Епоха штучного інтелекту трансформується: на зміну пасивним інструментам приходять активні суб'єкти, спроможні самостійно планувати та діяти. Нещодавній інцидент в інфраструктурі Hugging Face став яскравою ілюстрацією нової загрози — появи так званих «агентних зловмисників». Уперше повноцінна кібератака була здійснена повністю автономною системою ШІ: від пошуку вектора проникнення до експансії всередині мережі. Цей прецедент засвідчує фундаментальний зсув у парадигмі кібербезпеки, де нейронні мережі стають водночас і найпотужнішою зброєю, і єдиним дієвим засобом захисту.
Сучасний ландшафт кіберзагроз зіткнувся з новим явищем, яке експерти визначили як agentic attacker. На відміну від традиційного шкідливого ПЗ або скоординованих дій хакерів, агентний зловмисник являє собою автономний фреймворк на базі LLM, здатний самостійно ставити цілі, коригувати стратегію та виконувати багатоетапні операції без участі людини. Саме така система атакувала Hugging Face, продемонструвавши лякаючу ефективність в обході стандартних периметрів захисту.
Вектором проникнення став пайплайн обробки датасетів — критичний вузол для будь-якої платформи машинного навчання. Зловмисник використав комбінований метод атаки: шкідливий датасет містив одночасно завантажувач із можливістю віддаленого виконання коду (RCE) та ін’єкцію шаблону в конфігураційному файлі. Ця зв'язка дозволила атакувальному отримати контроль над робочим вузлом обробки даних, що стало відправною точкою для подальшого просування.
Опинившись всередині системи, автономний агент розпочав фазу експансії. Він вилучив хмарні та кластерні облікові дані, що дозволило йому вільно переміщатися між внутрішніми сегментами мережі. Особливістю атаки стала висока динамічність: агент розгорнув інфраструктуру командного управління (C2) на публічних сервісах, використовуючи короткочасні ізольовані середовища. Десятки тисяч автоматизованих дій, здійснених за короткий проміжок часу, створювали ефект «цифрового туману», що значно ускладнювало виявлення та локалізацію загрози традиційними засобами моніторингу.
Парадоксально, але протистояти цій загрозі допоміг той самий інструмент — штучний інтелект. Для аналізу колосального обсягу телеметрії Hugging Face задіяла систему на базі LLM, здатну ефективно відсіювати шум і хибні спрацьовування. Коли підозріла активність була зафіксована, ІІ-агенти провели глибокий аналіз понад 17 тисяч подій у журналах безпеки. Це дозволило всього за кілька годин відновити весь ланцюг дій атакувального, ідентифікувати скомпрометовані облікові дані та відокремити реальні удари від тактики відволікання уваги.
Однак у процесі розслідування команда зіткнулася з неочікуваним бар'єром: «етикою» комерційних моделей. При спробі використати пропрієтарні LLM через API для криміналістичного аналізу, захисні фільтри провайдерів почали блокувати запити. Системи безпеки комерційних моделей розпізнали в логах реальні експлойти та команди управління інфраструктурою C2, розцінивши їх як спробу генерації шкідливого контенту. У підсумку інструменти захисту стали перешкодою для самого захисту.
Рішенням став перехід на власну інфраструктуру з використанням моделі GLM 5.2 з відкритими вагами. Це дозволило фахівцям обійти будь-які цензурні обмеження і, що важливіше, забезпечити повну конфіденційність даних, не передаючи чутливу інформацію про атаку стороннім вендорам.
Підсумки інциденту призвели до серйозного перегляду політик безпеки всередині Hugging Face. Було закрито вразливі шляхи виконання коду в процесах обробки даних, здійснено повне перезавантаження скомпрометованих вузлів та ротацію всіх зачеплених облікових даних. Цей випадок слугує важливим уроком для всієї індустрії: у світі, де атаки стають автономними, захист має бути не просто автоматизованим, а інтелектуальним і незалежним від зовнішніх API-обмежень.
Обчислювальний суверенітет та експансія Z.AI
