สิ่งที่ Encforge ทำต่างจาก Ransomware แบบดั้งเดิม

แรนซัมแวร์ส่วนใหญ่ยังคงใช้วิธีการที่คุ้นเคย: เข้ารหัสไฟล์, ทิ้งข้อความเรียกค่าไถ่, รอการชำระเงิน Encforge เครื่องมือใหม่ล่าสุดจากกลุ่มภัยคุกคามที่รู้จักกันในชื่อ JadePuffer แตกต่างจากรูปแบบนั้นโดยมุ่งเป้าไปที่สินทรัพย์ประเภทที่เฉพาะเจาะจงมาก: โมเดล AI และชุดข้อมูลที่ใช้ในการฝึกฝน

จากงานวิจัยของ Sysdig Encforge ถูกสร้างขึ้นเป็นเครื่องมือเฉพาะทางที่สร้างขึ้นมาเพื่อวัตถุประสงค์นั้นโดยเฉพาะ แทนที่จะเป็นตัวเข้ารหัสสำเร็จรูปที่ถูกนำมาปรับใช้ ความแตกต่างนี้มีความสำคัญ แทนที่จะกวาดไปทั่วเซิร์ฟเวอร์และล็อกไฟล์ใดก็ตามที่พบ Encforge ดูเหมือนจะถูกออกแบบมาเพื่อระบุและเข้ารหัสอาร์ติแฟกต์ด้านแมชชีนเลิร์นนิงโดยเฉพาะ ข้อมูลประเภทที่องค์กรอาจใช้เวลาหลายเดือนหรือหลายปีในการรวบรวม และมักไม่สามารถสร้างขึ้นใหม่หรือกู้คืนจากขั้นตอนการสำรองข้อมูลแบบง่ายได้อย่างรวดเร็ว

นักวิจัยของ Sysdig ได้เชื่อมโยง Encforge กลับไปยังผู้ดำเนินการรายเดียวกับที่อยู่เบื้องหลังแคมเปญก่อนหน้านี้ โดยอาศัยภาษาที่คล้ายคลึงกันในข้อความเรียกค่าไถ่ และที่น่าสังเกตคือ ผู้โจมตีได้กลับมายังอินสแตนซ์ Langflow ที่ถูกบุกรุกเดิม หลังจากรายงานแรกเกี่ยวกับกิจกรรมของกลุ่มถูกเผยแพร่ การกลับมาครั้งนั้นเป็นรายละเอียดเล็กๆ แต่บอกอะไรได้มาก: มันแสดงให้เห็นถึงผู้ดำเนินการที่เฝ้าติดตามข่าวสารด้านความปลอดภัยที่กล่าวถึงแคมเปญของตนเองอย่างจริงจัง และปรับตัวเพื่อตอบสนอง

การโจมตีของ JadePuffer พัฒนาไปเร็วเพียงใด

สิ่งที่โดดเด่นที่สุดในผลการค้นพบของ Sysdig คือความรวดเร็วในการเปลี่ยนแปลง ปฏิบัติการก่อนหน้าของ JadePuffer ที่เคยรายงานไว้ว่าเป็นแคมเปญ ENCFORGE ครั้งแรกของ JadePuffer เป็นปัญหาแบบดั้งเดิมที่มุ่งเน้นฐานข้อมูลและไม่ซับซ้อนนัก ภายในไม่กี่สัปดาห์ ผู้ดำเนินการรายเดียวกันได้ย้ายจากวิธีการที่เปราะบางและกึ่งอัตโนมัตินั้น ไปยังเครื่องมือเข้ารหัสที่สร้างขึ้นโดยเฉพาะซึ่งมุ่งเป้าไปที่โครงสร้างพื้นฐาน AI อย่างตรงจุด

การวิเคราะห์ของ Sysdig ชี้ให้เห็นว่านี่ไม่ใช่เรื่องบังเอิญ แต่เป็นการทำซ้ำอย่างจงใจ ผู้ดำเนินการดูเหมือนจะเรียนรู้จากข้อบกพร่องของการโจมตีครั้งแรก ละทิ้งเทคนิคที่ตรวจจับหรือขัดขวางได้ง่าย และแทนที่ด้วยเครื่องมือเฉพาะที่ยืดหยุ่นกว่า นอกจากนี้ พวกเขายังดูเหมือนจะทำการปรับเปลี่ยนเป้าหมายที่เลือกมาอย่างมีการคำนวณ โดยย้ายไปยังประเภทข้อมูลที่ให้อำนาจในการข่มขู่เรียกค่าไถ่มากกว่าฐานข้อมูลทั่วไป

