سرقت کلیدهای هوش مصنوعی؛ تحمیل خسارت روزانه بیش از ۱۰۰ هزار دلار به شرکت‌ها

سازمان‌های قربانی میلیون‌ها دلار را به‌دلیل هزینه‌های تحمیلی ناشی از مصرف توکن از دست می‌دهند؛ چراکه مجرمان سایبری با ربودن دسترسی‌های سازمانی به مدل‌های زبانی بزرگ، منابع محاسباتی گران‌قیمت و سرویس‌های پیشرفته هوش مصنوعی را به سرقت می‌برند.

بر اساس گزارش تیم پاسخ به حوادث امنیتی Mandiant در گوگل، هزینه‌های جعلی و ناخواسته حاصل از این مصرف غیرقانونی منابع می‌تواند از ۱۰۰ هزار دلار در روز فراتر برود. کارشناسان این تیم مواردی را ثبت کرده‌اند که صورت‌حساب کلی برخی سازمان‌ها پیش از شناسایی و قطع دسترسی نفوذگران، به رقم هنگفت یک میلیون دلار رسیده است.

جان هالتکوئیست، تحلیلگر ارشد گروه اطلاعات تهدیدات گوگل، در این باره توضیح می‌دهد: «عوامل تهدید هر زمان که فرصتی بیابند، می‌کوشند با بهره‌گیری از فناوری هوش مصنوعی به یک برتری مقیاس نسبت به مدافعان امنیت دست یابند. آن‌ها این هدف را از طریق ابزارهای مبتنی بر ایجنت‌ها و سرقت توکن‌های سازمان‌های ناآگاه محقق می‌کنند. محدودسازی و ایمن‌سازی این منابع، نه‌تنها سازمان‌ها را از هزینه‌های سرسام‌آور نجات می‌دهد، بلکه جامعه فناوری را نیز در برابر موجی از حملات خودکار و ارزان‌قیمت محافظت خواهد کرد.»

این شیوه از نفوذ و تصاحب دسترسی به مدل‌های زبانی بزرگ، LLMJacking نامیده می‌شود و طی دو سال اخیر رشدی مداوم و نگران‌کننده داشته است. در یکی از شدیدترین نمونه‌ها که در گزارش ماه اوت شرکت امنیتی CrowdStrike به ثبت رسید، یک سارق توکن توانست ظرف تنها دو دقیقه حدود ۲۰۰ هزار درخواست API ارسال کند.

در موردی دیگر که در گزارش گوگل تشریح شده، گروهی از هکرها که با نام UNC6993 ردیابی می‌شوند، ابتدا به‌صورت غیرقانونی به کلیدهای API مدل‌های زبانی دست یافتند؛ سپس با تولید کلیدهای جانبی و فعال‌سازی سرویس‌های جدید درون پروژه‌های ابری قربانی، خسارتی بالغ بر ۱۰۰ هزار دلار روی دست شرکت گذاشتند.

پژوهشگران امنیتی گوگل هم‌چنین به فعالیت سارق دیگری اشاره کرده‌اند که حساب‌های سازمان قربانی را به قراردادهای پرداخت بر اساس مصرف (Pay-As-You-Go) متصل می‌کرد تا مدل‌های پیشرفته را با هزینه شرکت هدف به کار بگیرد. این فرد با انتخاب مدل‌های پایه رده‌بالا و ایجاد جریان‌های استنتاجی با حجم فوق‌العاده بالا، راهبردی موسوم به «مصرف و تعویض سریع» را برای دور زدن محدودیت‌های نرخ مصرف پیاده کرد. او با ایجاد و حذف پیاپی حساب‌های خدماتی کوتاه‌مدت و هم‌زمان بررسی بخش صدور صورت‌حساب برای زیر نظر گرفتن بار مالی، بدون جلب توجه به فعالیت خود ادامه می‌داد.

در رویدادی دیگر، نفوذگری با استفاده از کلیدهای API سرقت‌شده از شرکت‌های شخص ثالث، بیش از ۵۰۰ هزار فراخوانی API مدل‌های زبانی را در کمتر از هشت ساعت اجرا کرد تا منابع لازم برای یک سرویس مسیریابی توکن به نام Jet Night را تأمین کند.

