Điều gì khiến Encforge khác biệt so với ransomware truyền thống

Hầu hết ransomware vẫn theo một kịch bản quen thuộc: mã hóa tệp, để lại ghi chú đòi tiền chuộc, chờ thanh toán. Encforge, công cụ mới nhất từ tác nhân đe dọa được biết đến với tên JadePuffer, phá vỡ khuôn mẫu đó bằng cách nhắm vào một loại tài sản rất cụ thể: các mô hình AI và tập dữ liệu dùng để huấn luyện chúng.

Theo nghiên cứu từ Sysdig, Encforge được xây dựng như một công cụ chuyên dụng, được tạo ra có chủ đích thay vì là một trình mã hóa có sẵn được điều chỉnh lại. Sự khác biệt này rất quan trọng. Thay vì quét toàn bộ máy chủ và khóa bất kỳ tệp nào tìm thấy, Encforge dường như được thiết kế để xác định và mã hóa riêng các tạo tác học máy – loại dữ liệu mà một tổ chức có thể mất hàng tháng hoặc hàng năm để tập hợp, và thường không thể nhanh chóng tạo lại hay khôi phục từ một quy trình sao lưu đơn giản.

Các nhà nghiên cứu của Sysdig đã liên kết Encforge trở lại với cùng một nhóm điều hành đứng sau chiến dịch trước đó, dựa trên ngôn ngữ trùng lặp trong yêu cầu tiền chuộc và đáng chú ý là việc kẻ tấn công quay trở lại chính phiên bản Langflow đã bị xâm phạm sau khi báo cáo đầu tiên về hoạt động của nhóm được công bố. Chuyến quay lại đó là một chi tiết nhỏ nhưng đầy ý nghĩa: nó cho thấy một kẻ vận hành đang chủ động theo dõi tin tức an ninh về chiến dịch của chính mình và thích ứng để phản ứng lại.

Các cuộc tấn công của JadePuffer đã tiến hóa nhanh như thế nào

Điều nổi bật nhất trong phát hiện của Sysdig là tốc độ thay đổi. Chiến dịch trước đó của JadePuffer, từng được ghi nhận là chiến dịch ENCFORGE đầu tiên của JadePuffer, là một mối phiền toái tương đối kém tinh vi, tập trung vào cơ sở dữ liệu. Chỉ trong vài tuần, cùng một tác nhân đã chuyển từ cách tiếp cận mong manh, bán tự động đó sang một công cụ mã hóa được xây dựng riêng nhắm thẳng vào hạ tầng AI.

Phân tích của Sysdig cho thấy đây không phải là sự trùng hợp ngẫu nhiên mà là một vòng lặp có chủ ý. Kẻ vận hành dường như đã học hỏi từ những thiếu sót của cuộc tấn công đầu tiên, loại bỏ các kỹ thuật dễ bị phát hiện hoặc ngăn chặn và thay thế chúng bằng công cụ chuyên dụng bền bỉ hơn. Chúng cũng dường như đã thực hiện một sự chuyển đổi có tính toán trong việc lựa chọn mục tiêu, hướng đến một loại dữ liệu mang lại đòn bẩy tống tiền lớn hơn so với một cơ sở dữ liệu thông thường.

Kiểu tiến hóa nhanh chóng dựa trên phản hồi như vậy là bất thường đối với các nhóm vận hành ransomware, vốn thường lặp lại trong nhiều tháng thay vì nhiều tuần. Nó gợi ý về một chiến dịch nhỏ gọn, linh hoạt, thử nghiệm gần như theo thời gian thực và sử dụng chính các báo cáo công khai về hoạt động của mình làm tín hiệu cho những điểm cần sửa tiếp theo.

Tại sao các mô hình AI và tập dữ liệu giờ đây là mục tiêu tống tiền

Logic đằng sau sự chuyển dịch này trở nên rõ ràng khi bạn xem xét ý nghĩa thực sự của các mô hình AI và tập dữ liệu huấn luyện đối với một tổ chức. Không giống như cơ sở dữ liệu khách hàng đôi khi có thể được tái tạo từ các hồ sơ khác, một mô hình đã được huấn luyện hoặc một tập dữ liệu được tuyển chọn thường đại diện cho một khoản đầu tư đáng kể, không thể lặp lại về thời gian, tài nguyên tính toán và lao động chuyên môn. Việc mất quyền truy cập hoặc bị đánh cắp dữ liệu và đe dọa công khai có thể gây gián đoạn hơn nhiều so với một sự kiện mã hóa tệp thông thường.

