آخرین اخبار
همهٔ اخبار
امنیت ابری گزارش بحرانیت ۶/۱۰

سرقت توکن‌های مدل‌های زبانی بزرگ (LLM)؛ خسارت‌های میلیونی ناشی از حملات LLMJacking

سرقت توکن‌های مدل‌های زبانی بزرگ (LLM)؛ خسارت‌های میلیونی ناشی از حملات LLMJacking

سازمان‌ها در حال از دست دادن میلیون‌ها دلار به دلیل هزینه‌های سنگین مصرف توکن (Token) هستند. مجرمان با ربودن دسترسی‌های سازمانی به مدل‌های زبانی بزرگ (LLM)، از منابع پردازشی گران‌قیمت و سرویس‌های هوش مصنوعی سوءاستفاده می‌کنند.

بر اساس گزارش اخیر تیم پاسخ به حوادث Mandiant متعلق به گوگل، این هزینه‌های تقلب‌آمیزی که ناشی از مصرف منابع است، می‌تواند روزانه از ۱۰۰,۰۰۰ دلار فراتر رود. در برخی موارد، مجموع هزینه‌ها پیش از آنکه سازمان‌ها بتوانند دسترسی مهاجمان را قطع کنند، به ۱ میلیون دلار رسیده است.

ظهور پدیده LLMJacking

این تاکتیک که با نام LLMJacking شناخته می‌شود، طی دو سال گذشته رشد مستمری داشته است. مهاجمان با استفاده از ابزارهای خودکار (Agentic tools) و سرقت توکن‌ها از اشخاص ثالث، سعی در ایجاد برتری مقیاس نسبت به مدافعان دارند. در یک مورد افراطی که توسط CrowdStrike مستند شده، یک سارق توکن تنها در دو دقیقه حدود ۲۰۰,۰۰۰ درخواست API ارسال کرده است.

یکی از گروه‌های مورد ردیابی گوگل با نام UNC6993، با دسترسی غیرقانونی به کلیدهای API مدل‌های زبانی، توانست کلیدهای جدیدی ایجاد کرده و سرویس‌های بیشتری را در پروژه‌های ابری قربانی فعال کند که منجر به ۱۰۰,۰۰۰ دلار هزینه شد.

استراتژی‌های نقد کردن منابع (Monetization)

مهاجمان از روش‌های مختلفی برای بهره‌برداری مالی استفاده می‌کنند:

  • استراتژی Burn and Rotate: ایجاد و حذف حساب‌های سرویس (Service Accounts) کوتاه‌مدت برای دور زدن محدودیت‌های نرخ مصرف (Rate Limits) از طریق نظارت بر رابط صورت‌حساب (Billing Interface).
  • سرویس‌های واسطه: ایجاد سرویس‌هایی مانند Jet Night که با استفاده از کلیدهای سرقتی، دسترسی به مدل‌های پیشرفته (Frontier Models) را با قیمت بسیار پایین به کاربران ارائه می‌دهند.
  • سرقت نشست (Session Hijacking): طراحی صفحات جعلی که کاربران را فریب می‌دهند تا محتوای JSON حاوی توکن‌های دسترسی فعال را در آن‌ها کپی کنند. این کار باعث دور زدن کنترل‌های رمز عبور و احراز هویت چندعاملی (MFA) می‌شود.

راهکارهای مقابله و پیشگیری

برای جلوگیری از سوءاستفاده از سرویس‌های ابری هوش مصنوعی، متخصصان امنیت توصیه می‌کنند:

  • اولویت‌بندی مدیریت هویت و دسترسی (IAM) و امنیت زنجیره تأمین (Supply Chain Security).
  • استفاده از پلتفرم‌های مدیریت متمرکز اسرار (Secrets Management) برای چرخش (Rotation) مداوم کلیدها و اسرار.
  • اعمال اصل حداقل دسترسی (Least Privilege) برای کاربران و حساب‌های سرویس، به گونه‌ای که تنها مجوزهای لازم برای انجام وظایف را داشته باشند.
  • خودکارسازی فرآیند اسکن اسرار (Secrets Scanning) در کدهای منبع (Codebases) برای شناسایی و حذف کلیدهای API و اسرار نشت یافته.