Das Problem in einem Satz
Nächstes Mal ein Der KI-Assistent empfiehlt ein zu installierendes Paket.Werden Sie tatsächlich prüfen, ob dieses Paket existiert? Die meisten Entwickler tun das nicht. Genau diese Lücke zwischen Vorschlag und Überprüfung ist der Ausgangspunkt für Slopsquatting-Angriffe. Deshalb ist das Verständnis der Entwicklung von Slopsquatting und praktischer Präventionsmaßnahmen für AppSec- und DevSecOps-Teams zu einer echten Priorität geworden.
Was ist ein Slopsquatting-Angriff?
Ein Slopsquatting-Angriff ist eine Variante von Typosquatting (die Praxis, einen Domain- oder Paketnamen zu registrieren, der einen legitimen Namen durch eine häufige Falschschreibung nachahmt, wie z. B. Anfragen statt ZugriffeSlopsquatting nutzt menschliche Tippfehler aus, während es die Fehler großer Sprachmodelle ausnutzt: Ein solches Modell „halluziniert“ einen Paketnamen, der zwar völlig legitim klingt, aber in keiner öffentlichen Registry existiert. Ein Angreifer sichert sich diesen Namen, bevor es jemand mit guten Absichten tut.
Der Mechanismus hinter einem typischen Slopsquatting-Angriff ist einfach, und genau diese Einfachheit macht ihn so effektiv:
- Ein Entwickler bittet einen KI-Assistenten um Hilfe bei der Lösung eines Programmierproblems.
- Das Modell generiert eine Lösung, die ein Paket importiert oder dessen Installation empfiehlt, das noch nie existiert hat.
- Ein Angreifer, der bemerkt hat, dass mehrere Modelle immer wieder denselben, vermeintlich irreführenden Namen verwenden, registriert dieses Paket mit Schadcode auf npm, PyPI oder einer anderen öffentlichen Repository. In diesem Moment wird aus der vermeintlichen Irritation ein tatsächlicher Slopsquatting-Angriff.
- Der nächste Entwickler, der denselben Vorschlag erhält und ihn nicht überprüft, installiert das nun reale Paket, wodurch eine Hintertür in seine Umgebung entsteht.
Der Begriff „Slopsquatting“ wurde von Seth Larson, Security Developer-in-Residence bei der Python Software Foundation, geprägt und von Andrew Nesbitt populär gemacht, um genau dieses Muster zu beschreiben: eine „Pakethalluzination“, die sich in einen Angriffsvektor verwandelt.
Evolution des Slopsquatting: Wie eine Forschungsneuigkeit zu einer echten Bedrohung wurde
Das Bemerkenswerte an der Entwicklung des Slopsquatting ist nicht nur das Konzept an sich, sondern vor allem, wie schnell es sich von einer Forschungsbeobachtung zu einer dokumentierten, messbaren Angriffsart entwickelt hat.
2023: Das erste Warnsignal. Sicherheitsforscher Bar Lanyado Ich stellte fest, dass mehrere LLMs wiederholt ein Paket namens Huggingface-cli, das nicht existiert (das eigentliche Paket wird installiert mit pip install -U “huggingface_hub[cli]”Um das Risiko zu verdeutlichen, lud er eine leere Version des Pakets in ein öffentliches Repository hoch. Innerhalb von drei Monaten wurde es über 30,000 Mal heruntergeladen – ganz ohne Werbung. Der erfundene Name tauchte sogar in der README-Datei eines Repositorys auf, das mit Forschungsergebnissen von Alibaba verknüpft war. Dies zeigte frühzeitig, wie solche „gefälschten“ Namen in echte Dokumentationen gelangen und den Weg für die darauf folgenden Slopsquatting-Angriffe ebnen konnten.
