ESET alerta sobre principales ataques a modelos de IA

Los modelos de IA son objetivos valiosos para los cibercriminales debido a la gran cantidad de información que manejan y su creciente uso en diversas industrias.

Fabiana Ramírez, investigadora de seguridad informática de ESET LATAM. Foto: cortesía. Portal ERP LATAM .

En este contexto, ESET, alerta que los ataques a los modelos de IA varían desde el robo de propiedad intelectual, filtrado de información -e incluso su manipulación para generar resultados erróneos, sesgados-, hasta la utilización de su infraestructura para propósitos maliciosos como, por ejemplo, el uso de servidores comprometidos para comandar redes de bots o ataques similares.

Existe una gran variedad de ejemplos de vulnerabilidades a modelos de IA. Algunos muy destacados como el de Tay de Microsoft, donde en el año 2016 un chatbot de IA fue manipulado por usuarios para aprender y replicar discursos de odio en menos de 24 horas. Por otro lado, el ataque a GPT-3/OpenAI, donde se identifican intentos de extracción de información confidencial de modelos de OpenAI, consultas o solicitudes específicas que inducían a revelar datos sensibles utilizados en su entrenamiento.

Te puede interesar: Cerca del 70 % de las organizaciones siguen sufriendo ciberataques: Veeam

"Los ataques dirigidos ya han puesto foco en modelos de IA, su funcionamiento e infraestructura. La seguridad debe abordarse desde una perspectiva integral, protegiendo todas las capas del funcionamiento de esta tecnología, partiendo de datos de entrenamiento, implementación del modelo y luego posteriores fases de acceso o interacción con este", comenta Fabiana Ramírez Cuenca, Investigadora de seguridad informática de ESET Latinoamérica.

Para comprender cómo la IA podría ser objetivo de ataque, el equipo de investigación de ESET desgrana algunos de sus elementos básicos expuestos y sus vulnerabilidades. Entro lo destacado, se encuentran los datos, todos los modelos son alimentados con datos de entrenamiento que deben tener calidad y confiabilidad para garantizar el correcto funcionamiento de la tecnología. Estos datos podrían ser vulnerables y un ciberatacante podría introducir algunos de tipo malicioso y de esa manera manipular el comportamiento o las salidas del modelo.

Por otro lado, están las APIS (Application Programming Interface) que al estar expuestas también se pueden intervenir para manipular el modelo o extraer información sensible, y la estructura interna del modelo, incluidos sus algoritmos, podrían ser susceptibles a ataques adversariales o extracción de información confidencial. Finalmente, los servidores, fuera de ataques al funcionamiento del modelo en sí, este se podría ver afectado en caso de que los servidores o bases de datos donde se almacene su información o se procese el modelo sean blanco de diversos ataques que interrumpan el sistema.

Una vez que se identifican elementos básicos, ESET comparte los principales ataques contra modelos de IA:

• Data Poisoning (Envenenamiento de Datos): consiste en la manipulación de los datos de entrenamiento con el objetivo de alterar el comportamiento del modelo.

• Ataques Adversariales : se generan inputs o entradas manipuladas de manera casi imperceptible para los humanos, pero que inducirán errores en el modelo. Por ejemplo, la manipulación de imágenes para hacer que un modelo de reconocimiento facial confunda identidades.

• Control del Modelo y Explotación : los cibercriminales toman el control del modelo durante su producción aprovechándolo con distintos fines como ejecución de otros ataques. Por ejemplo, una denegación de servicio aprovechando para generar comando y control (C&C) e incluso mezclarlo con bots.

• Inversión de Modelo : el objetivo es inferir y obtener información sensible a partir de las predicciones del modelo. Por ejemplo, en modelos que identifican datos faciales se podría llegar reconstruir los rostros originales tomando como base los resultados del modelo frente a ciertas peticiones.

• Extracción de Modelo: En este tipo de ataque se envían diferentes consultas al modelo para luego analizar las salidas con el objeto de entender y reconstruir su estructura interna, así como su lógica. De esta manera se podría imitar o replicar un modelo sin necesidad de acceso directo al código fuente o datos de entrenamiento.

• Ataque de Evasión : para el caso se modifican las entradas de los modelos con el fin de evadir detección de ciertas actividades o generar una clasificación incorrecta. Se ha utilizado en sistemas de detección de fraudes, por ejemplo, y en modelos de seguridad de tipo antimalware y firewalls basados ??en IA. Los atacantes utilizan códigos maliciosos que pueden generar que el modelo víctima clasifique un archivo como legítimo, por ejemplo, y esto mediante generación de entradas alteradas de forma imperceptible.

• Malware en Infraestructuras : fuera de ataques directos al modelo, estos están sujetos a que sus servidores sean infectados con diferentes clases de malware que podrían interrumpir su operatividad, bloquearlos e incluso lograr filtrar información.