วิวัฒนาการที่รวดเร็วและขับเคลื่อนด้วยผลตอบรับเช่นนี้ไม่ใช่เรื่องปกติสำหรับผู้ดำเนินการแรนซัมแวร์ ซึ่งมักใช้เวลาเป็นเดือนในการปรับปรุงมากกว่าหลายสัปดาห์ มันบ่งชี้ถึงปฏิบัติการขนาดเล็กที่คล่องตัวซึ่งกำลังทดลองแบบเรียลไทม์ โดยใช้การรายงานข่าวสาธารณะเกี่ยวกับกิจกรรมของตนเองเป็นสัญญาณว่าควรปรับปรุงอะไรต่อไป

เหตุใดโมเดล AI และชุดข้อมูลจึงกลายเป็นเป้าหมายในการข่มขู่

เหตุผลเบื้องหลังการเปลี่ยนแปลงนี้ตรงไปตรงมาเมื่อคุณพิจารณาว่าโมเดล AI และชุดข้อมูลฝึกฝนมีความหมายต่อองค์กรอย่างไร ซึ่งแตกต่างจากฐานข้อมูลลูกค้าที่บางครั้งสามารถสร้างใหม่จากบันทึกอื่นๆ ได้ โมเดลที่ผ่านการฝึกฝนหรือชุดข้อมูลที่ผ่านการคัดสรรแล้วมักสะท้อนถึงการลงทุนด้านเวลา ทรัพยากรคอมพิวต และแรงงานเฉพาะทางที่มากมายและไม่อาจทำซ้ำได้ การสูญเสียการเข้าถึง หรือการถูกขโมยข้อมูลออกไปและข่มขู่ว่าจะเปิดเผยต่อสาธารณะ สามารถก่อให้เกิดความปั่นป่วนได้มากกว่าเหตุการณ์การเข้ารหัสไฟล์มาตรฐานทั่วไป

นั่นทำให้ไปป์ไลน์ ML กลายเป็นเป้าหมายที่น่าดึงดูดสำหรับการข่มขู่ องค์กรที่สร้างหรือปรับแต่งโมเดลมักจัดเก็บข้อมูลและค่าน้ำหนักของโมเดลไว้บนเซิร์ฟเวอร์ที่เชื่อมต่อกับอินเทอร์เน็ตเพื่อความสะดวก ไม่ว่าจะเป็นสภาพแวดล้อมการพัฒนา เครื่องมือภายในอย่าง Langflow หรือที่เก็บข้อมูลแบบแชร์ หากระบบเหล่านั้นไม่ได้รับการแบ่งส่วนและควบคุมการเข้าถึงอย่างเหมาะสม ระบบเหล่านี้ก็จะกลายเป็นเป้าหมายที่ง่ายดายสำหรับการสแกนแบบฉวยโอกาสแบบเดียวกับที่ทำให้ JadePuffer บุกเข้ามาได้ในครั้งแรก

ขั้นตอนในการปกป้องไปป์ไลน์ ML และข้อมูลที่ละเอียดอ่อนของคุณ

ข่าวดีก็คือพื้นฐานในการป้องกันโครงสร้างพื้นฐาน ML ไม่ได้แตกต่างอย่างสิ้นเชิงจากสุขอนามัยด้านความปลอดภัยมาตรฐาน เพียงแต่ต้องนำไปใช้อย่างตั้งใจกับระบบที่บางครั้งถูกมองว่าเป็นเพียงการทดลองหรือมีความสำคัญต่ำ

