در پاییز ۱۴۰۳، محققان امنیتی تهدید سایبری جدیدی را شناسایی کردند که زیرساخت‌های آسیب‌پذیر هوش مصنوعی را هدف قرار می‌دهد. بدافزاری تحت عنوان PoeLLM که به‌طور خاص برای بهره‌برداری از سرویس‌های AI پیکربندی شده، اکنون در حال سوءاستفاده از سرورهایِ دارای تنظیمات امنیتی ضعیف جهت اجرای عملیات استخراج غیرمجاز رمزارز (Cryptojacking) است.
مکانیسم عملکرد بدافزار PoeLLM
بدافزار PoeLLM به‌طور عمده سرورهایی را هدف قرار می‌دهد که سرویس‌های مدل زبانی بزرگ (LLM) یا ابزارهای استنتاج هوش مصنوعی را بدون احراز هویت مناسب در محیط اینترنت در معرض دید قرار داده‌اند. این بدافزار با نفوذ به این سرورها، نه تنها منابع محاسباتی GPU و CPU را برای استخراج رمزارز به یغما می‌برد، بلکه سرور قربانی را به یک «نود» اسکن‌کننده در شبکه خود تبدیل می‌کند تا سایر میزبان‌های آسیب‌پذیر را در اینترنت شناسایی و آلوده کند.
جزئیات فنی نفوذ و بهره‌برداری
این حمله بر پایه اکسپلویت‌های خودکار علیه سرویس‌های متداول هوش مصنوعی استوار است. مهاجمان با بهره‌گیری از ضعف در پیکربندی واسط‌های برنامه‌نویسی (API) و دسترسی‌های بدون محدودیت به محیط‌های توسعه، کدهای مخرب خود را تزریق می‌کنند. مراحل نفوذ شامل موارد زیر است:
- شناسایی (Scanning): استفاده از سرورهای آلوده قبلی برای جستجوی پورت‌های باز مرتبط با سرویس‌های AI.
- اکسپلویت (Exploitation): اجرای دستورات مخرب از طریق نقاط پایانی (Endpoints) ناامن.
- تداوم (Persistence): نصب اسکریپت‌های مخرب که در پس‌زمینه اجرا شده و با استفاده از فیلترهای ضد-آنتی‌ویروس سعی در مخفی ماندن دارند.
- بارگذاری ماینر: دانلود و اجرای نرم‌افزارهای استخراج رمزارز که از توان پردازشی GPU برای افزایش نرخ هش استفاده می‌کنند.
مشخصات فنی حمله و تهدید
- نوع تهدید: Cryptojacking و Botnet فعالیت‌محور
- هدف: سرورهای میزبان سرویس‌های AI و LLM
- قابلیت‌های کلیدی: اسکن شبکه، اجرای کدهای راه دور (RCE)، استخراج رمزارز
- پیامد: افزایش شدید هزینه‌های زیرساخت ابری، افت شدید عملکرد سیستم‌های هوش مصنوعی، افشای داده‌های حساس
لزوم ایمن‌سازی زیرساخت‌های AI
مدیران سیستم و متخصصان DevOps باید توجه داشته باشند که امنیت در مدل‌های هوش مصنوعی تنها به حفاظت از مدل خلاصه نمی‌شود. ایمن‌سازی لایه زیرساخت (Infrastructure Layer) حیاتی است. پیشنهاد می‌شود برای مقابله با تهدیدات مشابه PoeLLM، اقدامات زیر به‌صورت جدی پیاده‌سازی شود:
- محدودسازی دسترسی (Network Segmentation): اطمینان از اینکه سرویس‌های AI تنها از طریق VPN یا در شبکه‌های خصوصی (VPC) قابل دسترسی هستند.
- احراز هویت چندعاملی (MFA): اجباری کردن احراز هویت برای هرگونه دسترسی به پنل‌های مدیریت مدل و APIها.
- پایش منابع (Resource Monitoring): تنظیم هشدار برای مصرف غیرعادی منابع محاسباتی (GPU/CPU) که می‌تواند نشانه فعالیت ماینرهای پنهان باشد.
- به‌روزرسانی منظم: استفاده از آخرین نسخه کتابخانه‌ها و فریم‌ورک‌های یادگیری ماشین مانند PyTorch یا TensorFlow برای جلوگیری از نفوذ از طریق آسیب‌پذیری‌های شناخته شده (CVEs).
نتیجه‌گیری
حمله PoeLLM زنگ خطری جدی برای توسعه‌دهندگانی است که زیرساخت‌های هوش مصنوعی خود را بدون ملاحظات امنیتی جامع به اینترنت متصل می‌کنند. امنیت در هوش مصنوعی دیگر یک گزینه نیست، بلکه بخشی جدایی‌ناپذیر از چرخه حیات توسعه نرم‌افزار (SDLC) است. با رعایت اصول دسترسی کم‌حداقل (Least Privilege) و نظارت مستمر بر ترافیک شبکه، می‌توان تا حد زیادی از وقوع این دسته از حملات جلوگیری کرد.
