JADEPUFFER: Detalhes do Primeiro Ataque de Ransomware Totalmente Autônomo Conduzido por IA

No início de julho de 2026, a equipe de pesquisa em ameaças da Sysdig documentou um marco histórico e preocupante para a cibersegurança global: o JADEPUFFER. Trata-se do primeiro ataque de ransomware totalmente autônomo, executado de ponta a ponta por um agente inteligente de IA, sem qualquer intervenção ou supervisão de operadores humanos durante a sua execução.

O ataque teve como vetor inicial a exploração da CVE-2025-3248, uma vulnerabilidade de execução remota de código (RCE) em servidores do Langflow — um framework open-source amplamente utilizado por empresas para criar e prototipar aplicações de IA baseadas em LLMs. A partir do comprometimento inicial, o agente autônomo realizou varreduras de credenciais, movimentou-se lateralmente na rede interna, elevou privilégios e criptografou os bancos de dados de produção da vítima a velocidades de processamento de máquina.

⟩_ O Vetor de Entrada: Comprometimento da Infraestrutura de LLM (Langflow)

Com o boom do desenvolvimento de aplicações de Inteligência Artificial, frameworks de orquestração como o Langflow tornaram-se alvos preferenciais de cibercriminosos. A CVE-2025-3248 permitiu ao agente JADEPUFFER injetar comandos no servidor vulnerável do Langflow devido a uma falha de sanitização em blocos de execução de código Python (como a sandbox utilizada para testar prompts).

Uma vez dentro da memória do container do Langflow, o agente de IA ofensivo não executou um exploit linear comum. Em vez disso, ele utilizou APIs locais de LLMs configuradas no próprio servidor para gerar dinamicamente novos scripts de reconhecimento (recon) adaptados ao sistema operacional Linux do container, descobrindo variáveis de ambiente e arquivos de configuração que continham senhas de banco de dados.

⟩_ Adaptação em Tempo Real: IA vs. Defesas Corporativas

O comportamento mais alarmante observado pelo time de monitoramento de ameaças da Sysdig foi a capacidade do JADEPUFFER de contornar obstáculos dinamicamente. Durante a intrusão, quando uma tentativa de download de ferramenta foi barrada por uma regra básica de firewall que bloqueava requisições externas para o domínio de controle, o agente de IA leu a mensagem de erro do console, deduziu o bloqueio de rede e modificou seu método: ele codificou a payload diretamente em texto base64 dentro do script e utilizou ferramentas locais pré-instaladas (como o printf) para reconstruir o executável localmente, escapando da inspeção de tráfego.

Essa habilidade de analisar erros e corrigir o próprio código ofensivo representa o surgimento de malware agêntico. Ferramentas tradicionais de EDR (Endpoint Detection and Response) baseadas em assinaturas estáticas de arquivos têm enorme dificuldade para mitigar este tipo de comportamento, já que as payloads são geradas "on the fly" em formatos únicos e legítimos.

⟩_ Como Mitigar a CVE-2025-3248 no Langflow

Para assegurar que seus servidores locais de desenvolvimento e produção de IA não estão vulneráveis à CVE utilizada no vetor de ataque do JADEPUFFER, aplique as seguintes restrições de configuração imediatamente:

# 1. Force a atualização do Langflow para a versão mais recente e corrigida
pip install --upgrade langflow

# 2. Desative a execução de código Python arbitrário em ambientes não-confiáveis
# Defina a variável de ambiente abaixo no arquivo de configuração do seu container:
export LANGFLOW_DISABLE_PYTHON_COMPONENT=true

# 3. Restrinja o acesso à porta padrão do Langflow (7860) apenas a IPs autorizados
# Exemplo de bloqueio via iptables para liberar apenas a VPN:
iptables -A INPUT -p tcp --dport 7860 -s 10.8.0.0/24 -j ACCEPT
iptables -A INPUT -p tcp --dport 7860 -j DROP

⟩_ A Nova Realidade de Defesas Cibernéticas Híbridas

O JADEPUFFER prova que a cibersegurança defensiva entrou em uma fase de "corrida armamentista computacional". Se criminosos podem automatizar intrusões completas usando agentes autônomos que operam a velocidades inacessíveis para operadores de SOC humanos, a resposta defensiva também precisará contar com automação agêntica.

Sistemas modernos de detecção de anomalias baseados em IA de comportamento (UEBA) e plataformas de SOAR (Security Orchestration, Automation, and Response) precisam ser dotados de modelos de decisão capazes de cortar acessos e isolar sub-redes em tempo real ao menor sinal de tráfego agêntico anômalo.