با افزایش آموزش و تقطیر (Distillation) مدل‌های هوش مصنوعی، توکن‌های هوش مصنوعی در حال تبدیل شدن به یک ارز بسیار ارزشمند برای عامل‌های تهدید (Threat Actors) هستند. سرویس‌دهنده میزبانی ابری Railway تأیید کرد که در جریان یک حمله سایبری، با نبردی ۲۶ ساعته روبرو شده است که هدف آن سرقت اعتبارنامه‌های (Credentials) ارائه‌دهندگان هوش مصنوعی برای استفاده در فرآیندهای تقطیر مدل بوده است.
در این حمله، هکرها با استفاده از اعتبارنامه‌های سرقتی، حدود ۷۴۰,۰۰۰ دلار هزینه استفاده از هوش مصنوعی ایجاد کردند. تخمین زده می‌شود که دسترسی به حدود ۱۰۰,۰۰۰ اعتبارنامه فضای کاری (Workspace) نیز امکان‌پذیر شده باشد. این رویداد که تحت عنوان LLMjacking شناخته می‌شود، می‌تواند به زودی جایگزین Cryptojacking به عنوان یک روش ارزان و مقیاس‌پذیر برای کسب درآمد از منابع ابری شود.
جزئیات فنی و مسیر حمله
حمله از تاریخ ۲۰ اکتبر آغاز شد، زمانی که مهاجمان از یک آسیب‌پذیری پیش‌تر ناشناخته در زیرساخت ساخت (Build Infrastructure) شرکت Railway استفاده کردند. آن‌ها موفق شدند از محافظت‌های جداسازی فایل‌سیستم (Filesystem Isolation) عبور کرده و یک اعتبارنامه داخلی را به دست آورند. با استفاده از این اعتبارنامه، آن‌ها به تاریخچه ساخت‌های ذخیره‌شده دسترسی پیدا کردند و نسخه داخلی کد منبع (Source Code) شرکت را نیز استخراج نمودند تا مسیرهای جدیدی برای نفوذ بیابند.
در مرحله بعد، مهاجمان با بهره‌برداری از یک پیکربندی نادرست در روابط اعتماد (Trust Relationship)، توانستند به زیرساخت‌های حساس‌تر دسترسی پیدا کرده و اعتبارنامه‌های مورد نیاز برای رمزگشایی متغیرهای محیطی (Environment Variables) مشتریان را به دست آورند.
پیامدهای امنیتی و اقدامات اصلاحی
این نفوذ منجر به افشای توکن‌های حساب‌های متصل (Linked-account Tokens) برای بیش از ۱,۸۵۰ کاربر، از جمله توکن‌های GitHub و OAuth شد. همچنین، دسترسی به متغیرهای محیطی حدود ۱.۸۵ درصد از فضاهای کاری مشتریان امکان‌پذیر شده بود.
برای مقابله با این تهدید، اقدامات زیر توصیه می‌شود:
- ابطال (Revoke) و جایگزینی: تمامی متغیرهای محیطی حساس که پیش از ۲۱ اکتبر ذخیره شده‌اند، باید فوراً تغییر داده شوند.
- محدودسازی دسترسی: دسترسی شبکه عمومی به پایگاه‌های داده باید قطع شود.
- مدیریت بودجه: تنظیم سقف بودجه (Spending Caps) و هشدارهای استفاده برای تمامی کلیدهای هوش مصنوعی الزامی است.
- استفاده از اعتبارنامه‌های کوتاه‌مدت: مهاجرت به سمت Short-lived Credentials و محدود کردن دامنه دسترسی کلیدها (Scope) می‌تواند آسیب را به حداقل برساند.
این حادثه نشان می‌دهد که مدیریت هویت‌های ماشینی (Machine Identities) باید با همان دقت مدیریت دارایی‌های نقدی انجام شود؛ زیرا برای یک مهاجم، اعتبارنامه‌های هوش مصنوعی دقیقاً معادل پول نقد هستند.
