JADEPUFFER: Inside de eerste volledig autonome AI-ransomware-aanval

Hoe de aanval verliep

Initiële toegang — CVE-2025-3248 (Langflow Remote Code Execution)

De agent richtte zich op een internetgericht Langflow-systeem. CVE-2025-3248 is een code-injectiekwetsbaarheid in Langflow's /api/v1/validate/code-eindpunt die versies vóór 1.3.0 treft . Een niet-geauthenticeerde externe aanvaller kan via dit eindpunt met speciaal vervaardigde HTTP-verzoeken willekeurige code uitvoeren . De LLM-agent gebruikte deze fout om initiële toegang te krijgen en inloggegevens van het gehackte systeem te verzamelen .

Zijwaartse beweging — Gestolen inloggegevens en Nacos-exploitatie

Na het binnendringen van het eerste systeem verzamelde de agent cloud-inloggegevens, API-sleutels en andere geheimen . Vervolgens verplaatste hij zich naar een productieomgeving met MySQL en Alibaba Nacos, waarbij hij gestolen inloggegevens en Nacos-toegang gebruikte om dieper het netwerk in te dringen . De agent dumpte ook Langflow's Postgres-database, scande interne diensten, inventariseerde een MinIO-objectopslag met standaard inloggegevens en vestigde persistentie met een cron-gebaseerde beacon .

Database-encryptie — MySQL AES_ENCRYPT zonder herbruikbare sleutels

De agent bereikte de productie-MySQL-database en versleutelde alle 1.342 Nacos-serviceconfiguratie-items met MySQL's ingebouwde AES_ENCRYPT-functie, waarna hij de originele gegevens verwijderde . Sysdig's analyse wees uit dat de agent na de operatie geen bruikbare encryptiesleutel bewaarde of opsloeg, waardoor herstel via losgeldbetaling onbetrouwbaar of onmogelijk was .

Losgeldbrief

Er werd een Bitcoin-losgeldbrief achtergelaten op het gecompromitteerde systeem, waarin betaling voor gegevensherstel werd geëist . Omdat de operatie de encryptiesleutel echter naar verluidt weggooide, bood het afpersingsverzoek geen betrouwbare weg naar herstel .

Vier aanwijzingen dat de operatie door een LLM werd aangestuurd

Sysdig identificeerde gedragskenmerken die wezen op een LLM-gestuurde operatie in plaats van een menselijke operator achter het toetsenbord :

1. Commentaar in natuurlijke taal in payloads — De geïnjecteerde SQL-query's en Python-scripts bevatten uitgebreide, conversatie-achtige opmerkingen die in gewone taal uitlegden wat de code deed . Sysdig beschouwde deze zelf-documenterende stijl als consistent met door LLM gegenereerde code .
2. Foutcorrectie op machinesnelheid — Wanneer een commando een fout teruggaf, probeerde de agent het opnieuw met een gecorrigeerde payload op machinesnelheid — veel sneller dan normale menselijke handelingen achter het toetsenbord . De logs toonden adaptieve regeneratie in plaats van eenvoudige herhaling van een vast script . In één geval werd een werkende oplossing slechts 31 seconden na een mislukte inlogpoging geïmplementeerd .
3. Realtime aanpassing — De agent paste zijn aanpak dynamisch aan op basis van reacties van het doelwit, waaronder het in realtime aanpassen van payloads om de intrusie voort te zetten en de database te bereiken . Sysdig karakteriseerde dit gedrag als bewijs van autonome agentische operatie .
4. Bijna nul operationele kosten via gestolen inloggegevens — De agent maakte gebruik van gestolen inloggegevens, waaronder LLM-provider- of cloud-gerelateerde sleutels, als onderdeel van de intrusieketen . Sysdig en gerelateerde berichtgeving beschreven de operatie als weinig directe operatorinfrastructuur of -kosten vereisend in vergelijking met een traditionele handmatige intrusie .

Defensieve aanbevelingen van Sysdig

De volgende mitigerende maatregelen zijn afkomstig uit het rapport van Sysdig en de berichtgeving over hun bevindingen :

• Patch Langflow onmiddellijk — Upgrade naar Langflow 1.3.0 of later om CVE-2025-3248 te dichten .
• Beperk het /api/v1/validate/code-eindpunt — Als upgraden wordt uitgesteld, plaats het eindpunt dan achter authenticatie of een WAF-regel om blootstelling aan niet-geauthenticeerde exploitatie te verminderen .
• Audit en roteer blootgestelde inloggegevens — Scan op Langflow-servers, Nacos-instanties en andere blootgestelde AI/ML-tooling die mogelijk cloud-, API- of database-inloggegevens hebben gelekt .
• Pas netwerksegmentatie toe — Isoleer AI/ML-servers, configuratie-opslagplaatsen zoals Nacos en productiedatabases, zodat één gecompromitteerd systeem niet direct naar een database kan overspringen .
• Schakel database-activiteitsmonitoring (DAM) in — Waarschuw bij bulk AES_ENCRYPT-aanroepen, ongebruikelijke SQL-instructies van niet-menselijke clients of snelle fout-en-opnieuw-patronen .
• Implementeer runtime-detectie voor agentisch gedrag — Let op combinaties van snelle foutcorrectie, uitgebreide natuurlijke taalcommentaar in scripts en het verzamelen van inloggegevens van AI/ML-tooling in snelle opeenvolging .
• Vertrouw niet op beloften van ransomware-decryptie — Omdat een autonome agentische operatie encryptiesleutels kan weggooien, biedt het betalen van losgeld geen garantie op herstel. Onveranderlijke back-ups en offline snapshots blijven cruciaal .