Hugging Face本周披露其检测并遏制了一次生产基础设施入侵事件。该攻击由自主AI Agent系统端到端驱动而防御方则利用其基于AI的法医分析手段进行反击。自主AI Agent攻入生产基础设施攻击者利用Hugging Face数据集处理流程中的两个代码执行漏洞一个远程代码数据集加载器以及数据集配置中的模板注入漏洞。一旦进入某个处理工作节点攻击者便将权限提升至节点级别窃取了云与集群凭据并在一个周末内于多个内部集群间横向移动。此次未授权访问波及了少量内部数据集和服务凭据。不过Hugging Face未发现公开模型、数据集、Spaces或软件供应链遭到篡改的证据。这起事件反映出一个更广泛的行业趋势。安全厂商Sysdig近期披露了一起名为JADEPUFFER的攻击事件称其为首次完全自主的AI驱动勒索软件行动——该AI Agent独立入侵一台暴露于互联网的服务器横向移动、加密文件并在零人工指令输入的情况下发出勒索赎金要求。此外Check Point《2026年年度AI安全报告》记录了越来越多由AI驱动的实时入侵事件漏洞披露与利用之间的窗口已从天级压缩至小时级。AI防御重建17,000条攻击记录此次攻击的不同之处在于其规模与自主性入侵行动在一群短生存期的沙箱中执行了数千次独立操作使用部署在公共服务上的自迁移命令与控制基础设施——这正是长期预言的“Agent型攻击者”场景。Hugging Face自身的异常检测管道基于大语言模型的安全遥测分类机制最先标记出该入侵事件通过关联那些在日常噪声中易被忽略的信号发现了异常。为从超过17,000条记录的攻击者行为中重建完整的攻击时间线Hugging Face在整个日志上运行了LLM驱动的分析Agent将通常需要数天的工作压缩至数小时。调查中的一个关键发现是商业前沿模型API拒绝处理此次法医分析因其安全护栏无法区分正在提交真实利用载荷与C2工件的事件响应人员和实际攻击者。商业模型护栏暴露攻防不对称为继续调查Hugging Face转而使用运行在自有基础设施上的开放权重模型GLM-5.2。这不仅绕开了商业模型的策略限制也确保攻击者数据和相关凭据不会离开内部环境。这一过程暴露出明显的攻防不对称使用越狱或不受限制模型的攻击者不会受到安全策略限制而依赖托管商业模型的防御者却可能在事件响应和恶意样本分析过程中被拦截。Hugging Face建议用户轮换访问令牌并审查近期账户活动。该事件也表明自主进攻型AI工具正从理论走向实践组织需要提前准备经过验证的自托管AI模型既避免法医分析受限也防止敏感攻击数据外泄。随着数据集、模型和AI Agent逐渐成为新的攻击入口安全团队也需要以AI驱动的检测、分析和响应能力在机器速度层面应对AI驱动的攻击。
找出最大离群值)
