LLMjacking: وقتی هکرها هوش مصنوعی تو رو دزدکی استفاده می‌کنن
هوش مصنوعیخلاصهٔ کامل‌تر
امنیت هوش مصنوعی فقط درباره جلوگیری از دزدیده شدن داده یا مشاوره‌های مضر نیست. یه تهدید ساده‌تر اما در حال رشد سریع هم وجود داره: LLMjacking — یعنی هکرها سرور AI شما رو پیدا می‌کنن و بدون اجازه از قدرت پردازشی‌اش برای اهداف خودشون استفاده می‌کنن. با پیش‌بینی افزایش شدید هزینه‌های inference هوش مصنوعی، انگیزه‌ی مهاجمان برای این کار هر روز بیشتر میشه.
یه محقق در آوریل ۲۰۲۶ آزمایش جالبی انجام داد: یه رزبری‌پای رو طوری تنظیم کرد که وانمود کنه یه سرور AI پرقدرت با ابزارهایی مثل Ollama، LM Studio، و AutoGPT داره. سرور ادعا می‌کرد مدل Qwen3-Coder 30B رو اجرا می‌کنه و API سازگار با فرمت OpenAI داره. در واقعیت فقط ۵۰۰ پاسخ از پیش ذخیره‌شده داشت — اما همین برای فریب اسکنرهای خودکار کافی بود.
نتیجه چشمگیر بود: Shodan (سرویس اسکن اینترنت) در عرض ۳ ساعت سرور رو پیدا کرد. یه ساعت بعد درخواست‌های کشف قابلیت‌ها شروع شد. در طول یه ماه، بیش از ۱۱۳ هزار درخواست از هزاران IP منحصربه‌فرد رسید که ۲۳٪ از اون‌ها مستقیماً هدف‌شون کشف و سوءاستفاده از LLM بود. در هفته آخر آزمایش هم ۱۷۵ تلاش فعال برای ربودن مدل ثبت شد.
مهاجمان از چه روش‌هایی استفاده می‌کنن؟ endpoint هایی مثل /api/tags و /v1/models برای شناسایی مدل‌های نصب‌شده اسکن می‌شن. مسیر /.well-known/mcp.json برای پیدا کردن سرورهای MCP (پروتکل زمینه‌ی مدل) بررسی میشه. علاوه بر این، تلاش گسترده‌ای برای دزدیدن اطلاعات حساس از فایل .env — که یه اشتباه رایج در پروژه‌های Laravel، Node.js و مشابه اون‌هاست — مشاهده شد. بعضی مهاجمان حتی سعی کردن از سرور هک‌شده به‌عنوان پروکسی API برای مدل‌های Anthropic استفاده کنن.
این ماجرا خیلی شبیه کریپتوجکینگ (دزدیدن قدرت پردازشی برای ماینینگ ارز دیجیتال) عه که در سال ۲۰۲۵ تنها ۲۰ درصد رشد کرد. حالا که هزینه‌های مدل‌های AI بالاست و چیپ‌های محلی کم‌یابن، LLMjacking داره به یه پدیده‌ی صنعتی تبدیل میشه.
برای محافظت از سرورهای AI خصوصی، این اقدامات اساسی توصیه می‌شن:
- سرورهایی مثل Ollama یا LM Studio رو فقط روی localhost (نه همه اینترفیس‌های شبکه) bind کنین
- برای سرورهای remote از احراز هویت قوی مبتنی بر OIDC یا OAuth2 با توکن‌های کوتاه‌مدت استفاده کنین
- با network segmentation و IP allowlist دسترسی به سرور AI رو محدود کنین
- برای MCP، RAG و LLM توکن‌های دسترسی جداگانه تعریف کنین
- مصرف منابع رو مانیتور کنین و برای spike های غیرعادی هشدار تنظیم کنین
- لاگ درخواست‌ها و پاسخ‌های LLM رو نگه دارین و با SIEM یکپارچه کنین
نکات کلیدی:
- LLMjacking یعنی سوءاستفاده از سرور AI دیگران بدون اجازه برای اهداف شخصی
- یه هانی‌پات ساده ظرف ۴ ساعت شناسایی و ظرف یه ماه بیش از ۱۱۳ هزار بار هدف حمله قرار گرفت
- ابزارهای اسکن تخصصی AI از زیرساخت چندین کشور و ارائه‌دهنده ابری عمل می‌کنن
- فایل
.envقابل دسترس عمومی هنوز یکی از رایج‌ترین آسیب‌پذیری‌هاست - با گران‌تر شدن AI، این نوع حملات احتمالاً مثل کریپتوجکینگ به مقیاس صنعتی می‌رسن
