À medida que as cargas de trabalho de inteligência artificial se tornam centrais para as operações empresariais modernas, os agentes maliciosos estão a redirecionar cada vez mais o seu foco para a infraestrutura subjacente, visando especificamente gateways expostos e pontos de controlo. De acordo com descobertas recentes da Microsoft Threat Intelligence publicadas em 26/08/2026, os invasores estão a explorar ativamente ambientes de IA mal configurados e expostos para executar uma série de atividades maliciosas, incluindo a exploração do gateway LiteLLM, a recolha agressiva de credenciais, o estabelecimento de persistência a longo prazo e a implementação de operações não autorizadas de mineração de criptomoedas.
A evolução das ameaças à infraestrutura de IA
A rápida integração de grandes modelos de linguagem e pipelines de machine learning em ambientes de produção criou uma nova e ampla superfície de ataque. Embora as organizações invistam fortemente na segurança de pesos de modelos e entradas de comandos (prompts), o tecido conjuntivo — como gateways de API, planos de controlo de gestão e camadas de proxy — permanece frequentemente vulnerável. Os atacantes reconheceram que comprometer estes componentes arquitetónicos lhes concede um acesso mais abrangente a recursos internos, dados confidenciais e ativos de computação de alto desempenho necessários para tarefas computacionais pesadas, como a mineração de criptomoedas.
A investigação publicada pela Microsoft destaca a forma como os invasores procuram metodicamente por pontos finais (endpoints) acessíveis publicamente. Quando são identificados serviços vulneráveis, os atacantes aproveitam falhas específicas para comprometer toda a implementação. Esta dinâmica sublinha a necessidade urgente de posturas de segurança robustas que abranjam todo o ciclo de vida e a arquitetura das implementações de IA corporativa, indo além da segurança tradicional de aplicações para abordar os paradigmas únicos da infraestrutura de machine learning.
Principais vetores e técnicas de ataque
As investigações conduzidas pela Microsoft Threat Intelligence esclarecem várias fases e técnicas distintas observadas durante estas intrusões direcionadas contra ambientes de IA:
- Exploração do Gateway LiteLLM: Os atacantes visam as camadas de proxy e encaminhamento expostas utilizadas para gerir pedidos de modelos, explorando vulnerabilidades ou más configurações para obter acesso não autorizado.
- Recolha de Credenciais: Uma vez dentro do perímetro, os agentes maliciosos procuram sistematicamente chaves de API armazenadas, tokens de autenticação e credenciais administrativas para facilitar o movimento lateral.
- Mecanismos de Persistência: Os intrusos estabelecem pontos de apoio persistentes na infraestrutura de IA comprometida para garantir o acesso contínuo, mesmo após tentativas iniciais de remediação por parte das equipas de segurança.
- Operações de Mineração de Criptomoedas: Aproveitando os imensos recursos de GPU e CPU dedicados às cargas de trabalho de IA, os invasores implementam mineradores de criptomoedas não autorizados para rentabilizar o poder computacional roubado.
Estratégias de mitigação para pontos de controlo
Proteger a infraestrutura moderna de IA requer uma estratégia de defesa em camadas focada no endurecimento (hardening) de gateways e na limitação da exposição. As organizações que executam cargas de trabalho de machine learning devem implementar uma segmentação de rede rigorosa, garantindo que as interfaces de gestão e os gateways de API nunca fiquem expostos diretamente à internet pública sem a devida autenticação e verificação de zero-trust.
Além disso, a monitorização contínua de anomalias no tráfego de API, a auditoria regular das configurações de proxy e a gestão rigorosa de credenciais são passos críticos para mitigar estas ameaças em evolução. À medida que os invasores continuam a aperfeiçoar as suas metodologias contra ferramentas específicas de IA, proteger o plano de controlo continua a ser uma prioridade máxima para as equipas de segurança empresarial.
