По мере того как рабочие нагрузки искусственного интеллекта становятся центральными в современных корпоративных операциях, злоумышленники все чаще переключают свое внимание на базовую инфраструктуру, целенаправленно атакуя незащищенные шлюзы и точки контроля. Согласно недавним выводам Microsoft Threat Intelligence, опубликованным 26.08.2026, хакеры активно эксплуатируют неверно сконфигурированные и открытые среды ИИ для реализации различных вредоносных действий, включая эксплуатацию шлюзов LiteLLM, агрессивный сбор учетных данных, закрепление в системе и развертывание несанкционированного криптомайнинга.
Эволюция угроз ИИ-инфраструктуры
Быстрая интеграция больших языковых моделей и конвейеров машинно обучения в производственные среды создала обширную новую поверхность для атак. В то время как организации вкладывают значительные средства в защиту весов моделей и входных промтов, связующие элементы — такие как API-шлюзы, панели управления и прокси-слои — часто остаются уязвимыми. Злоумышленники осознали, что компрометация этих архитектурных компонентов предоставляет им более широкий доступ к внутренним ресурсам, конфиденциальным данным и высокопроизводительным вычислительным активам, необходимым для ресурсоемких задач, таких как майнинг криптовалюты.
Исследование, опубликованное Microsoft, подчеркивает, как злоумышленники методично сканируют общедоступные конечные точки. При обнаружении уязвимых сервисов атакующие используют конкретные изъяны для компрометации всего развертывания. Эта динамика подчеркивает острую необходимость внедрения надежных мер безопасности, охватывающих весь жизненный цикл и архитектуру корпоративных ИИ-систем, выходя за рамки традиционной безопасности приложений для решения уникальных задач инфраструктуры машинного обучения.
Основные векторы атак и методы
Расследования, проведенные Microsoft Threat Intelligence, проливают свет на несколько отдельных фаз и техник, зафиксированных во время целенаправленных вторжений в среды искусственного интеллекта:
- Эксплуатация шлюза LiteLLM: Атакующие нацеливаются на незащищенные прокси-слои и слои маршрутизации, используемые для управления запросами моделей, используя уязвимости или ошибки конфигурации для получения несанкционированного доступа.
- Сбор учетных данных: Проникнув в периметр, злоумышленники систематически ищут сохраненные API-ключи, токены аутентификации и учетные данные администратора для облегчения горизонтального перемещения.
- Механизмы закрепления: Нарушители создают постоянные точки опоры в скомпрометированной ИИ-инфраструктуре, чтобы обеспечить непрерывный доступ даже после первичных попыток устранения угроз со стороны служб безопасности.
- Операции по криптомайнингу: Используя огромные ресурсы GPU и CPU, выделенные под рабочие нагрузки ИИ, злоумышленники развертывают неавторизованные майнеры криптовалют для монетизации украденных вычислительных мощностей.
Стратегии минимизации рисков для точек контроля
Защита современной ИИ-инфраструктуры требует многоуровневой стратегии обороны, сосредоточенной на усилении защиты шлюзов и ограничении их доступности. Организации, запускающие рабочие нагрузки машинного обучения, должны внедрить строгую сегментацию сети, гарантируя, что интерфейсы управления и API-шлюзы никогда не будут напрямую доступны из публичного интернета без надлежащей аутентификации и верификации на основе принципа нулевого доверия (zero-trust).
Кроме того, непрерывный мониторинг аномалий сетевого трафика API, регулярный аудит конфигураций прокси и строгое управление учетными данными являются критически важными шагами в борьбе с этими эволюционирующими угрозами. Поскольку злоумышленники продолжают совершенствовать свои методы против инструментов, специфичных для ИИ, защита плоскости управления остается первостепенным приоритетом для групп корпоративной безопасности.
Источник: Оригинальная статья
