Инцидент безопасности: отчет об атаке в июле 2026 года

Наша команда зафиксировала факт несанкционированного доступа к ограниченному набору внутренних наборов данных, а также к нескольким учетным данным, используемым нашими сервисами. В настоящее время мы завершаем комплексную оценку того, были ли затронуты данные наших партнеров или пользователей. В случае обнаружения таких фактов, мы оперативно свяжемся с пострадавшими сторонами напрямую. На данный момент у нас нет свидетельств того, что публичные модели, датасеты или пространства (Spaces), с которыми взаимодействуют пользователи, подверглись каким-либо изменениям. Наша цепочка поставок программного обеспечения, включая образы контейнеров и опубликованные пакеты, также прошла проверку и была признана чистой.

Вектор атаки: использование уязвимостей в конвейере обработки данных

Вторжение началось там, где ИИ-платформы наиболее уязвимы — в конвейере обработки данных. Злоумышленники использовали вредоносный датасет для эксплуатации двух путей выполнения кода: загрузчика удаленных наборов данных и инъекции шаблонов в конфигурацию набора данных. Это позволило им запустить собственный код на узле обработки. Получив доступ на уровне узла, злоумышленники собрали облачные учетные данные и токены кластера, после чего в течение выходных дней совершили горизонтальное перемещение по нескольким внутренним кластерам. Кампания осуществлялась с помощью фреймворка автономных агентов. Судя по всему, он был построен на базе системы для исследования безопасности, а действия выполнялись через тысячи кратковременных «песочниц» с использованием командно-контрольных серверов, развернутых на публичных облачных ресурсах. Этот инцидент стал наглядным подтверждением сценария «автономного атакующего», о котором эксперты предупреждали долгое время.

Меры реагирования и устранение последствий

Мы предприняли ряд критических шагов для обеспечения безопасности:

• Устранены первоначальные уязвимости: пути выполнения кода, которые использовались для проникновения, полностью закрыты.
• Ликвидировано присутствие злоумышленников во всех затронутых кластерах, скомпрометированные узлы были пересобраны с нуля.
• Все скомпрометированные учетные данные и токены были аннулированы, запущена процедура масштабной ротации секретов.
• Внедрены дополнительные защитные механизмы и ужесточен контроль доступа к нашим кластерам.
• Усовершенствованы системы обнаружения и оповещения, чтобы критические сигналы поступали к ответственным сотрудникам в течение нескольких минут в любое время суток.

Мы работаем с внешними специалистами по киберфорензике для всестороннего расследования инцидента и пересмотра наших внутренних процедур безопасности. Соответствующие уведомления также направлены в правоохранительные органы. В качестве меры предосторожности мы рекомендуем пользователям произвести ротацию своих токенов доступа и изучить историю активности в своих аккаунтах. Если вы полагаете, что затронуты данным инцидентом, или хотите сообщить о подозрительной активности, пишите на security@huggingface.co.

Роль ИИ в защите и анализе инцидентов

Атака была выявлена благодаря алгоритмам ИИ-мониторинга. Наш конвейер обнаружения аномалий использует LLM для классификации данных телеметрии безопасности, что позволяет отделять реальные угрозы от повседневного «шума». Именно корреляция этих сигналов позволила распознать взлом. Для анализа действий «роя» из десятков тысяч автоматизированных запросов мы применили специализированные ИИ-агенты, которые обработали более 17 000 зафиксированных событий. Это позволило нам в сжатые сроки восстановить хронологию, выявить индикаторы компрометации и отделить реальные вредоносные действия от отвлекающих маневров. Благодаря этому мы выполнили работу за несколько часов, тогда как традиционные методы потребовали бы нескольких дней.

При выборе инструментов для анализа мы столкнулись с неожиданным препятствием. Первоначальные попытки использовать популярные фронтирные модели через коммерческие API провалились: защитные фильтры провайдеров блокировали анализ реальных эксплойтов и артефактов атаки, принимая их за вредоносный контент. В итоге мы использовали модель с открытыми весами zai-org/GLM-5.2, развернутую на нашей собственной инфраструктуре. Это обеспечило дополнительное преимущество: данные об атаке и учетные данные не покинули наш периметр безопасности. Данный опыт указывает на необходимость подготовки к подобным ситуациям заранее: специалисты должны иметь возможность использовать модели, запущенные на своей инфраструктуре, чтобы избежать ограничений облачных фильтров. Автономное кибероружие на базе ИИ больше не является теоретической угрозой — оно работает на машинных скоростях и снижает стоимость сложных кампаний. Теперь защита платформы требует восприятия данных и ИИ-моделей как полноценной поверхности атаки, а также активного использования ИИ-инструментов в защите для сохранения паритета со злоумышленниками.

Источник: huggingface.co