Por Canuto  

Un informe de SemiAnalysis identificó vulnerabilidades entre inquilinos en 32 clústeres de 25 proveedores Neocloud, con fallas que permitieron pruebas de ejecución remota de código y expusieron a organizaciones de alto perfil. El análisis sostiene que el problema no proviene de nuevos riesgos creados por la IA, sino de prácticas básicas de seguridad que la industria todavía no aplica de forma consistente.
***

  • SemiAnalysis halló incidentes de ejecución remota de código entre inquilinos durante una evaluación de cuatro meses a 25 proveedores y 32 clústeres.
  • Las fallas incluyeron planos de control de Kubernetes compartidos, escapes de contenedores, redes BMC/IPMI expuestas y claves mal configuradas.
  • El informe cuestiona que la IA haya acelerado significativamente la aparición de vulnerabilidades y recomienda reforzar parches, aislamiento y monitoreo.

Una revisión amplia de la infraestructura Neocloud

La infraestructura Neocloud ofrece capacidad especializada para entrenar y ejecutar modelos de inteligencia artificial sin que cada empresa tenga que construir sus propios centros de datos. Ese modelo depende de que varios clientes compartan recursos físicos, redes, aceleradores y herramientas de administración, por lo que el aislamiento entre inquilinos se convierte en una condición esencial de seguridad. Cuando una cuenta puede observar o afectar los recursos de otra, un problema operativo deja de ser local y puede transformarse en una brecha de alcance mucho mayor.

SemiAnalysis, firma independiente de investigación especializada en semiconductores e inteligencia artificial, publicó un informe de seguridad basado en la fase de pruebas ClusterMAX 3. El trabajo examinó durante cuatro meses a 25 proveedores y 32 clústeres, y documentó múltiples incidentes de ejecución remota de código entre inquilinos mediante vulnerabilidades conocidas públicamente y comprobaciones básicas de configuración. La conclusión central apunta a deficiencias elementales de arquitectura y mantenimiento, más que a una clase completamente nueva de ataques impulsados por IA.

Entre las entidades potencialmente expuestas aparecieron bancos, empresas de telecomunicaciones, universidades, instituciones de investigación, laboratorios de IA e incluso una agencia nacional de inteligencia. La diversidad de organizaciones afectadas amplía la relevancia del hallazgo, porque muestra que el riesgo no se limita a compañías pequeñas o a proveedores sin experiencia. En todos esos entornos, una separación insuficiente entre clientes puede convertir una infraestructura compartida en un punto de entrada hacia datos, herramientas y sistemas administrativos.

El informe no presenta la computación Neocloud como inherentemente insegura, pero sí advierte que su crecimiento puede ocultar controles débiles detrás de una apariencia de sofisticación tecnológica. Las GPU, las redes de alta velocidad y las plataformas de orquestación permiten ejecutar cargas de trabajo avanzadas, aunque no sustituyen la gestión de parches, la segmentación de redes ni la revisión de privilegios. Para los clientes, la promesa de capacidad de IA debe evaluarse junto con la forma en que el proveedor separa y supervisa cada entorno.

Los puntos débiles encontrados en los clústeres

Una de las fallas comunes fue el uso de planos de control de Kubernetes compartidos, una práctica que puede permitir visibilidad de metadatos entre inquilinos. Kubernetes coordina contenedores y servicios, de modo que una exposición en su capa de administración puede revelar información sobre cargas de trabajo, configuraciones o recursos de otros clientes. SemiAnalysis también identificó escapes de contenedores, capaces de permitir que un proceso supere los límites previstos y alcance componentes del sistema anfitrión o del clúster.

El análisis señaló además redes de gestión BMC/IPMI expuestas, interfaces que permiten administrar servidores de forma remota y que resultan especialmente sensibles cuando quedan accesibles desde segmentos inadecuados. En entornos InfiniBand, el equipo encontró configuraciones deficientes de las claves P_Key, SA_Key y M_Key, utilizadas para controlar particiones, servicios y administración de la red. Una protección incompleta en esas capas puede afectar la separación de tráfico y otorgar a un usuario más visibilidad o capacidad de intervención de la que debería tener.

La lista incluyó modos de confianza predeterminados sin reforzar en las unidades de procesamiento de datos BlueField, así como paneles de monitoreo de Grafana que utilizaban claves API privilegiadas. También se observó la falta de aislamiento VXLAN en redes frontales, lo que puede facilitar que el tráfico de distintos clientes comparta rutas o superficies de ataque innecesarias. Cada problema tiene un origen técnico diferente, pero todos comparten una consecuencia: la frontera entre usuarios se vuelve más débil de lo que el diseño comercial del servicio promete.

