En ny type løsepengevirus-trussel dukker opp

Løsepengevirusoperatører har tradisjonelt gått etter det de kan tjene penger på raskt: databaser, finansielle poster, kundefiler. Men en trusselaktør sporet som JADEPUFFER har skiftet fokus mot noe mer spesialisert og på noen måter mer skadelig: AI-modellene og treningsdataene som selskaper i stadig større grad er avhengige av for å drive virksomhetene sine.

Ifølge nylige rapporter har JADEPUFFER eskalert fra automatisert databaseutpressing til skreddersydd AI-modellødeleggelse, og distribuerer et egendefinert Go-basert løsepengevirus kalt ENCFORGE. I stedet for bare å låse filer for utbetaling, er denne skadevaren konstruert for å kryptere og effektivt ødelegge de trente modellene og datasettene som organisasjoner er avhengige av for maskinlæringsoperasjoner. Denne forskjellen er viktig. En database kan ofte gjenopprettes fra sikkerhetskopier relativt raskt. En trent AI-modell, bygget på måneder eller år med kuraterte data og beregningsinvesteringer, er mye vanskeligere å erstatte.

Hvorfor AI-infrastruktur er det nye målet

Det som gjør denne kampanjen bemerkelsesverdig er ikke bare nyttelasten, men leveringsmekanismen. JADEPUFFER har blitt dokumentert ved bruk av en automatisert, agentdrevet tilnærming til inntrengning, og dette er ikke første gang verktøyene deres har truffet AI-infrastruktur direkte. En relatert kampanje utnyttet allerede et sårbarhet i Langflow, en åpen kildekode-plattform som brukes til å bygge og orkestrere AI-agentarbeidsflyter, for å få fotfeste før løsepengeviruset ble distribuert. Denne tidligere hendelsen, beskrevet i dekningen av Encforge-løsepengevirus som rammer AI-servere via Langflow CVE-2025-3248-sårbarheten, viser et konsistent mønster: angripere jakter aktivt på AI-utviklingsverktøy og -rørledninger som inngangspunkter, ikke bare som ettertanker.

Dette har betydning for alle hvis data berører et AI-system, enten det er et selskap som kjører interne ML-rørledninger eller en forbruker hvis personopplysninger ble brukt til å trene en anbefalingsmotor eller chatbot. AI-rørledninger inntar og lagrer ofte sensitive data, fra brukeratferdslogger til proprietære forretningsdata, i prosessen med å trene og finjustere modeller. Når løsepengevirus retter seg mot den rørledningen, er ikke risikoen bare at driften stopper opp. Det er at de underliggende dataene, som potensielt inkluderer personlig eller sensitiv informasjon, kan bli eksponert, eksfiltrert eller gå helt tapt før kryptering i det hele tatt skjer.

Evolusjonen fra generisk databaseutpressing til målrettet ødeleggelse av AI-modeller signaliserer også en bredere trend verdt å følge med på: angripere behandler AI-infrastruktur som høyverdi, høyinnflytelsesmål. Treningsdata og modeller representerer betydelige investeringer og er ofte mindre beskyttet av tradisjonelle sikkerhetskopierings- og gjenopprettingsprosesser enn konvensjonelle databaser, noe som gjør dem til et attraktivt mål for utpressing.

Hva dette betyr for deg

Hvis du er en bedrift eller utvikler som jobber med AI-verktøy, er denne utviklingen et signal om å revurdere hvordan disse systemene sikres. Plattformer som Langflow og lignende orkestreringsverktøy er i stadig større grad en del av produksjonsmiljøer, ikke bare eksperimentelle sandkasser, og de må patches og overvåkes med samme strenghet som ethvert kundevendt system. Sårbarheter som CVE-2025-3248 viser at en enkelt upatchet feil i et AI-arbeidsflytverktøy kan bli inngangspunktet for en full distribusjon av løsepengevirus.

For vanlige brukere og forbrukere er konklusjonen mer indirekte, men fortsatt viktig. Ettersom flere tjenester er avhengige av AI-modeller trent på brukerdata, kan et angrep som ødelegger eller eksfiltrerer disse treningsdataene forplante seg utover og påvirke personvernet og tilgjengeligheten til tjenester du bruker jevnlig. Det er nok en påminnelse om at sikkerheten til AI-systemene bak appene og plattformene vi bruker, betyr like mye som sikkerheten til selve appene.

Bygge en defensiv holdning mot AI-rettet løsepengevirus

Organisasjoner som driver AI-infrastruktur bør behandle modellfiler og treningsdatasett som kritiske eiendeler som krever dedikerte sikkerhetskopierings- og gjenopprettingsplaner, adskilt fra generelle IT-sikkerhetskopier. Nettverkssegmentering mellom AI-utviklingsmiljøer og produksjonssystemer kan begrense hvor langt en angriper kan bevege seg etter en innledende kompromittering. Regelmessig patching av AI-orkestreringsplattformer, rask responsplanlegging for hendelser spesifikt for ML-rørledninger og kryptering av data i ro er alle praktiske skritt som reduserer eksponering for kampanjer som denne.

JADEPUFFERs skifte mot ENCFORGE-løsepengevirus er et tydelig tegn på at angripere tilpasser seg dit verdien nå ligger: ikke bare i kundedatabaser, men i AI-systemene bygget på toppen av dem. Å ligge i forkant av dette skiftet betyr å behandle AI-infrastruktursikkerhet som en kjerneprioritet i stedet for en ettertanke.

Praktiske tiltak:

  • Patch AI-orkestrerings- og arbeidsflytplattformer umiddelbart, spesielt kjente sårbarheter som CVE-2025-3248 i Langflow.
  • Oppretthold separate, testede sikkerhetskopier for trente modeller og treningsdatasett, ikke bare generelle databaser.
  • Segmenter AI-utviklings- og treningsmiljøer fra produksjonsnettverk for å begrense lateral bevegelse.
  • Bygg en responsplan for hendelser som spesifikt tar høyde for kompromittering av ML-rørledninger, ikke bare tradisjonelle datainnbrudd.
  • Krypter sensitive treningsdata i ro og overvåk tilgangslogger for uvanlig aktivitet rundt AI-infrastruktur.