گوگل هشدار داده است که زیرساخت‌های هوش مصنوعی در سازمان‌ها با تهدیدی رو به رشد مواجه شده‌اند؛ جایی که مجرمان سایبری دسترسی به مدل‌های زبانی بزرگ (LLMs) را سرقت کرده و آن‌ها را به فروش می‌رسانند.
بخش Mandiant در گوگل اعلام کرد که در سال جاری میلادی به چندین مورد حادثه در بخش‌های خدمات مالی، خرده‌فروشی، فناوری و حمل‌ونقل پاسخ داده است که در تمامی آن‌ها تکنیک‌های LLMJacking شناسایی شده‌اند.
تفاوت با Cryptojacking و اثرات مالی
برخلاف مصرف تدریجی منابع در حملات Cryptojacking، تکنیک LLMJacking می‌تواند در عرض چند ساعت باعث ایجاد جهش‌های شدید در هزینه‌های ابری (Cloud Charges) شود. در برخی از حوادث، هزینه‌های جعلی مربوط به مصرف منابع در یک روز به بیش از ۱۰۰ هزار دلار رسیده و در برخی سازمان‌ها، مجموع خسارات پیش از ابطال دسترسی‌ها، به ۱ میلیون دلار بالغ شده است.
روش اجرای حمله
عوامل تهدید (Threat Actors) برای دسترسی به منابع مدل‌های Backend، چت‌بات‌های Front-end را دور زده و معمولاً از طریق روش‌های زیر وارد می‌شوند:
- سرقت کلیدهای API مربوط به LLM
- بهره‌برداری از توکن‌های شناسایی ابری (Cloud Identity Tokens) افشا شده یا سرقتی
- استفاده از اعتبارنامه‌های IAM و کلیدهای Service Account
- بهره‌برداری از GitHub Personal Access Tokens و توکن‌های فعال Session
پس از ایجاد دسترسی اولیه، مهاجمان اقدام به ارتقای سطح دسترسی (Privilege Escalation) و شناسایی داخلی (Internal Reconnaissance) می‌کنند تا اهداف جدید و اعتبارنامه‌های ابری بیشتری را بیابند. همچنین، آن‌ها ممکن است از آسیب‌پذیری‌های موجود در نرم‌افزارهای مسیریابی LLM (Routing Software) برای افزایش دسترسی‌های خود استفاده کنند.
اکوسیستم LLM Mixers و مدل درآمدی
هدف نهایی LLMJacking، تجاری‌سازی و تصاحب منابع مدل‌های پایه (Foundation Models) است. این امر از طریق روش‌هایی مانند Token Proxying، استریم خودکار مدل‌ها و تامین سخت‌افزارهای GPU محقق می‌شود.
گوگل متوجه یک «تقسیم کار» میان گروه‌های مجرم شده است؛ برخی بر ایجاد دسترسی اولیه تمرکز دارند و برخی دیگر که به عنوان LLM Mixers شناخته می‌شوند، دسترسی‌ها را از طریق درگاه‌های مسیریابی (Routing Gateways) تجمیع کرده و به مشتریان مجرم خود می‌فروشند.
با توجه به سودآوری بالای این روش، انتظار می‌رود مجرمان سایبری در آینده LLMJacking را به Cryptojacking ترجیح دهند. به‌ویژه با ادغام مدل‌های سطح بالا و جریان‌های کاری Agentic در محیط‌های عملیاتی، احتمال افزایش حملات خودکار برای هدف قرار دادن توکن‌های API و آسیب‌پذیری‌های Middleware در مسیریابی مدل‌ها بیشتر خواهد شد.
به‌روزرسانی (نوامبر 3, 2026 — csoonline.com)
به‌روزرسانی: گزارش‌های جدید از تحلیل‌های Google Threat Intelligence Group (GTIG) نشان می‌دهد که حملات LLMJacking منجر به خسارات مالی بسیار سنگینی شده است. در برخی موارد، هزینه‌های ابری ناشی از سوءاستفاده از کلیدهای سرقتی به بیش از ۱۰۰,۰۰۰ دلار در روز و در مجموع تا ۱ میلیون دلار رسیده است.
تحقیقات نشان داده است که مهاجمانی مانند UNC6993 با استفاده از ابزارهایی نظیر new-api و gcli2api، دسترسی‌های سرقتی را تجمیع کرده و از طریق سرویس‌هایی موسوم به LLM Mixers به فروش می‌رسانند. همچنین سرویس Jet Night به عنوان یک زیرساخت برای توزیع دسترسی‌های غیرقانونی شناسایی شده که با قیمت‌های بسیار پایین، دسترسی به مدل‌های پیشرفته را به کاربران فراهم می‌کند.
یکی از تکنیک‌های هوشمندانه مهاجمان برای دور زدن سیستم‌های تشخیص (Detection)، استفاده از تراکنش‌های بسیار کوچک یا micro-transactions است. آن‌ها با ارسال درخواست‌هایی با پارامتر max-tokens=1، اعتبار کلیدهای API سرقتی را بدون ایجاد نوسان محسوس در میزان مصرف (Consumption)، تأیید می‌کنند.
