이 어떻게 빠르게 진화했는가
Sysdig의 조사 결과에서 가장 두드러지는 점은 변화의 속도입니다. JadePuffer의 이전 작전인 JadePuffer의 첫 번째 ENCFORGE 캠페인은 비교적 정교하지 않은, 데이터베이스 중심의 골칫거리였습니다. 불과 몇 주 만에 동일한 행위자는 그 취약하고 반자동화된 접근 방식에서 벗어나 AI 인프라를 정조준하는 맞춤형 암호화 도구로 옮겨갔습니다.
Sysdig의 분석에 따르면 이는 우연이 아니라 의도적인 반복 개선이었습니다. 운영자는 첫 번째 공격의 단점에서 교훈을 얻고, 탐지되거나 교란되기 쉬운 기술을 버리고 더 탄력적인 전용 도구로 대체한 것으로 보입니다. 또한 일반적인 데이터베이스보다 더 큰 갈취 레버리지를 제공하는 데이터 부류로 이동하면서 표적 선택에 계산된 전환을 한 것으로 보입니다.
이런 종류의 빠르고 피드백 기반의 진화는 보통 몇 주가 아니라 몇 달에 걸쳐 개선 작업을 수행하는 랜섬웨어 운영자들에게는 이례적인 일입니다. 이는 공공 보도를 자신의 다음 수정 사항을 알리는 신호로 삼으면서 거의 실시간에 가깝게 실험하는 작고 민첩한 작전을 시사합니다.
AI 모델과 데이터셋이 이제 갈취 대상이 된 이유
이러한 전환의 논리는 AI 모델과 학습 데이터셋이 조직에 실제로 무엇을 의미하는지 고려하면 간단히 이해할 수 있습니다. 때때로 다른 기록에서 재구성할 수 있는 고객 데이터베이스와 달리, 학습된 모델이나 선별된 데이터셋은 종종 시간, 컴퓨팅 자원, 전문 인력에 대한 상당하고 반복 불가능한 투자를 반영합니다. 이에 대한 접근 권한을 상실하거나, 유출되어 공개하겠다고 위협받는 것은 표준적인 파일 암호화 사건보다 훨씬 더 큰 혼란을 초래할 수 있습니다.
이로 인해 ML 파이프라인은 갈취에 매력적인 표적이 됩니다. 모델을 구축하거나 미세 조정하는 조직은 편의를 위해 데이터와 모델 가중치를 개발 환경, Langflow 같은 내부 도구, 공유 스토리지 버킷 등 인터넷에 노출된 서버에 저장하는 경우가 많습니다. 이러한 시스템이 적절히 분할되고 접근 제어되지 않으면, 이는 JadePuffer의 초기 거점으로 이어졌던 바로 그런 종류의 기회주의적 스캐닝에 대한 손쉬운 표적이 됩니다.
ML 파이프라인과 민감한 데이터를 보호하는 단계
좋은 소식은 ML 인프라를 방어하기 위한 기본 원칙이 표준 보안 위생과 근본적으로 크게 다르지 않다는 점입니다. 단지 때때로 실험적이거나 우선 순위가 낮은 것으로 취급되는 시스템에 의도적으로 적용하면 됩니다.
- ML 도구와 오케스트레이션 플랫폼에 패치를 적용하고 인터넷에 직접 노출하지 마십시오.
- 네트워크를 분할하여 개발 및 데이터 과학 환경이 프로덕션 시스템에 자유롭게 도달하지 못하게 하고 그 반대도 마찬가지로 하십시오.
- 랜섬웨어가 접근하거나 덮어쓸 수 없는 버전 관리된 오프라인 또는 불변 백업으로 모델 가중치와 데이터셋을 저장하십시오.
- 프로덕션 비밀 정보에 적용하는 것과 동일한 엄격함으로 ML 파이프라인에서 사용되는 자격 증명과 API 키를 제한하십시오.
- ML 인프라의 모든 원격 관리에 VPN 또는 사설 네트워크 액세스를 사용하여 이러한 공격에 앞서 자주 발생하는 기회주의적 인터넷 전역 스캐닝에 대한 노출을 줄이십시오.
이것이 당신에게 의미하는 바
데이터 사이언티스트, IT 관리자 또는 AI 이니셔티브를 감독하는 비즈니스 리더로서 머신러닝 시스템을 다루고 있다면, Encforge는 모델을 지원하는 인프라가 다른 모든 중요 비즈니스 시스템과 동일한 수준의 정밀 조사를 받을 자격이 있음을 상기시켜 줍니다. 데이터베이스 중심 공격에서 목적 지향적 AI 표적 랜섬웨어로의 빠른 진화는 공격자들이 이 공간을 적극적으로 탐색하고 효과가 있는 것에 따라 빠르게 조정하고 있음을 보여줍니다.
조직이 대규모 AI 운영을 진행하고 있지 않더라도, 더 넓은 교훈은 적용됩니다: 로우코드 AI 플랫폼에서 단순한 내부 대시보드에 이르기까지 인터넷 접점에 있는 모든 도구는 패치가 적용되지 않거나 더 민감한 시스템으로부터 분할되지 않은 채 방치되면 진입점이 될 수 있습니다.
최종 핵심 사항
Encforge는 랜섬웨어 운영자들이 유망한 새로운 표적 부류를 찾았을 때 얼마나 빨리 적응할 수 있는지 보여줍니다. ML 인프라를 관리하는 사람에게 지금의 우선순위는 가시성과 격리입니다: 어떤 AI 도구와 데이터셋이 노출되어 있는지 파악하고, 네트워크의 나머지 부분으로의 접근 범위를 제한하며, 민감한 프로덕션 시스템에 적용할 것과 동일한 주의로 이들에 대한 원격 액세스를 취급하십시오. Langflow와 같은 도구의 노출을 검토하고, 네트워크 분할을 강화하며, 관리 연결에 VPN 또는 프라이빗 액세스 제어를 사용하는 것은 다음 기회주의적 표적이 될 확률을 의미 있게 줄여주는 실질적인 조치입니다.