Điều đó khiến các pipeline học máy trở thành mục tiêu hấp dẫn cho tống tiền. Các tổ chức xây dựng hoặc tinh chỉnh mô hình thường lưu trữ dữ liệu và trọng số mô hình trên các máy chủ được phơi bày trên internet để thuận tiện, cho dù đó là môi trường phát triển, một công cụ nội bộ như Langflow hay một bucket lưu trữ dùng chung. Nếu những hệ thống đó không được phân đoạn và kiểm soát truy cập đúng cách, chúng trở thành mục tiêu dễ dàng cho kiểu quét cơ hội đã giúp JadePuffer có được chỗ đứng ban đầu.

Các bước bảo vệ pipeline ML và dữ liệu nhạy cảm của bạn

Tin tốt là các nguyên tắc cơ bản để bảo vệ hạ tầng ML không khác biệt căn bản so với vệ sinh an ninh tiêu chuẩn – chúng chỉ cần được áp dụng một cách có chủ ý cho các hệ thống mà đôi khi vẫn bị coi là thử nghiệm hoặc có mức ưu tiên thấp.

  • Luôn vá lỗi các nền tảng điều phối và công cụ ML, tránh để chúng tiếp xúc trực tiếp với internet công cộng.
  • Phân đoạn mạng để môi trường phát triển và khoa học dữ liệu không thể tự do truy cập vào hệ thống sản xuất và ngược lại.
  • Lưu trữ trọng số mô hình và tập dữ liệu với các bản sao lưu có phiên bản, ngoại tuyến hoặc bất biến mà ransomware không thể với tới hoặc ghi đè.
  • Hạn chế thông tin xác thực và khóa API được các pipeline ML sử dụng với mức độ nghiêm ngặt tương tự như đối với các bí mật trong môi trường sản xuất.
  • Sử dụng VPN hoặc truy cập mạng riêng cho mọi tác vụ quản trị từ xa hạ tầng ML, giúp giảm thiểu nguy cơ bị quét tràn lan trên internet – điều thường diễn ra trước các cuộc tấn công này.

Điều này có ý nghĩa gì đối với bạn

Nếu bạn làm việc với các hệ thống học máy, dù là nhà khoa học dữ liệu, quản trị viên CNTT hay lãnh đạo doanh nghiệp giám sát một sáng kiến AI, Encforge là lời nhắc nhở rằng hạ tầng hỗ trợ các mô hình của bạn xứng đáng được giám sát chặt chẽ như bất kỳ hệ thống kinh doanh quan trọng nào khác. Sự tiến hóa nhanh chóng từ tấn công tập trung vào cơ sở dữ liệu sang ransomware nhắm riêng vào AI cho thấy những kẻ tấn công đang tích cực thăm dò không gian này và nhanh chóng điều chỉnh dựa trên những gì có hiệu quả.

Ngay cả khi tổ chức của bạn không vận hành các hoạt động AI quy mô lớn, bài học rộng hơn vẫn được áp dụng: bất kỳ công cụ nào tiếp xúc với internet, từ nền tảng AI low-code đến một bảng điều khiển nội bộ đơn giản, đều có thể trở thành điểm xâm nhập nếu nó không được vá lỗi hoặc không được phân đoạn khỏi các hệ thống nhạy cảm hơn.

Những điểm chính cuối cùng

Encforge minh họa tốc độ mà các nhóm vận hành ransomware có thể thích ứng khi họ tìm thấy một lớp mục tiêu mới đầy hứa hẹn. Đối với bất kỳ ai quản lý hạ tầng ML, ưu tiên hiện nay là khả năng quan sát và ngăn chặn: biết những công cụ và tập dữ liệu AI nào đang bị lộ diện, giới hạn phạm vi tiếp cận của chúng vào phần còn lại của mạng lưới, và đối xử với truy cập từ xa vào chúng bằng sự thận trọng tương tự như khi áp dụng cho bất kỳ hệ thống sản xuất nhạy cảm nào. Rà soát mức độ lộ diện của các công cụ như Langflow, thắt chặt phân đoạn mạng và sử dụng VPN hoặc kiểm soát truy cập riêng cho các kết nối quản trị là những bước thiết thực giúp giảm đáng kể khả năng trở thành mục tiêu cơ hội tiếp theo.