โครงสร้างพื้นฐาน AI กลายเป็นเป้าหมายต่อไปของแรนซัมแวร์

รูปแบบการโจมตีที่เพิ่งถูกบันทึกไว้กำลังเปลี่ยนวิธีที่ทีมความปลอดภัยคิดเกี่ยวกับแรนซัมแวร์ ตามรายงานสรุปสำหรับผู้บริหารระดับสูง (CISO Executive Briefing) จาก Veracode นักวิจัยได้ระบุสิ่งที่พวกเขาอธิบายว่าเป็นปฏิบัติการแรนซัมแวร์แบบเอเจนติก ซึ่งโมเดลภาษาขนาดใหญ่ (LLM) ขับเคลื่อนการใช้ประโยชน์จากช่องโหว่ด้วยตนเอง แทนที่จะเป็นผู้ปฏิบัติการมนุษย์ที่ค่อยๆ ดำเนินการทีละขั้นตอน

ช่องโหว่ที่เป็นศูนย์กลางของกิจกรรมนี้คือ CVE-2025-3248 ซึ่งเป็นข้อบกพร่องใน Langflow เครื่องมือโอเพนซอร์สที่ใช้สำหรับสร้างและจัดการเวิร์กโฟลว์ AI แทนที่จะเป็นห่วงโซ่การโจมตีแบบดั้งเดิมที่ผู้คุกคามที่เป็นมนุษย์ค่อยๆ เคลื่อนที่จากการเข้าถึงครั้งแรกไปจนถึงการเรียกค่าไถ่ แคมเปญนี้แสดงให้เห็นถึงกระบวนการที่ขับเคลื่อนโดย LLM ซึ่งจัดการการใช้ประโยชน์จากช่องโหว่ การค้นหาข้อมูลประจำตัว การเคลื่อนที่ในแนวราบ และการทำลายข้อมูลอย่างรวดเร็วต่อเนื่อง ผลลัพธ์คือการโจมตีที่เคลื่อนที่เร็วกว่าที่แผนการตอบสนองต่อเหตุการณ์แบบเดิมถูกสร้างขึ้นมาเพื่อรับมือ

ภายในห่วงโซ่การโจมตีของ Langflow

รายงานสรุปได้อธิบายลำดับหลายขั้นตอนที่เริ่มต้นด้วยการใช้ประโยชน์จากช่องโหว่ Langflow โดยอัตโนมัติ จากนั้นปฏิบัติการจะดำเนินการไปสู่การค้นหาข้อมูลประจำตัว ทำให้ผู้โจมตีสามารถขยายการเข้าถึงภายในสภาพแวดล้อม ตามด้วยการเคลื่อนที่ในแนวราบ ทำให้ปฏิบัติการเข้าถึงระบบเพิ่มเติมที่เชื่อมต่อกับโครงสร้างพื้นฐาน AI ที่ถูกบุกรุก

เมื่อเข้าไปข้างในแล้ว การโจมตีจะมุ่งเป้าไปยังอาร์ติแฟกต์และฐานข้อมูลของ AI โดยตรง ทำการเข้ารหัสและลบตารางที่เกี่ยวข้องก่อนที่จะส่งข้อเรียกร้องค่าไถ่ นี่เป็นสิ่งที่น่าสังเกตเพราะมันปฏิบัติต่อโครงสร้างพื้นฐาน AI เอง ซึ่งรวมถึงโมเดล ชุดข้อมูล และฐานข้อมูลสนับสนุนที่องค์กรพึ่งพามากขึ้นเรื่อยๆ ว่าเป็นสินทรัพย์หลักที่ควรค่าแก่การจับเป็นตัวประกัน สำหรับบริษัทที่สร้างผลิตภัณฑ์ ไปป์ไลน์ หรือเครื่องมือภายในบนเฟรมเวิร์ก AI สิ่งนี้เป็นภัยคุกคามโดยตรงต่อความต่อเนื่องในการดำเนินงาน ไม่ใช่แค่ความเสี่ยงในการเปิดเผยข้อมูล

