Platform utama Ruflo AI mengandungi kecacatan kritikal – CVE-2026-59726 – yang mencatatkan skor sempurna 10.0 pada Common Vulnerability Scoring System, bermakna penyerang tanpa pengesahan boleh melaksanakan kod rawak pada mana-mana deployment.

Pepijat ini berpunca daripada cara kontena Docker Ruflo mendedahkan jambatan (bridge) Model Context Protocol (MCP). Dengan mengikat port jambatan tersebut kepada setiap antara muka rangkaian, perkhidmatan tersebut boleh dicapai dari mana-mana sahaja di internet. Sebaik sahaja pelaku berniat jahat menghubungi port yang terbuka, mereka boleh mengambil alih kontena jambatan, merampas model asas, dan mengeluarkan arahan seolah-olah mereka adalah komponen yang dipercayai.

Mengapa kecacatan ini penting

  • Mencuri rahsia – jambatan tersebut mempunyai akses terus kepada kunci API Large Language Model (LLM) yang menggerakkan enjin inferens Ruflo. Penyerang yang merampas kunci tersebut boleh menjalankan pertanyaan tanpa had atas tanggungan mangsa.
  • Membaca sembang peribadi – perbualan pengguna yang biasanya kekal di dalam memori model menjadi boleh dibaca, mendedahkan data perniagaan atau peribadi yang berpotensi sensitif.
  • Meracun memori AI – penyerang boleh menyuntik data berniat jahat ke dalam memori jangka panjang model. Walaupun selepas pelanggaran telah ditampal (patched), keadaan yang telah diracun boleh berterusan, menyebabkan AI berkelakuan tidak betul atau menghasilkan output yang berat sebelah.

Peracunan memori adalah sangat berbahaya kerana kerosakannya berlarutan lebih lama daripada eksploitasi awal; membaiki kod sahaja tidak mencukupi untuk membersihkan keadaan model yang telah rosak.

Langkah segera untuk pengendali

  1. Naik taraf – beralih ke Rufio AI versi 3.16.3, yang menyahaktifkan pengikatan (binding) yang tidak selamat dan menambah pengasingan rangkaian yang lebih ketat.
  2. Putar kredensial – jana kunci API LLM baharu dan batalkan kunci lama untuk memutuskan sebarang token yang telah dicuri.
  3. Audit deployment – imbas log untuk trafik MCP yang tidak dijangka, cari kontena tidak dikenali yang berjalan pada port yang terdedah, dan sahkan bahawa tiada perubahan tanpa kebenaran dilakukan pada memori model.

Gambaran yang lebih luas

Ruflo AI telah memposisikan dirinya sebagai penyelesaian utama bagi perusahaan yang memerlukan model bahasa on-premise. Kerentanan ini menjejaskan janji tersebut, memberi ruang kepada pesaing untuk menyokong alternatif yang lebih kukuh. Bagi pelanggan, kosnya bukan sekadar naik taraf perisian; ia adalah potensi pelanggaran data, kehilangan kepercayaan, dan kos untuk membersihkan model AI yang telah diracun.

Beberapa penganalisis keselamatan menyatakan bahawa isu ini hanya muncul apabila konfigurasi Docker lalai dibiarkan tanpa perubahan, menunjukkan bahawa pasukan operasi yang tekun sepatutnya dapat mengelakkannya. Walaupun kebersihan konfigurasi sentiasa disyorkan, hakikat bahawa satu kesilapan kecil membuka vektor pelaksanaan kod jauh (remote-code-execution) sepenuhnya menjadikan risiko ini terlalu tinggi untuk dianggap sebagai "sekadar tetapan yang buruk."

Perkara yang perlu diperhatikan

  • Ikuti nasihat keselamatan Ruflo untuk sebarang tampalan susulan yang menangani pencemaran memori sisa.
  • Pantau forum komuniti untuk laporan eksploitasi yang berlaku secara meluas.
  • Pertimbangkan untuk memasang tembok api (firewall) rangkaian yang menyekat akses luaran ke jambatan MCP, walaupun kontena telah dikonfigurasikan dengan betul.

Kesimpulannya: kerentanan dengan skor sempurna dalam platform AI yang digunakan secara meluas memerlukan naik taraf segera, putaran kredensial, dan bedah siasat (post-mortem) yang menyeluruh terhadap setiap deployment yang terjejas. Mengabaikannya akan mengundang kecurian data, pelanggaran privasi, dan AI yang terjejas yang mungkin tidak akan kembali ke tingkah laku asalnya.