Los ciberdelincuentes están robando claves de API y credenciales en la nube para utilizar modelos de inteligencia artificial y recursos informáticos ajenos. Esta práctica, conocida como «LLMjacking», permite ejecutar cargas de trabajo de IA, ofrecer servicios proxy clandestinos y generar facturas desorbitadas para las organizaciones afectadas.
Los modelos de lenguaje de gran tamaño (LLM) se han convertido en herramientas habituales en distintas etapas de los ciberataques: desde investigar posibles víctimas hasta desarrollar malware y automatizar operaciones. Sin embargo, acceder a modelos avanzados puede resultar costoso. Algunos delincuentes han encontrado una forma de evitar esos gastos: usar las cuentas y los recursos de otras organizaciones.
Un informe reciente del Grupo de Inteligencia sobre Amenazas de Google (GTIG) advierte que el LLMjacking ha ganado popularidad en los últimos años y que está evolucionando hacia un ecosistema delictivo más especializado.
### Cómo consiguen el acceso
Los atacantes suelen comenzar buscando puntos de acceso a modelos de IA expuestos públicamente o claves válidas de interfaces de programación de aplicaciones (API). En otros casos, obtienen credenciales de identidad en la nube, como credenciales de IAM, claves de cuentas de servicio, tokens personales de GitHub o tokens de sesión activos.
Una vez dentro de la infraestructura de una organización, pueden intentar elevar sus privilegios, consolidar el acceso e identificar otros objetivos. El propósito final es apropiarse de los modelos y recursos de IA para obtener beneficios.
Google describe el LLMjacking como la monetización y el secuestro de recursos de modelos fundacionales mediante técnicas como el uso de proxies para tokens, la generación automatizada de solicitudes a modelos y la provisión de hardware con GPU. En la práctica, los atacantes utilizan la suscripción o la infraestructura de una víctima y le dejan los costos.
### Facturas que se acumulan en minutos
A diferencia de otras formas de robo de recursos, como la minería de criptomonedas no autorizada, el uso intensivo de modelos de IA puede generar cargos muy rápidamente. Según el informe, un grupo identificado como UNC6993 intentó crear claves de API adicionales y habilitar servicios en proyectos de nube comprometidos. La actividad generó más de 100.000 dólares en cargos, de acuerdo con Google.
En otro caso, un actor suscribió cuentas de víctimas a planes de pago por uso, seleccionó modelos premium y lanzó flujos de inferencia de gran volumen. Para eludir los límites de uso, empleó una estrategia de «usar y rotar»: creaba y eliminaba cuentas de servicio de corta duración mientras revisaba la facturación para medir el impacto financiero.
El acceso robado también puede servir para montar servicios propios. Google observó a un actor que habilitó agentes, desplegó proxies inversos de acceso público y utilizó herramientas personalizadas para ofrecer puntos de acceso compatibles con varios modelos avanzados. Además, el grupo desplegó una puerta trasera en contenedores que consultaba un modelo para interpretar instrucciones y ejecutar comandos localmente.
### Un ecosistema delictivo cada vez más organizado
El LLMjacking todavía es una actividad relativamente nueva, pero muestra una división del trabajo cada vez más clara. Algunos grupos se especializan en obtener acceso inicial a entornos comprometidos, mientras que otros gestionan la infraestructura para monetizarlo.
Google denomina «LLM Mixers» a estos operadores: actúan como puertas de enlace que enrutan, agrupan y revenden el acceso no autorizado a modelos de IA a clientes clandestinos. Mediante pasarelas de API de código abierto y sistemas de retransmisión propios, pueden combinar credenciales robadas, controlar el consumo y ocultar el origen de las solicitudes.
El GTIG afirma haber observado grupos operativos distintos que coordinaron el compromiso y la monetización de infraestructura empresarial de IA, una señal de la especialización que está surgiendo en este ámbito.
### Cómo pueden reducir el riesgo las organizaciones
Google prevé que los actores maliciosos den cada vez más prioridad al LLMjacking. Para limitar la exposición, recomienda aumentar la visibilidad sobre las plataformas de IA, vigilar los cambios en las cuentas y los servicios asociados, y tratar cualquier habilitación no autorizada como un incidente de seguridad crítico.
También es esencial aplicar el principio de mínimo privilegio: cada usuario y cuenta debe contar únicamente con los permisos necesarios para realizar su trabajo. Revisar las credenciales, proteger las claves de API y detectar cambios inesperados en los servicios de nube puede ayudar a impedir que una intrusión se convierta en una costosa operación de uso fraudulento.
A medida que crece la adopción de la IA, proteger las credenciales y supervisar el consumo de los modelos ya no es solo una cuestión de control de costos. Es una parte fundamental de la seguridad de la infraestructura empresarial.
from Latest from TechRadar https://ift.tt/MX52fqY
via IFTTT IA