  • ดูแลเครื่องมือ ML และแพลตฟอร์มในการจัดการให้ได้รับการแพตช์อยู่เสมอ และหลีกเลี่ยงการเปิดให้เข้าถึงอินเทอร์เน็ตสาธารณะโดยตรง
  • แบ่งส่วนเครือข่ายเพื่อให้สภาพแวดล้อมการพัฒนาและวิทยาการข้อมูลไม่สามารถเข้าถึงระบบที่ใช้งานจริงได้อย่างอิสระ และในทางกลับกัน
  • จัดเก็บค่าน้ำหนักของโมเดลและชุดข้อมูลด้วยการสำรองข้อมูลแบบมีเวอร์ชัน แบบออฟไลน์ หรือแบบแก้ไขไม่ได้ ที่แรนซัมแวร์ไม่สามารถเข้าถึงหรือเขียนทับได้
  • จำกัดข้อมูลประจำตัวและคีย์ API ที่ใช้โดยไปป์ไลน์ ML ด้วยความเข้มงวดเช่นเดียวกับที่ใช้กับข้อมูลลับในระบบใช้งานจริง
  • ใช้ VPN หรือการเข้าถึงเครือข่ายส่วนตัวสำหรับการบริหารจัดการโครงสร้างพื้นฐาน ML จากระยะไกลใดๆ เพื่อลดการเปิดรับต่อการสแกนทั่วอินเทอร์เน็ตแบบฉวยโอกาสที่มักเกิดขึ้นก่อนการโจมตีเหล่านี้

สิ่งนี้มีความหมายต่อคุณอย่างไร

หากคุณทำงานกับระบบแมชชีนเลิร์นนิง ไม่ว่าจะในฐานะนักวิทยาการข้อมูล ผู้ดูแลระบบไอที หรือผู้นำทางธุรกิจที่ดูแลโครงการ AI Encforge เป็นเครื่องเตือนใจว่าโครงสร้างพื้นฐานที่สนับสนุนโมเดลของคุณสมควรได้รับการตรวจสอบอย่างละเอียดเช่นเดียวกับระบบธุรกิจที่สำคัญอื่นๆ วิวัฒนาการอย่างรวดเร็วจากการโจมตีที่เน้นฐานข้อมูลไปสู่แรนซัมแวร์ที่สร้างขึ้นเพื่อกำหนดเป้าหมาย AI โดยเฉพาะแสดงให้เห็นว่าผู้โจมตีกำลังสำรวจพื้นที่นี้อย่างแข็งขันและปรับตัวอย่างรวดเร็วตามสิ่งที่ได้ผล

แม้ว่าองค์กรของคุณจะไม่ได้ดำเนินการด้าน AI ขนาดใหญ่ บทเรียนที่กว้างกว่านี้ก็ยังใช้ได้: เครื่องมือใดก็ตามที่เชื่อมต่อกับอินเทอร์เน็ต ตั้งแต่แพลตฟอร์ม AI โค้ดต่ำไปจนถึงแดชบอร์ดภายในแบบง่ายๆ สามารถกลายเป็นจุดเริ่มต้นได้หากถูกทิ้งไว้โดยไม่แพตช์ หรือไม่ได้แยกส่วนออกจากระบบที่ละเอียดอ่อนกว่า

ข้อสรุปสุดท้าย

Encforge แสดงให้เห็นว่าผู้ดำเนินการแรนซัมแวร์สามารถปรับตัวได้รวดเร็วเพียงใดเมื่อพบกลุ่มเป้าหมายใหม่ที่น่าสนใจ สำหรับใครก็ตามที่จัดการโครงสร้างพื้นฐาน ML ลำดับความสำคัญในตอนนี้คือการมองเห็นและการจำกัดขอบเขต: รู้ว่าเครื่องมือและชุดข้อมูล AI ใดบ้างที่เปิดเผย จำกัดการเข้าถึงไปยังส่วนอื่นๆ ของเครือข่ายของคุณ และปฏิบัติต่อการเข้าถึงจากระยะไกลด้วยความระมัดระวังเช่นเดียวกับที่คุณใช้กับระบบที่ใช้งานจริงที่มีความละเอียดอ่อนใดๆ การตรวจสอบการเปิดเผยของเครื่องมืออย่าง Langflow การจำกัดการแบ่งส่วนเครือข่ายให้เข้มงวดขึ้น และการใช้ VPN หรือการควบคุมการเข้าถึงส่วนตัวสำหรับการเชื่อมต่อเพื่อการบริหารจัดการ เป็นขั้นตอนที่ปฏิบัติได้จริงซึ่งลดโอกาสในการกลายเป็นเป้าหมายฉวยโอกาสรายต่อไปอย่างมีความหมาย