Infrastruktur AI memperkenalkan risiko keamanan baru yang tidak pernah ditangani oleh desain data center tradisional. Lava Labs menerbitkan laporan tentang 10 risiko keamanan teratas untuk data center AI dan infrastruktur AI, menyimpulkan bahwa fasilitas ini dibangun lebih cepat dari yang bisa diamankan.
APA YANG TERJADI?
Permintaan akan AI mendorong pertumbuhan pesat pembangunan data center AI. Bahayanya adalah pihak yang membangun data center tipe baru ini dengan kecepatan tinggi tidak memahami perbedaan antara data center tradisional dan data center AI. Data center tradisional pada dasarnya adalah gudang pemrosesan data yang melayani klien yang diketahui. Data center AI lebih menyerupai pabrik komputasi berdaya tinggi yang melayani klien yang lebih besar dan tidak dikenal. Data center tradisional bisa terdiri dari serangkaian server independen, sementara data center AI harus berfungsi sebagai satu mesin yang mampu pemrosesan paralel masif untuk menangani permintaan komputasi yang jauh lebih besar.
Lava Labs menyimpulkan bahwa kedua data center tradisional dan AI membawa risiko yang sebagian besar sama, namun AI mengubah eksploitabilitas dan blast radius mereka: “Sistem yang awalnya dirancang untuk operator terpercaya sekarang mendukung workload multi-tenant bernilai tinggi dari pelanggan yang tidak berhubungan.”
DETAIL TEKNIS
Lava Labs mengidentifikasi 10 risiko keamanan teratas dengan kode FORGE (karena tujuannya adalah menguatkan logam di bawah model): Forge 01: kompromi integritas firmware dan hardware, Forge 02: kerentanan network dan interconnect, Forge 03: isolasi multi-tenant dan reuse resource yang tidak aman, Forge 04: management plane out-of-band yang tidak aman, Forge 05: kompromi supply chain infrastruktur AI, Forge 06: sistem manajemen fasilitas dan data center yang tidak aman, Forge 07: penanganan data dan artifact yang tidak aman, Forge 08: gap sertifikasi dan kegagalan transparansi provider, Forge 09: layanan infrastruktur operasional yang tidak aman, dan Forge 10: gap embargo vendor dan kegagalan patch velocity.
Risiko 01 hingga 05 beroperasi di bawah operating system, sulit dideteksi, dan memiliki blast radius berskala cluster. Risiko 06 hingga 09 umumnya lebih mudah dideteksi dan dipulihkan. Risiko 10 paling mudah dideteksi dan diremediasi, serta paling kecil kemungkinannya menyebabkan kompromi tenant yang kritis. Risiko yang timbul karena sifat AI yang menghancurkan model kepercayaan dasar data center tradisional, termasuk GPU clusters yang padat yang memerlukan stack firmware kompleks, ketergantungan pada high performance fabrics seperti InfiniBand dan NVLink yang sering tidak terenkripsi, serta konsentrasi operational privilege yang berat pada BMC automation dan orchestration systems.
DAMPAK TERHADAP INDONESIA
Indonesia sedang dalam tahap awal pengembangan infrastruktur data center AI, dengan beberapa inisiatif dari hyperscaler global seperti Google, Microsoft, dan AWS yang berencana membangun fasilitas di Indonesia. Namun, risiko keamanan yang diidentifikasi oleh Lava Labs sangat relevan karena banyak data center Indonesia mungkin menggunakan desain tradisional tanpa mempertimbangkan kebutuhan keamanan AI yang unik. Kementerian Kominfo dan BSSN perlu mengembangkan standar keamanan khusus untuk data center AI yang mempertimbangkan 10 risiko FORGE ini, termasuk audit firmware integrity, monitoring high performance network fabrics, dan penerapan isolasi multi-tenant yang ketat. PDP Law juga mewajibkan perlindungan data yang diproses di infrastruktur AI ini, yang berarti gap keamanan bisa memiliki konsekuensi hukum yang signifikan.
REKOMENDASI MITIGASI
Organisasi yang membangun atau menggunakan infrastruktur data center AI harus menerapkan pendekatan keamanan yang berbeda dari data center tradisional. Pastikan firmware integrity verification pada semua GPU nodes dan implementasikan hardware root of trust. Monitor dan enkripsi high performance network fabrics termasuk InfiniBand dan NVLink. Terapkan isolasi multi-tenant yang ketat dengan pemisahan resource yang efektif, terutama untuk GPU yang dibagi antar-tenant. Implementasikan secure boot chain pada semua komponen infrastructure. Lakukan assessment supply chain untuk processor dan komponen AI, serta pastikan patch velocity yang memadai untuk firmware dan driver kritis.
Analisa Retasan
Laporan FORGE dari Lava Labs menyoroti paradoks fundamental dalam adopsi AI: permintaan akan kapabilitas AI tumbuh lebih cepat dari kemampuan industri untuk mengamankannya. Risiko terparah (Forge 01-05) beroperasi di below-the-OS layer yang sulit dideteksi oleh security tools konvensional, menciptakan blind spot yang signifikan. Ini mengingatkan pada pelajaran dari Rowhammer attacks (2015) yang mengeksploitasi physical properties DRAM melalui software, menunjukkan bahwa trust boundary di hardware level tidak selalu bisa diandalkan. Untuk AI data center yang menangani workload multi-tenant dengan GPU bernilai tinggi, risiko seperti GPU side-channel attacks dan inter-tenant data leakage menjadi sangat nyata. Blast radius yang cluster-wide berarti kompromi satu GPU node bisa mengekspos data dari banyak tenant sekaligus, dengan konsekuensi yang jauh lebih besar dibandingkan kompromi server tunggal di data center tradisional.
Dari sudut pandang teknis, ketergantungan pada high performance fabrics yang tidak terenkripsi (InfiniBand, RoCE, RDMA) menunjukkan trade-off antara performance dan security yang belum terselesaikan. Protokol-protokol ini dirancang untuk latensi ultra-rendah dalam AI training clusters, namun lack of encryption memungkinkan lateral movement dan data sniffing antar-node. Ini seperti membangun jalan raya berkecepatan tinggi tanpa kamera pengawas atau checkpoints. Konsentrasi operational privilege pada BMC automation dan orchestration systems juga menciptakan single point of failure yang kritis: kompromi orchestration layer bisa memberikan akses ke seluruh cluster, termasuk ability untuk memindahkan workloads antar-tenant atau mengeksekusi kode arbitrer pada GPU nodes. Untuk industri cloud Indonesia yang sedang berkembang, ini berarti perlu investasi signifikan dalam security architecture yang belum banyak diimplementasikan di region ini.
Sumber: SecurityWeek – AI Data Centers Are Being Built Faster Than They Can Be Secured