در متن گزارش آمده است: «با توجه به اینکه هزینه مصرف هر توکن در سرویس Jet Night بسیار پایین‌تر از نرخ‌های معمول بازار است، کارشناسان گروه اطلاعات تهدیدات گوگل بر این باورند که این پلتفرم برای سودآوری کاملاً به کلیدهای دزدی متکی است. به‌عنوان نمونه، سرویس Jet Night طرح توکن نامحدود خود را با ادعای دسترسی به مدل‌های مرزی و پرچمدار، با قیمتی در حدود ۶۰ دلار در ماه ارائه می‌دهد؛ سطحی از خدمات که بهای ماهانه معمول آن برای کاربران بین ۱۰۰ تا ۲۵۰ دلار است.»

مدیران Jet Night در کانال عمومی تلگرام خود به چندین قطعی پیاپی در سرویس‌دهی اذعان کرده‌اند. به گفته شکارچیان تهدیدات گوگل، این اختلالات به‌احتمال قوی ناشی از باطل شدن کلیدهای سرقتی پس از پی بردن سازمان‌های قربانی به نقض امنیتی است.

تقسیم وظایف تخصصی در شبکه سرقت توکن‌های هوش مصنوعی

با پیوستن مجرمان سایبری بیشتر به اکوسیستم LLMJacking، گوگل اعلام کرده که نوعی تقسیم کار سازمان‌یافته میان آن‌ها شکل گرفته است؛ گروهی از تبهکاران دسترسی اولیه به سرویس‌های ابری و مدل‌های هوش مصنوعی نفوذپذیر را برقرار می‌کنند و گروهی دیگر مدیریت زیرساخت‌های درآمدزایی نهایی را تحت عنوان «بسترهای واسطه توکن» (LLM Mixers) بر عهده می‌گیرند.

در یکی از پرونده‌هایی که تیم Mandiant در اواسط سال ۲۰۲۶ میلادی به آن رسیدگی کرد، گروه UNC6993 از طریق کلید یک حساب خدماتی (Service Account) با پیکربندی نادرست توانست یک سرور ابری را به خطر بیندازد و از این دسترسی برای اختصاص مجوزهای گسترده‌تر به API مدل‌های هوش مصنوعی استفاده کند.

این مهاجمان هم‌چنین صفحه‌ای جعلی برای سرقت نشست کاربری (Session Hijacking) طراحی کردند که وانمود می‌کرد یک درگاه ثبت‌نام برای پیوستن به گروه کاربران مدل‌های هوش مصنوعی است. در این گزارش ذکر شده است: «این صفحه با فریب دادن کاربران، آن‌ها را به وب‌سایت اصلی سرویس هدایت می‌کرد و از آن‌ها می‌خواست داده‌های خام JSON خود را که حاوی توکن دسترسی فعال بود در صفحه جای‌گذاری کنند. این داده‌ها بلافاصله به API پشتیبان ارسال می‌شد تا سازوکارهای گذرواژه و احراز هویت دومرحله‌ای (MFA) را دور بزند.»

گوگل پیش‌بینی می‌کند که بزهکاران سایبری در مقایسه با سایر روش‌های سرقت منابع مانند استخراج مخفیانه رمزارز (Cryptojacking)، به‌شکلی روزافزون حملات LLMJacking را در اولویت قرار خواهند داد. تیم‌های امنیتی برای پیش‌گیری از سوءاستفاده‌های ابری در حوزه مدل‌های زبانی باید مدیریت هویت و دسترسی (IAM) و امنیت زنجیره تأمین را در اولویت بگذارند و از سامانه‌های متمرکز مدیریت اسرار برای تعویض و بازنشانی منظم کلیدها و رمزها بهره ببرند.

علاوه بر این، کارشناسان توصیه می‌کنند اصل حداقل دسترسی برای کاربران و حساب‌های خدماتی اجرا شود تا هر حساب تنها مجوزهای لازم برای ایفای وظایف مشخص خود را داشته باشد. هم‌چنین راه‌اندازی سامانه‌های خودکار برای اسکن کدهای منبع، شناسایی و حذف فوری هرگونه کلید API و رمز امنیتی ذخیره‌شده در پایگاه‌های کد، اقدامی حیاتی برای ایمن‌سازی زیرساخت‌ها خواهد بود.