又一起npm供应链攻击正在悄然蔓延,病毒通过受感染的软件包窃取密钥和敏感数据,波及众多开发者环境。安全研究人员发现,此次攻击与上个月被归因于TeamPCP的开源感染事件存在大量重叠。
应用安全厂商Socket和StepSecurity披露,一种具有自我传播能力的CanisterWorm类恶意软件已入侵多个与Namastex Labs(一家智能体AI公司)相关的npm软件包。此次攻击明显针对特定的开发者工作流程,而非普通消费级npm用户。目前已确认被感染的软件包仍在持续被安全团队识别和追踪,整体攻击规模仍在调查之中。
根据StepSecurity的记录,受感染的pgserve版本于4月21日UTC时间22:14首次发布,随后当天又有两个恶意版本相继上线。
Socket指出,此次蠕虫攻击事件与TeamPCP上个月借助Trivy供应链漏洞发动的早期CanisterWorm攻击存在多处相似之处。那批攻击之所以被命名为CanisterWorm,是因为攻击者借助ICP容器(canister)投递额外的恶意载荷并窃取数据。
尽管此次Namastex相关软件包中使用的容器与Socket此前记录的TeamPCP CanisterWorm攻击中的容器并非同一个,但Socket研究团队指出,二者在攻击手法、作战风格和代码谱系上存在"高度重叠",不过目前尚未将本次npm软件包感染事件正式归因于TeamPCP。
Socket在报告中写道:"在此次新发现的npm事件中,恶意软件采用了相同的核心攻击手段:安装时执行、从开发者环境窃取凭证、向外部主机渗漏数据、基于容器的基础设施,以及旨在感染更多软件包的自我传播逻辑。此外,恶意载荷中还明确引用了TeamPCP/LiteLLM方法,重叠程度已十分显著。"
具体而言,该载荷引用了一种"TeamPCP/LiteLLM方法",用于.pth文件注入。
该恶意软件会收集Token、凭证、API密钥、SSH密钥,以及云服务、CI/CD系统、镜像仓库、Kubernetes和Docker配置、大语言模型平台等相关的各类敏感信息,随后通过一个普通的Webhook和一个ICP容器端点(硬编码容器ID为cjn37-uyaaa-aaaac-qgnva-cai)将窃取的数据外传。
此外,该恶意软件还会尝试窃取MetaMask和Phantom等浏览器钱包扩展数据,以及本地加密货币钱包文件,涵盖Solana、Ethereum、Bitcoin、Exodus和Atomic Wallet等。
更危险的是,该软件包含一套完整的自我扩散逻辑:提取受害者机器上的npm Token,识别受害者有权发布的软件包,向其中注入新的恶意载荷,再将这些已被污染的软件包重新发布出去。一旦在受害者机器上发现PyPI凭证,同样的自我传播机制也会被用于上传恶意Python软件包。
Socket对此发出警告:"换言之,这绝不仅仅是一个凭证窃取工具,它被设计为能够将一个被攻陷的开发者环境,变成进一步感染更多软件包的跳板。"
Q&A
Q1:CanisterWorm攻击是什么?它是如何传播的?
A:CanisterWorm是一种具有自我传播能力的npm供应链恶意软件。攻击者将恶意代码注入npm软件包,在开发者安装软件包时自动执行。恶意软件会提取开发者机器上的npm Token,找出受害者有权发布的软件包,再将恶意载荷注入这些包并重新发布,从而不断扩大感染范围。如发现PyPI凭证,还会进一步感染Python生态。
Q2:CanisterWorm会窃取哪些数据?
A:该恶意软件会收集Token、凭证、API密钥、SSH密钥,以及云服务、CI/CD系统、镜像仓库、Kubernetes和Docker配置、大语言模型平台等相关敏感信息。同时还会窃取MetaMask、Phantom等浏览器钱包扩展数据,以及Solana、Ethereum、Bitcoin、Exodus、Atomic Wallet等本地加密货币钱包文件。
Q3:此次Namastex Labs相关npm攻击和TeamPCP是什么关系?
A:Socket研究团队发现两起攻击在手法、风格和代码谱系上存在"高度重叠",恶意载荷中甚至明确引用了TeamPCP/LiteLLM方法。但由于所用的ICP容器ID并不相同,目前安全团队尚未将本次攻击正式归因于TeamPCP,调查仍在进行中。
好文章,需要你的鼓励
今天讲的出海案例是开创电气,一家金华手持式电动工具制造商,在越南基地完成首款产品验收并形成80万台年产能力。
JETSPEC是由UC San Diego等机构联合提出的推测解码框架,通过树形因果掩码让草稿头在一次前向传播中生成分支一致的候选树,在MATH-500上实现最高9.64倍端到端加速。
研究人员意外发现,标准MOSFET晶体管可同时模拟神经元和突触行为,形成"神经突触随机存取存储器"(NSRAM)。该技术仅需一至两个晶体管即可实现传统需数十乃至数百个元件才能完成的神经信号处理,且与现有硅基制造工艺完全兼容,良率达100%。未来有望应用于边缘AI及高能效神经形态芯片,长远或可挑战GPU地位。
本文介绍了中国科学院自动化所的研究,揭示了大型语言模型在多轮工具调用强化学习中崩溃的根本原因,并系统评估了五种监督信号对训练稳定性和泛化能力的影响。