Кампании LLMjacking используют скомпрометированные корпоративные облачные учётные данные для запуска рабочих нагрузок моделей за счёт жертвы. Сообщаемые счета достигают $100 000 в день, а Google связал один случай с примерно $1 млн расходов на облачный AI. Атаки не эксплуатируют сами модели; они злоупотребляют действительными учётными данными для выделения мощностей под inference, из-за чего возникшие расходы выглядят как обычное использование вплоть до прихода счёта.
Для инженерных команд операционный вывод состоит в том, что потребление токенов должно находиться в конвейере security-телеметрии наряду с логами аутентификации и аудиторскими журналами API. Объём inference — один из немногих сигналов, который меняется немедленно при злоупотреблении учётными данными, и он уже собирается для биллинга. Сопоставление расходов токенов по ключам с идентичностью вызывающей стороны, географией и временем суток даёт поверхность обнаружения, не зависящую от инструментов атакующего.
В материале не уточняется, какие облачные провайдеры или эндпоинты моделей пострадали помимо случая, связанного с Google, а также как изначально были получены учётные данные. Также неясно, представляют ли сообщаемые цифры отдельные инциденты или агрегированные данные. Студиям, эксплуатирующим агентные системы, следует относиться к ключам доступа к моделям как к production-секретам: ограничивать их область действия по рабочим нагрузкам, ротировать их, устанавливать лимиты расходов на ключ и оповещать об аномалиях потребления, не дожидаясь финансового аудита.