PyPI对可能从AI应用和开发者管道中窃取凭证的行为发出警告。此前,广泛使用的大语言模型Python中间件LiteLLM的两个恶意版本曾短暂发布。
"任何安装并运行该项目的人都应假设LiteLLM环境中的任何凭证可能已被泄露,并应相应地撤销/轮换这些凭证,"PyPI在公告中表示,该事件与正在进行的TeamPCP供应链攻击中被利用的Trivy依赖项有关。
根据Sonatype的分析,这些恶意包嵌入了多阶段载荷,旨在从开发者环境、CI/CD管道和云配置中窃取敏感数据,它们在PyPI上存在约两小时后被下架。
"考虑到该包每天300万次的下载量,受损的LiteLLM在那段短时间内可能产生了重大影响,"Sonatype研究人员在博客文章中表示。除了作为窃取工具外,这些包还充当投递器,能够实现后续载荷和更深层的系统入侵。
此次入侵影响了1.82.7和1.82.8版本。Sonatype的分析指出载荷在三个不同阶段运作,包括初始执行和数据外泄、深度侦察和凭证窃取,最后是建立持久性和远程控制能力。
攻击链大量依赖混淆技术,使用base64编码的Python代码掩盖载荷踪迹。一旦执行,恶意软件会收集敏感数据,使用AES-256-CBC加密,然后用嵌入的RSA公钥保护加密密钥,最后将所有内容发送到攻击者控制的服务器。
这一披露突显了攻击者当前常用的手法。恶意软件不会在安装后立即行动,而是悄悄潜伏以探测环境并建立立足点,然后从本地机器、云配置和自动化管道中提取凭证。
"它(载荷)针对环境变量(包括API密钥和令牌)、SSH密钥、云凭证(AWS、GCP、Azure)、Kubernetes配置、CI/CD密钥、Docker配置、数据库凭证,甚至加密货币钱包,"独立跟踪该攻击活动的Wiz研究人员在博客文章中表示。"我们的数据显示LiteLLM存在于36%的云环境中,表明潜在影响范围广泛。"
Wiz还通过威胁中心为其客户提供了检查环境是否遭受入侵的方法。
LiteLLM事件已确认是快速发展的TeamPCP供应链攻击活动的一部分,该活动首先入侵了Trivy。
Trivy由Aqua Security开发,是一款广泛使用的开源漏洞扫描器,用于识别容器映像、文件系统和基础设施即代码(IaC)配置中的安全问题。这次正在进行的攻击被归因于TeamPCP,据报告与LAPSUS$有关联,攻击者入侵了发布凭证,并将凭证窃取代码注入到官方发布版本和CI/CD管道中使用的GitHub Actions中。
Trivy入侵事件很快引发了类似的供应链事件,攻击者利用相同的访问权限和策略针对其他开发者安全工具,如KICS和Checkmarx,将攻击活动扩展到多个CI/CD生态系统。
PyPI公告将LiteLLM事件直接与Trivy入侵关联。恶意包是"在被利用的Trivy依赖项导致API令牌泄露后"上传的。
Wiz首席研究员Ben Read将此称为需要监控进一步扩展的系统性攻击活动。"我们看到供应链攻击者与LAPSUS$等高知名度勒索团体之间出现了危险的融合,"他说。"通过在生态系统中横向移动——攻击存在于超过三分之一云环境中的liteLLM等工具——他们正在制造雪球效应。"
PyPI已建议用户轮换受影响LiteLLM环境可访问的任何密钥,因为研究人员确认存在主动数据外泄,以及与正在进行的攻击活动相关的云环境可能遭受入侵。
Q&A
Q1:LiteLLM恶意软件事件是怎么回事?
A:LiteLLM是一个广泛使用的大语言模型Python中间件,其1.82.7和1.82.8版本被植入恶意代码,能够从开发者环境、CI/CD管道和云配置中窃取敏感数据,包括API密钥、云凭证、数据库密码等。这些恶意版本在PyPI上存在约两小时,考虑到该包每天300万次下载量,影响范围可能很大。
Q2:TeamPCP供应链攻击是什么?涉及哪些工具?
A:TeamPCP是一个系统性的供应链攻击活动,据报告与LAPSUS$勒索团体有关。攻击首先从Trivy漏洞扫描器开始,然后扩展到LiteLLM、KICS、Checkmarx等多个开发者安全工具。攻击者通过入侵发布凭证,将恶意代码注入官方发布版本和GitHub Actions中。
Q3:如果使用了受影响的LiteLLM版本该怎么办?
A:PyPI建议所有安装并运行过受影响版本的用户立即采取行动:假设所有LiteLLM环境可访问的凭证都可能已被泄露,包括API密钥、云凭证、数据库密码等,需要立即撤销和轮换这些凭证。Wiz还为其客户提供了通过威胁中心检查环境入侵情况的方法。
好文章,需要你的鼓励
Kollmorgen发布NDC布局助手软件工具,专为工厂和仓库中的自动导引车(AGV)及自主移动机器人(AMR)的路线规划与优化而设计。该工具通过分段分析路线,帮助工程师在系统部署前识别瓶颈与低效环节,提供行驶时间、车速及优化潜力等关键数据,并以可视化方式标注问题区域,从而缩短布局设计与验证周期。Kollmorgen表示,该工具未来还将融入AI驱动的优化能力。
这篇由加州大学圣地亚哥分校等六所机构联合发布的综述(arXiv:2605.02913,2026年4月),首次系统梳理了大型语言模型强化学习训练中长期被忽视的轨迹设计问题,提出了GFCR四模块框架(生成、过滤、控制、回放),覆盖数学、代码、多模态和智能代理等多个应用场景,并附有实用的故障诊断手册,为AI训练工程师提供系统性的方法论指导。
现代仓储已从幕后走向前台,配送速度成为品牌竞争核心。面对次日达甚至两小时送达的市场压力,领先履约中心借鉴敏捷开发理念,以周为单位迭代代码、机器人与工作流程。IoT信标、边缘计算与视觉识别模块构建双层架构,实现厘米级货盘追踪与低延迟决策。人机协作模式让员工从重体力劳动转向异常处理与数据分析,拣选准确率突破99%。同时,自动化系统实时采集碳排放数据,在提速的同时实现可量化的减排目标。
中国科学技术大学与FrameX.AI联合提出Stream-R1框架,针对AI视频生成蒸馏训练中"一视同仁"的核心缺陷,引入奖励模型对训练样本进行双重加权:在样本层面根据质量分数筛选可靠的学习信号,在像素与帧层面通过梯度显著性热力图集中优化最需改进的区域,使4步快速学生模型在VBench多项指标上超越慢速多步教师模型,推理速度提升30倍且不增加任何额外计算开销。