Pojawia się nowy rodzaj zagrożenia ransomware

Operatorzy ransomware tradycyjnie polowali na to, co mogli szybko spieniężyć: bazy danych, dokumenty finansowe, pliki klientów. Ale grupa śledzona jako JADEPUFFER przesunęła swoją uwagę na coś bardziej wyspecjalizowanego i, pod pewnymi względami, bardziej niszczycielskiego: modele AI i dane treningowe, na których firmy coraz bardziej polegają, by prowadzić swoją działalność.

Według najnowszych doniesień, JADEPUFFER przeszedł od automatycznego wymuszania okupu na bazach danych do celowego niszczenia modeli AI, wdrażając własne ransomware napisane w Go o nazwie ENCFORGE. Zamiast po prostu blokować pliki dla okupu, to złośliwe oprogramowanie zostało zaprojektowane, aby szyfrować i skutecznie niszczyć wytrenowane modele i zbiory danych, od których organizacje zależą w operacjach uczenia maszynowego. To rozróżnienie ma znaczenie. Bazę danych często można przywrócić z kopii zapasowych stosunkowo szybko. Wytrenowany model AI, zbudowany w ciągu miesięcy lub lat wyselekcjonowanych danych i inwestycji obliczeniowych, jest znacznie trudniejszy do zastąpienia.

Dlaczego infrastruktura AI jest nowym celem

To, co czyni tę kampanię godną uwagi, to nie tylko ładunek, ale i mechanizm dostarczania. Udokumentowano, że JADEPUFFER stosuje zautomatyzowane, agentowe podejście do włamań i nie jest to pierwszy raz, gdy jego narzędzia bezpośrednio uderzyły w infrastrukturę AI. Powiązana kampania wykorzystała już lukę w Langflow, otwartoźródłowej platformie do budowania i orkiestracji przepływów pracy agentów AI, aby zdobyć przyczółek przed wdrożeniem ransomware. Ten wcześniejszy incydent, szczegółowo opisany w relacji Ransomware Encforge atakuje serwery AI przez lukę Langflow CVE-2025-3248, pokazuje spójny wzorzec: atakujący aktywnie polują na narzędzia i potoki programistyczne AI jako punkty wejścia, a nie tylko jako dodatek.

Ma to znaczenie dla każdego, czyje dane mają styczność z systemem AI – czy to firma korzystająca z wewnętrznych potoków uczenia maszynowego, czy konsument, którego dane osobowe wykorzystano do trenowania silnika rekomendacji lub chatbota. Potoki AI często pobierają i przechowują wrażliwe dane, od dzienników zachowań użytkowników po zastrzeżone dokumenty biznesowe, w procesie trenowania i dostrajania modeli. Gdy ransomware atakuje ten potok, ryzyko nie polega tylko na zatrzymaniu operacji. Chodzi o to, że dane źródłowe, potencjalnie zawierające informacje osobiste lub wrażliwe, mogą zostać ujawnione, wykradzione lub całkowicie utracone jeszcze przed szyfrowaniem.

Ewolucja od ogólnego wymuszania okupu na bazach danych do celowego niszczenia modeli AI sygnalizuje również szerszy trend, który warto obserwować: atakujący traktują infrastrukturę AI jako cele o wysokiej wartości i dużej sile oddziaływania. Dane treningowe i modele stanowią znaczącą inwestycję i często są słabiej chronione przez tradycyjne procesy tworzenia kopii zapasowych i odzyskiwania niż konwencjonalne bazy danych, co czyni je atrakcyjnym celem wymuszeń.

Co to oznacza dla Ciebie

Jeśli jesteś firmą lub programistą pracującym z narzędziami AI, ten rozwój wydarzeń jest sygnałem, aby ponownie ocenić, jak te systemy są zabezpieczone. Platformy takie jak Langflow i podobne narzędzia orkiestracyjne coraz częściej stanowią część środowisk produkcyjnych, a nie tylko eksperymentalnych piaskownic, i muszą być łatane oraz monitorowane z taką samą starannością, jak każdy system dostępny dla klientów. Luki takie jak CVE-2025-3248 pokazują, że pojedyncza niezałatana wada w narzędziu przepływu pracy AI może stać się punktem wejścia dla pełnego wdrożenia ransomware.

Dla zwykłych użytkowników i konsumentów wniosek jest bardziej pośredni, ale wciąż istotny. W miarę jak coraz więcej usług opiera się na modelach AI trenowanych na danych użytkowników, atak, który niszczy lub wykrada te dane treningowe, może wywołać efekt domina, wpływając na prywatność i dostępność usług, z których regularnie korzystasz. To kolejne przypomnienie, że bezpieczeństwo systemów AI stojących za aplikacjami i platformami, których używamy, ma znaczenie równie duże, jak bezpieczeństwo samych aplikacji.

Budowanie postawy obronnej przeciwko ransomware wymierzonemu w AI

Organizacje obsługujące infrastrukturę AI powinny traktować pliki modeli i zbiory danych treningowych jako krytyczne zasoby wymagające dedykowanych planów tworzenia kopii zapasowych i odzyskiwania, oddzielonych od ogólnych kopii zapasowych IT. Segmentacja sieci między środowiskami programistycznymi AI a systemami produkcyjnymi może ograniczyć zakres, w jakim atakujący może się przemieszczać po początkowym włamaniu. Regularne łatania platform orkiestracji AI, szybkie planowanie reagowania na incydenty specyficzne dla potoków uczenia maszynowego oraz szyfrowanie danych w spoczynku to praktyczne kroki, które zmniejszają narażenie na tego typu kampanie.

Zwrot JADEPUFFER w kierunku ransomware ENCFORGE jest wyraźnym sygnałem, że atakujący dostosowują się do miejsca, w którym obecnie znajduje się wartość: nie tylko w bazach danych klientów, ale w systemach AI zbudowanych na ich podstawie. Wyprzedzenie tej zmiany oznacza traktowanie bezpieczeństwa infrastruktury AI jako głównego priorytetu, a nie dodatku.

Praktyczne zalecenia:

  • Łataj niezwłocznie platformy orkiestracji i przepływu pracy AI, zwłaszcza znane luki, takie jak CVE-2025-3248 w Langflow.
  • Utrzymuj oddzielne, przetestowane kopie zapasowe dla wytrenowanych modeli i zbiorów danych treningowych, nie tylko dla ogólnych baz danych.
  • Podziel segmentację sieci między środowiskami programistycznymi i treningowymi AI a sieciami produkcyjnymi, aby ograniczyć ruch boczny.
  • Stwórz plan reagowania na incydenty, który uwzględnia konkretnie naruszenie potoku uczenia maszynowego, a nie tylko tradycyjne wycieki danych.
  • Szyfruj wrażliwe dane treningowe w spoczynku i monitoruj dzienniki dostępu pod kątem nietypowej aktywności wokół infrastruktury AI.