JadePuffer nutzt ENCFORGE-Ransomware gegen KI-Infrastruktur
Die Bedrohungsgruppe JadePuffer hat ihre Angriffsfähigkeiten erweitert und setzt nun die speziell für KI-Infrastruktur entwickelte Ransomware ENCFORGE ein. Laut Sysdig-Analysten wurde die zweite Attacke auf denselben Langflow-Server der Gruppe zugeordnet, die bereits Anfang Juli durch einen vollständig von einem KI-Agenten ausgeführten Extortion-Angriff Aufmerksamkeit erregte. Die neue Malware zielt explizit auf AI-Assets ab — Training-Datensätze, Vector-Datenbanken und Model-Checkpoints werden als primäre Ziele behandelt. Wie Help Net Security meldet, stellt ENCFORGE eine novel Ransomware dar, die speziell auf Machine-Learning-Umgebungen zugeschnitten ist.
Das Angriffsvektor läuft über bekannte Schwachstellen in Langflow, einer Open-Source-Plattform für LLM-Anwendungen. Die Attacke beginnt mit Remote-Code-Execution, danach wird ENCFORGE deployed, um sensible Modell-Dateien zu verschlüsseln. Bleeping Computer dokumentiert, dass der agentic Operator damit nicht nur klassische Geschäftsdaten, sondern speziell proprietary KI-Modelle und ihre Trainingsdaten ins Visier nimmt — für Unternehmen mit eigen entwickelten LLMs ein kritisches Risiko.
Für den deutschsprachigen Raum ist diese Entwicklung besonders relevant: Unternehmen, die Langflow selbst hosten oder Open-Source-KI-Infrastruktur betreiben, müssen ihre Umgebungen sofort patchen. Die DSGVO-Auswirkungen sind erheblich — wenn Trainingsdaten personenbezogene Informationen enthalten (etwa syntheische Datensätze aus echten Nutzerdaten), löst eine erfolgreiche Verschlüsselung die 72-Stunden-Meldepflicht aus. Zugleich zeigt JadePuffers Strategie einen Trend: Bedrohungsakteure optimieren spezialisierte Malware für KI-Stack-Komponenten statt nur generische Ransomware zu adaptieren.
Die Implikation für Pentester und Red-Team-Arbeit ist unmittelbar: Langflow-Deployments gehören in deine Attack-Surface-Assessments rein. Vulnerability-Scanner müssen explizit auf Langflow RCE-Patterns konfiguriert sein, und Model-Dateien sollten in deine KI-Pentesting-Checklisten aufgenommen werden. Parallel dazu solltest du prüfen, ob deine eigenen Safety-Pipelines für LLM-Apps auch File-System-Kontrollen für Model-Checkpoints umfassen — nicht nur Input/Output-Filtering.