สิ่งที่ทำให้การพัฒนานี้มีความสำคัญสำหรับผู้เชี่ยวชาญด้านความเป็นส่วนตัวและความปลอดภัยคือ การบีบอัดระยะเวลาของการโจมตี เมื่อ LLM สามารถเชื่อมโยงการลาดตระเวน การใช้ประโยชน์ และการขู่กรรโชกเข้าด้วยกันอย่างอิสระ หน้าต่างที่ฝ่ายป้องกันมีในการตรวจจับและตอบสนองก็จะแคบลงอย่างมาก นอกจากนี้ยังช่วยลดอุปสรรคทางเทคนิคสำหรับผู้ไม่หวังดีที่มีความซับซ้อนน้อยกว่าให้สามารถดำเนินแคมเปญรีดไถหลายขั้นตอนที่ซับซ้อน ซึ่งก่อนหน้านี้ต้องอาศัยผู้ปฏิบัติการมนุษย์ที่มีประสบการณ์

เหตุใดความเร็วในห่วงโซ่อุปทานจึงสำคัญกว่าที่เคย

เหตุการณ์นี้ไม่ได้เกิดขึ้นอย่างโดดเดี่ยว มันสะท้อนแนวโน้มที่กว้างขึ้นของระบบอัตโนมัติที่เร่งทั้งการโจมตีและขนาดของการบุกรุก พลวัตที่คล้ายคลึงกันนี้เกิดขึ้นในแคมเปญ Megalodon Attack ถล่ม 5,561 GitHub Repos ในหกชั่วโมง ซึ่งผู้โจมตีใช้เครื่องมืออัตโนมัติในการผลักดันการอัปเดตโค้ดที่เป็นอันตรายจำนวนหลายพันครั้งไปยังที่เก็บข้อมูลจำนวนมหาศาลในช่วงเวลาสั้นๆ ไม่ว่าระบบอัตโนมัติจะมาจากการใช้ CI/CD ในทางที่ผิดผ่านสคริปต์ หรือจาก LLM ที่ดำเนินการห่วงโซ่การโจมตีอย่างอิสระ บทเรียนที่เหมือนกันคือ: ฝ่ายป้องกันไม่สามารถสันนิษฐานได้อีกต่อไปว่าพวกเขามีเวลาเป็นวันหรือสัปดาห์ในการตอบสนองเมื่อมีการใช้ประโยชน์จากช่องโหว่

ความเร่งด่วนนั้นยังเน้นย้ำถึงพื้นฐานของการจัดการแพตช์อีกครั้ง แม้ว่าเครื่องมือโจมตีจะซับซ้อนขึ้น แคมเปญเหล่านี้จำนวนมากยังคงเริ่มต้นด้วยช่องโหว่ที่รู้จักและเปิดเผยแล้ว แต่ยังไม่ได้รับการแพตช์ในสภาพแวดล้อมเป้าหมาย ขนาดของรอบการแพตช์ล่าสุด ดังที่แสดงโดย การแก้ไขบั๊กสูงสุดเป็นประวัติการณ์ 570 รายการในการอัปเดตเดียวของ Microsoft แสดงให้เห็นว่าพื้นที่ที่ทีมความปลอดภัยต้องครอบคลุมเพื่อให้ทันปัจจุบันนั้นมากเพียงใด องค์กรที่ใช้เฟรมเวิร์ก AI เช่น Langflow จำเป็นต้องปฏิบัติต่อการเปิดเผยช่องโหว่ในเครื่องมือเหล่านี้ด้วยความเร่งด่วนเดียวกันกับที่เคยสงวนไว้สำหรับซอฟต์แวร์โครงสร้างพื้นฐานหลัก

สิ่งนี้หมายความว่าอย่างไรสำหรับคุณ

หากองค์กรของคุณใช้ Langflow หรือเครื่องมือจัดการ AI ที่คล้ายคลึงกัน การพัฒนานี้คือการเรียกร้องโดยตรงให้ตรวจสอบสถานะแพตช์สำหรับ CVE-2025-3248 และยืนยันว่ามีการควบคุมการจัดการข้อมูลประจำตัวและการแบ่งส่วนเครือข่ายรอบระบบ AI แม้จะไม่เกี่ยวกับ Langflow โดยเฉพาะ บทเรียนที่กว้างขึ้นก็สามารถนำไปใช้ได้: โครงสร้างพื้นฐาน AI รวมถึงที่เก็บโมเดล ฐานข้อมูลฝึกอบรม และเครื่องมือจัดการไปป์ไลน์ ปัจจุบันเป็นเป้าหมายที่ผู้ดำเนินการแรนซัมแวร์รู้จัก และควรรวมอยู่ในรายการสินทรัพย์ กลยุทธ์การสำรองข้อมูล และแผนการตอบสนองต่อเหตุการณ์เดียวกันกับที่ครอบคลุมระบบการผลิตแบบดั้งเดิม

สำหรับผู้ใช้รายบุคคลและทีมขนาดเล็กที่ทดลองใช้เครื่องมือ AI ข้อสรุปก็คล้ายกันในระดับที่เล็กลง เครื่องมือ AI ที่โฮสต์ด้วยตนเองใดๆ ควรได้รับการอัปเดตทันที เปิดเผยเมื่อจำเป็นเท่านั้น และตรวจสอบในลักษณะเดียวกับที่คุณตรวจสอบบริการที่เชื่อมต่อกับอินเทอร์เน็ต

ข้อสรุปที่นำไปปฏิบัติได้

  • แพตช์ CVE-2025-3248 ในการปรับใช้ Langflow ทุกครั้งทันที และตรวจสอบการอัปเดตผ่านกระบวนการจัดการการเปลี่ยนแปลงมาตรฐานของคุณ
  • จัดทำรายการโครงสร้างพื้นฐาน AI ทั้งหมด รวมถึงฐานข้อมูล อาร์ติแฟกต์โมเดล และเครื่องมือจัดการ และรวมไว้ในการวางแผนสำรองข้อมูลและการกู้คืนจากภัยพิบัติอย่างชัดเจน
  • ควบคุมการจัดการข้อมูลประจำตัวรอบระบบ AI ให้รัดกุม เนื่องจากห่วงโซ่การโจมตีพึ่งพาการค้นหาข้อมูลประจำตัวอย่างมากหลังจากการใช้ประโยชน์จากช่องโหว่ครั้งแรก
  • แบ่งส่วนโครงสร้างพื้นฐาน AI ออกจากเครือข่ายองค์กรที่กว้างขึ้นเพื่อจำกัดการเคลื่อนที่ในแนวราบหากเกิดการบุกรุก
  • ทบทวนแผนการตอบสนองต่อเหตุการณ์โดยคำนึงถึงระยะเวลาการโจมตีที่รวดเร็วและอัตโนมัติ แทนที่จะสันนิษฐานถึงพฤติกรรมของศัตรูที่ดำเนินการด้วยความเร็วของมนุษย์

แรนซัมแวร์แบบเอเจนติกยังคงเป็นประเภทที่เพิ่งเกิดขึ้น แต่ความเร็วและความเป็นอิสระที่แสดงให้เห็นในแคมเปญนี้ทำให้ชัดเจนว่าทีมความปลอดภัยจำเป็นต้องปรับตัวในตอนนี้ แทนที่จะรอให้ภัยคุกคามพัฒนาไปไกลกว่านี้ การแพตช์ให้ทันปัจจุบัน การแบ่งส่วนระบบ AI และการปฏิบัติต่อโครงสร้างพื้นฐาน AI ในฐานะสินทรัพย์ทางธุรกิจที่สำคัญคือขั้นตอนที่ใช้งานได้จริงซึ่งทุกองค์กรสามารถดำเนินการได้ในวันนี้