El caso más ilustrativo descrito por la firma combinó una configuración compartida y defectuosa de vCluster con software que acumulaba dos años de retraso en actualizaciones. Esa cadena de fallas permitió completar en cuestión de horas una prueba de concepto de ejecución remota de código entre inquilinos, según el informe. La rapidez del resultado no demuestra que todos los proveedores sean igualmente vulnerables, pero sí evidencia cómo varias omisiones conocidas pueden reforzarse entre sí hasta producir un compromiso grave.

La IA no explica por sí sola el problema

El informe también cuestiona la idea de que la adopción de modelos de codificación haya cambiado fundamentalmente el ritmo de la ciberseguridad. Para examinar esa hipótesis, SemiAnalysis revisó estadísticas de vulnerabilidades CVE relacionadas con controladores de GPU de NVIDIA, CUDA, PyTorch, Kubernetes, Docker y el kernel de Linux. En la mayoría de los conjuntos de datos, la firma concluyó que no podía rechazarse la hipótesis nula de que no había ocurrido ningún cambio significativo.

Ese resultado no significa que los sistemas de IA carezcan de capacidad para ayudar a descubrir, explotar o corregir vulnerabilidades. Indica, más precisamente, que los datos citados en el informe no muestran un aumento significativo de fallas después de que los modelos de codificación comenzaran a incorporarse con mayor amplitud. La diferencia importa porque desplaza el foco desde una explicación tecnológica general hacia decisiones concretas sobre actualización, segmentación, credenciales y diseño de los servicios.

Durante la construcción de validaciones de prueba de concepto para vulnerabilidades existentes, el equipo encontró limitaciones en varios modelos comerciales. Claude Fable y GPT-5.6 Sol rechazaron con frecuencia solicitudes vinculadas con seguridad, por lo que los investigadores recurrieron principalmente a modelos de código abierto como DeepSeek V4, Kimi K3 y GLM-5.2. El informe presenta esa experiencia como una observación práctica sobre las barreras de uso de las herramientas, no como una prueba de que un modelo específico sea responsable de las fallas descubiertas.

La investigación también detalló un incidente relacionado con un agente de entrenamiento de OpenAI y Hugging Face, en el que se habría producido una escalada de privilegios a nivel de clúster mediante una cadena de vulnerabilidades. Sin embargo, la información pública disponible sobre el episodio indica que el incidente de seguridad se abrió el 5 de julio; no permite sostener que la brecha persistiera de mayo a julio ni confirmar todos los mecanismos descritos inicialmente. OpenAI afirmó que bloqueó una ruta conocida de escalada de privilegios y retiró credenciales expuestas. El episodio refuerza la advertencia de que los componentes auxiliares de una cadena de desarrollo pueden abrir caminos hacia sistemas centrales cuando las identidades y los permisos no están debidamente aislados.

Qué deberían revisar los proveedores y sus clientes

La tesis de SemiAnalysis es que el problema central de la industria Neocloud no consiste en riesgos inéditos introducidos por la inteligencia artificial. La firma atribuye la exposición a una ausencia prolongada de prácticas fundamentales, entre ellas la gestión de parches, el aislamiento entre inquilinos y la construcción de arquitecturas seguras. Bajo esa lectura, el crecimiento de la demanda de cómputo para IA está ampliando el impacto potencial de errores antiguos, pero no necesariamente creando una dinámica nueva de vulnerabilidades.

Una prioridad consiste en implementar sistemas automatizados que vigilen los avisos de seguridad y relacionen cada actualización con los componentes instalados en los clústeres. La ausencia de parches durante dos años, como en el caso citado por el informe, convierte vulnerabilidades públicas en oportunidades accesibles para atacantes con conocimientos básicos. Automatizar el inventario, la evaluación de versiones y la respuesta puede reducir el intervalo entre la publicación de un defecto y su corrección efectiva.

Los proveedores también deberían revisar las arquitecturas donde un único punto de falla pueda exponer a todos los usuarios. Esa auditoría debe abarcar planos de control, contenedores, redes frontales, interfaces BMC/IPMI, claves InfiniBand, unidades BlueField, herramientas de monitoreo y servicios de distribución de software. No basta con comprobar que cada componente funciona por separado, porque la prueba de concepto descrita por SemiAnalysis surgió precisamente de la combinación de varias configuraciones débiles.

Para los clientes, la seguridad debe formar parte de la evaluación contractual y técnica de un proveedor Neocloud, junto con el precio, la disponibilidad de GPU y el rendimiento de las redes. Las organizaciones pueden solicitar información sobre aislamiento por inquilino, frecuencia de parches, manejo de credenciales privilegiadas, segmentación administrativa y procedimientos de respuesta ante incidentes. La investigación deja una advertencia clara: una plataforma diseñada para cargas de IA avanzadas sigue dependiendo de controles básicos que no pueden delegarse únicamente a la complejidad del software.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados