Categories: ALERTASINCIDENTES

Ataque de ransomware agentico usa Langflow e explora CVE-2025-3248 com LLM narrando cada passo

O ator de ameaça rastreado como JadePuffer explorou o CVE-2025-3248 (CVSS 9.8) — uma falha crítica de autenticação ausente no framework open source Langflow — para conduzir o que a Sysdig classifica como o primeiro caso público de ataque de ransomware “agentico” documentado em detalhes. Um LLM foi usado, do início ao fim da operação, para reconhecimento, extração de credenciais, movimentação lateral e implantação de persistência, com narração em linguagem natural de suas próprias decisões dentro do payload.

O que aconteceu

De acordo com o relatório publicado pela empresa de segurança em nuvem Sysdig, o vetor de entrada foi uma instância exposta do Langflow — framework Python-based e LLM-agnóstico, amplamente usado para construir aplicações e workflows de agentes com modelos de linguagem. A vulnerabilidade explorada, CVE-2025-3248, é uma falha de autenticação ausente divulgada em abril e adicionada em maio ao catálogo Known Exploited Vulnerabilities (KEV) da CISA como sob exploração ativa. Ela permite execução arbitrária de código Python no host que roda o Langflow.

Depois de obter execução de código, o JadePuffer usou o próprio LLM hospedado no Langflow para varrer o sistema em busca de credenciais: chaves de API, credenciais de nuvem, wallets de criptomoedas, arquivos de configuração e senhas de bancos de dados. O grupo então despejou o banco Postgres do Langflow, escaneou o espaço de endereços internos alcançáveis, provou por endpoints do MinIO em busca de mais credenciais e instalou uma cron job de persistência no servidor comprometido.

Numa segunda fase, o atacante pivotou para um servidor de produção que hospedava um MySQL e uma instância da plataforma Alibaba Nacos — solução amplamente usada em arquiteturas de microserviços na nuvem chinesa e conhecida por bypasses de segurança recorrentes, incluindo uma chave JWT default que permite forjar tokens.

Como o LLM se comportou

O aspecto mais relevante do relatório, do ponto de vista técnico, é a evidência de que o LLM não foi apenas um utilitário — ele agiu como orquestrador. Os payloads coletados por analistas continham comentários em linguagem natural narrando cada ação executada, um sinal característico de código gerado por LLMs. Os pesquisadores observaram, ainda, o modelo corrigindo suas próprias falhas, adaptando comandos após erros e diagnosticando problemas em tempo real.

Segundo a Sysdig, houve pelo menos um momento em que o LLM interpretou texto livre exibido pelo alvo (mensagens de erro e contexto ambiente) e tomou decisões que só fariam sentido para quem realmente leu e compreendeu aquele conteúdo — não para um scanner baseado em padrões. Esse comportamento se repetiu em sessões separadas por semanas.

“Defensores devem esperar que o volume e a amplitude dessas campanhas aumentem à medida que o ferramental agentico amadurecer, e devem se preparar para adversários que operam com custo próximo de zero.” — Sysdig.

Detalhes da vulnerabilidade

  • CVE: CVE-2025-3248
  • CVSS v3: 9.8 (crítica)
  • Produto: Langflow (framework para orquestração de LLMs)
  • Tipo: Missing Authentication for Critical Function (CWE-306) — permite execução arbitrária de código Python via endpoint exposto.
  • Status na CISA KEV: Adicionada em maio de 2025 como sob exploração ativa.
  • Correção: Atualizar Langflow para a versão mais recente e remover exposição à internet pública sempre que possível.

Quem é afetado

  • Organizações que expõem instâncias do Langflow diretamente na internet, especialmente em ambientes de POC ou “shadow AI”.
  • Deployments que combinam Langflow com serviços de storage MinIO e bancos Postgres sem segregação de rede.
  • Arquiteturas em nuvem baseadas em Alibaba Nacos com chaves JWT default não rotacionadas.
  • Ambientes onde chaves de API, tokens de nuvem e secrets ficam armazenados em texto puro em variáveis de ambiente ou arquivos de configuração acessíveis pelo processo do Langflow.

Análise

Este caso é a materialização daquilo que analistas vêm sinalizando há pelo menos um ano: a barreira de entrada para operações de ransomware está descendo do “atacante capacitado” para o “modelo capacitado”. O JadePuffer não precisou de um operador humano acompanhando cada etapa do ataque; precisou de uma instância do Langflow exposta, de um LLM disponível e de um objetivo bem descrito. O resto foi decidido pelo modelo em tempo de execução.

Isso muda a economia da defesa de duas formas. Primeiro, campanhas oportunistas contra infraestrutura negligenciada — Langflow expostos, Nacos com defaults, MinIO sem autenticação — passam a ser triviais de escalar. Segundo, o tempo médio entre acesso inicial e ação sobre objetivos tende a cair drasticamente, porque a orquestração deixa de depender do fuso horário do operador. Para times de segurança, isso significa que a janela entre “temos um alerta” e “temos um incidente” pode passar de horas para minutos.

É também um recado direto para quem gerencia projetos de IA: o Langflow, como qualquer framework LLM, é uma superfície de ataque de primeira classe. Ela merece o mesmo rigor operacional aplicado a servidores de banco de dados ou APIs de pagamento — não o tratamento de “ferramenta interna experimental” que muitas equipes ainda dão a instâncias de dev.

Recomendações práticas

  • Atualize imediatamente todas as instâncias de Langflow para a versão mais recente e verifique se o CVE-2025-3248 foi mitigado.
  • Nunca exponha o Langflow diretamente na internet — coloque atrás de um proxy autenticado, ZTNA ou VPN corporativa.
  • Trate a instância como perímetro sensível: aplique WAF, rate limiting e monitoramento de execução de código anômalo.
  • Remova credenciais de nuvem e chaves de API do ambiente do Langflow — use um secret manager (AWS Secrets Manager, HashiCorp Vault, GCP Secret Manager) com autenticação por identidade da carga.
  • Rotacione a chave JWT default do Nacos em toda instância — essa é uma das primeiras coisas que atacantes verificam ao encontrar o serviço.
  • Habilite logging profundo (execução de comandos, syscalls, egress DNS) em servidores que hospedam frameworks LLM; assinaturas baseadas em “atacante humano” perdem sinal contra LLMs que narram suas próprias ações.
  • Inclua “shadow AI” no inventário oficial de ativos: qualquer Langflow, LangChain, LlamaIndex ou n8n rodando em sombra representa risco de perímetro invisível.
  • Simule cenários de ataque agentico em exercícios de red team — a curva de aprendizado dos atacantes é acentuada e a sua não pode ficar para trás.

Fonte: SecurityWeek

TheNinja

Recent Posts

Google mede contextualidade quântica em até 105 qubits no Willow

Publicado na Science, o experimento ganha o jogo do quadrado mágico em 98,30% das rodadas,…

10 horas ago

BlockJack desvia o cache KV do vLLM entre inquilinos diferentes

Preprint de seis universidades mostra que corromper um único registro da tabela de blocos faz…

10 horas ago

SCKit abusa do ScreenConnect para atacar sessões de técnicos

A Microsoft confirmou a campanha relatada pela ConnectWise e detalhou um kit que inverte o…

10 horas ago

F5 libera hotfixes de emergência para cinco falhas críticas no BIG-IP

Os avisos publicados em 18 de novembro atribuem CVSS 4.0 de 9,3 a cinco estouros…

10 horas ago

Ataque recupera texto exato no aprendizado federado

Preprint do BITS Pilani Goa mostra um cliente comum reconstruindo frases exatas de outros participantes…

1 dia ago

Agile Deliberation: Google treina IA em conceitos subjetivos

Framework do Google Research trata a construção de classificadores subjetivos como conversa iterativa: delimita subconceitos…

1 dia ago