گروه‌های باج‌افزاری همواره به دنبال دارایی‌های باارزش بوده‌اند. پس از سال‌ها تمرکز بر بانک‌ها و بیمارستان‌ها، اکنون مدل‌های هوش مصنوعی (AI) و یادگیری ماشین (ML) به اهداف استراتژیک این مهاجمان تبدیل شده‌اند. تحلیل‌های اخیر تیم تحقیقاتی Sysdig در مورد بازیگر تهدیدی به نام JADEPUFFER نشان می‌دهد که آینده باج‌افزارها به کدام سمت حرکت می‌کند.
تکامل از اسکریپت‌های ساده به سلاح‌های تخصصی
کمپین‌های JADEPUFFER با بهره‌برداری از آسیب‌پذیری CVE-2025-3248 (یک نقص RCE در Langflow) آغاز شد. Langflow به دلیل دسترسی به کلیدهای تامین‌کنندگان LLM، اعتبارنامه‌های ابری و پایگاه‌های داده Vector، هدفی جذاب است. در ابتدا، مهاجم از توابع داخلی AES برای رمزنگاری داده‌ها استفاده کرد، اما در مراحل بعدی، ابزاری تخصصی به نام ENCFORGE را معرفی کرد.
ENCFORGE یک باج‌افزار کامپایل شده با زبان Go است که از رمزنگاری ترکیبی (AES-256 و RSA-2048) استفاده می‌کند. برخلاف باج‌افزارهای عمومی، این ابزار به‌طور خاص برای هدف قرار دادن حدود ۱۸۰ پسوند فایل مرتبط با زیرساخت‌های AI طراحی شده است؛ از جمله:
- فرمت‌های مدل (Model Formats)
- اندیس‌های برداری (Vector Indices)
- مجموعه داده‌های آموزشی (Training Datasets)
- فایل‌های LoRA fine-tune adapter
ظهور مهاجمان مبتنی بر عامل (Agentic Threat Actors)
نکته تکان‌دهنده در این حملات، استفاده از یک AI Agent برای مدیریت عملیات است. این عامل قادر بود در لحظه دلیل شکست هر مرحله را تحلیل کرده و در عرض چند ثانیه نسخه اصلاح‌شده اسکریپت را اجرا کند. برای مثال، زمانی که مهاجم در دسترسی به باینری ENCFORGE از طریق C2 با مشکل مواجه شد، عامل هوشمند در کمتر از ۶ دقیقه، ۶ اسکریپت پایتون مختلف را برای اجرای Container Escape و عبور از مرزهای Namespace طراحی و اجرا کرد تا باینری را مستقیماً روی Host اجرا کند.
چرا مدل‌های AI از سرورها باارزش‌ترند؟
بازسازی یک مدل Fine-tuned در مقیاس تولیدی، بسته به هزینه Compute و زمان مهندسی، می‌تواند بین ۷۵ تا ۵۰۰ هزار دلار هزینه داشته باشد. مشکل اصلی این است که استراتژی‌های پشتیبان‌گیری (Backup) سنتی برای داده‌های تجاری طراحی شده‌اند و نه مدل‌های AI. چالش‌های بازیابی در این حوزه عبارتند از:
- شکاف زمانی: آخرین بک‌آپ ممکن است شامل هفته‌ها Tuning و اصلاحات نباشد.
- حجم بالای داده‌ها: به دلیل اندازه زیاد فایل‌های مدل، بسیاری از تیم‌ها آن‌ها را از چرخه بک‌آپ‌های روتین خارج می‌کنند.
- زنجیره وابستگی: یک مدل بازیابی شده بدون Tokenizer و Configuration متناظر، عملاً بی‌فایده است.
راهکارهای دفاعی و شناسایی
برای مقابله با این تهدیدات، مدیران SOC و مهندسان امنیت باید بر موارد زیر تمرکز کنند:
- مانیتورینگ Runtime: شناسایی فرآیندهای غیرعادی مانند فراخوانی Docker Engine API توسط کاربر اپلیکیشن وب یا استفاده از
nsenterبرای هدف قرار دادن PID 1. - تحلیل هویت: شناسایی الگوهای Harvest-and-Replay در احراز هویت سرویس‌های داخلی.
- کنترل سیستم فایل: نظارت بر ایجاد انبوه فایل‌های با پسوند
.lockedدر دایرکتوری‌های مدل و Vector Store. - سخت‌سازی زیرساخت: به‌روزرسانی Langflow به نسخه 1.3.0 یا بالاتر، محدود کردن دسترسی به Docker Socket و ذخیره کلیدهای API خارج از محیط Runtime.
