Een nieuw soort ransomware-dreiging duikt op

Ransomware-operators achtervolgden traditioneel wat ze snel te gelde konden maken: databases, financiële administratie, klantbestanden. Maar een als JADEPUFFER gevolgde dreigingsactor heeft zijn focus verlegd naar iets gespecialiseerders en in sommige opzichten schadelijkers: de AI-modellen en trainingsdata waar bedrijven steeds vaker op vertrouwen om hun activiteiten te draaien.

Volgens recente berichtgeving is JADEPUFFER overgestapt van geautomatiseerde database-afpersing naar doelbewuste vernietiging van AI-modellen, met een op maat gemaakte, in Go geschreven ransomware genaamd ENCFORGE. In plaats van simpelweg bestanden te vergrendelen voor losgeld, is deze malware ontworpen om de getrainde modellen en datasets te versleutelen en feitelijk te vernietigen waar organisaties voor machine learning-activiteiten op steunen. Dat onderscheid is wezenlijk. Een database kan vaak relatief snel uit back-ups worden hersteld. Een getraind AI-model, opgebouwd uit maanden of jaren samengestelde data en rekenkrachtinvestering, is veel moeilijker te vervangen.

Waarom AI-infrastructuur het nieuwe doelwit is

Wat deze campagne opmerkelijk maakt, is niet alleen de lading, maar het aflevermechanisme. JADEPUFFER is gedocumenteerd met een geautomatiseerde, agent-gestuurde aanpak voor binnendringing, en dit is niet de eerste keer dat hun gereedschap rechtstreeks AI-infrastructuur treft. Een gerelateerde campagne buitte al een kwetsbaarheid uit in Langflow, een opensourceplatform voor het bouwen en orkestreren van AI-agent-workflows, om een eerste voet tussen de deur te krijgen voordat ransomware werd ingezet. Dat eerdere incident, beschreven in de berichtgeving over Encforge-ransomware die AI-servers treft via de Langflow CVE-2025-3248-fout, toont een consistent patroon: aanvallers jagen actief op AI-ontwikkeltools en -pijplijnen als toegangspunten, niet slechts als bijzaak.

Dit is van belang voor iedereen wiens data een AI-systeem raken, of het nu een bedrijf is met interne ML-pijplijnen of een consument wiens persoonlijke informatie is gebruikt om een aanbevelingsengine of chatbot te trainen. AI-pijplijnen slikken vaak gevoelige data in en slaan deze op – van gebruikersgedragslogs tot bedrijfseigen bedrijfsadministratie – tijdens het trainen en finetunen van modellen. Wanneer ransomware die pijplijn viseert, is het risico niet alleen dat de bedrijfsvoering stilvalt. Het is dat de onderliggende data, mogelijk inclusief persoonlijke of gevoelige informatie, blootgesteld, buitgemaakt of volledig verloren kan gaan voordat de versleuteling zelfs maar plaatsvindt.

De evolutie van generieke database-afpersing naar doelgerichte vernietiging van AI-modellen wijst ook op een bredere trend om in de gaten te houden: aanvallers behandelen AI-infrastructuur als hoogwaardige, strategische doelen. Trainingsdata en modellen vertegenwoordigen een aanzienlijke investering en worden vaak minder beschermd door traditionele back-up- en herstelprocedures dan conventionele databases, waardoor ze een aantrekkelijk doelwit voor afpersing vormen.

Wat dit voor u betekent

Als u een bedrijf of ontwikkelaar bent die met AI-tools werkt, is deze ontwikkeling een signaal om opnieuw te beoordelen hoe die systemen zijn beveiligd. Platforms als Langflow en vergelijkbare orkestratietools maken steeds vaker deel uit van productieomgevingen, niet alleen van experimentele speeltuinen, en ze moeten met dezelfde strengheid worden gepatcht en bewaakt als elk klantgericht systeem. Kwetsbaarheden zoals CVE-2025-3248 tonen aan dat een enkele ongepatchte fout in een AI-workflowtool het toegangspunt kan worden voor een volledige ransomware-implementatie.

Voor gewone gebruikers en consumenten is de conclusie indirecter, maar nog steeds belangrijk. Naarmate meer diensten vertrouwen op AI-modellen die zijn getraind op gebruikersdata, kan een aanval die die trainingsdata vernietigt of buitmaakt, naar buiten uitgolven en de privacy en beschikbaarheid van diensten die u regelmatig gebruikt, beïnvloeden. Het is opnieuw een herinnering dat de beveiliging van de AI-systemen achter de apps en platforms die we gebruiken, net zo belangrijk is als de beveiliging van de apps zelf.

Bouwen aan een defensieve houding tegen op AI gerichte ransomware

Organisaties die AI-infrastructuur beheren, moeten modelbestanden en trainingsdatasets behandelen als kritieke activa die speciale back-up- en herstelplannen vereisen, gescheiden van de algemene IT-back-ups. Netwerksegmentatie tussen AI-ontwikkelomgevingen en productiesystemen kan beperken hoe ver een aanvaller zich kan verplaatsen na een eerste compromittering. Regelmatig patchen van AI-orkestratieplatforms, proactieve incidentresponsplanning specifiek voor ML-pijplijnen en versleuteling van data in rust zijn allemaal praktische stappen die de blootstelling aan campagnes als deze verkleinen.

JADEPUFFER's verschuiving richting ENCFORGE-ransomware is een duidelijk teken dat aanvallers zich aanpassen aan waar de waarde nu ligt: niet alleen in klantendatabases, maar in de AI-systemen die daar bovenop zijn gebouwd. Die verschuiving voorblijven betekent dat de beveiliging van AI-infrastructuur een kernprioriteit moet zijn in plaats van een bijzaak.

Actiegerichte conclusies:

  • Patch AI-orkestratie- en workflowplatforms onmiddellijk, met name bekende fouten zoals CVE-2025-3248 in Langflow.
  • Houd gescheiden, geteste back-ups aan voor getrainde modellen en trainingsdatasets, niet alleen voor algemene databases.
  • Segmenteer AI-ontwikkel- en trainingsomgevingen van productienetwerken om laterale beweging te beperken.
  • Stel een incidentresponsplan op dat specifiek rekening houdt met compromittering van ML-pijplijnen, niet alleen met traditionele datalekken.
  • Versleutel gevoelige trainingsdata in rust en monitor toegangslogs op ongebruikelijke activiteit rond AI-infrastructuur.