2024: Das Risiko wandert von einem Blogbeitrag eines Forschers in die breite Berichterstattung über Technologie. Im März 2024 wurde Das Register Es wurde berichtet, wie KI-Modelle selbstbewusst Softwarepaketnamen erfanden, die Entwickler anschließend herunterluden – einige davon möglicherweise mit Schadsoftware infiziert. Diese Berichterstattung war weniger wegen ihrer technischen Erkenntnisse von Bedeutung, sondern vielmehr wegen ihrer Signalwirkung: Der Fall huggingface-cli war kein Einzelfall mehr; er war das erste Anzeichen eines Musters, das gravierend genug war, um von der etablierten Tech-Presse thematisiert zu werden, noch vor der groß angelegten akademischen Studie, die das Ausmaß ein Jahr später bestätigen sollte.
2025: Die erste umfassende und groß angelegte Messung des Problems. Die Arbeit „Wir haben ein Paket für Sie! Eine umfassende Analyse von Pakethalluzinationen durch Code-generierende LLMs“ (Spracklen et al., präsentiert auf der USENIX-Sicherheitssymposium) testeten 16 Code-Generierungsmodelle, sowohl kommerzielle (GPT-4, GPT-3.5) als auch Open-Source-Modelle (CodeLlama, DeepSeek, WizardCoder, Mistral), anhand von 576,000 Python- und JavaScript-Codebeispielen. Die Ergebnisse markieren einen Wendepunkt in der Entwicklung des Slopsquatting und machen es von einer Anekdote zu einer belegten Tatsache:
- 19.7 % der von den Models empfohlenen Pakete existierten nicht.
- Open-Source-Modelle halluzinierten weitaus häufiger (durchschnittlich 21.7 %) als kommerzielle Modelle (5.2 %).
- Über alle getesteten Modelle hinweg protokollierten die Forscher über 205,000 einzigartige, halluzinierte Paketnamen – ein Pool, der groß genug ist, um anhaltende Slopsquatting-Angriffe in mehreren Ökosystemen zu ermöglichen.
Ein entscheidendes Detail der Studie, und vermutlich der Grund dafür, dass sich Slopsquatting rasant weiterentwickelt hat, anstatt abzuebben, ist die Tatsache, dass die generierten Namen nicht zufällig sind und sich nicht bei jedem Versuch ändern. Dieselben Modelle wiederholen bei ähnlichen Eingabeaufforderungen tendenziell dieselben erfundenen Namen. Das bedeutet, dass ein Angreifer nicht raten muss. Er muss lediglich das Verhalten des Modells beobachten, die wiederkehrenden Namen identifizieren und sie registrieren, bevor es ein echter Entwickler tut. Eine Folgeanalyse dieser Wiederholbarkeit ergab, dass bei zehnmaliger Wiederholung identischer Eingabeaufforderungen 43 % der generierten Paketnamen bei jedem Durchlauf auftraten. Dies belegt, dass die meisten Generierungen wiederholbare Artefakte und kein einmaliges Rauschen sind. Diese Wiederholbarkeit macht aus einer einmaligen Generierung einen skalierbaren Slopsquatting-Angriff.
2026: Von isolierten Paketen zu autonomen Agenten. Von isolierten Softwarepaketen bis hin zu autonomen Agenten. Dieses Jahr hat den bisher deutlichsten Beweis dafür geliefert, dass Slopsquatting nicht mehr nur darauf beschränkt ist, dass Entwickler einfach einen vorgeschlagenen `pip install`- oder `npm install`-Befehl kopieren. Im Januar 2026 stellte der Sicherheitsforscher Charlie Eriksen fest, dass KI-Programmieragenten bereits Anweisungen für ein fiktives npm-Paket namens `react-codeshift` (ein Name, der plausiblerweise die beiden realen Tools `jscodeshift` und `react-codemod` verwechselt) in 237 Repositories verbreitet hatten. Die Agenten versuchten weiterhin täglich, es zu installieren. Eriksen ließ den Namen vorsorglich registrieren, bevor ein Angreifer ihn missbrauchen konnte. Unabhängig davon verzeichnete ein reales, bösartiges Paket namens `unused-imports`, das anstelle des legitimen `eslint-plugin-unused-imports` fiktiv war, Anfang 2026 trotz einer Sicherheitswarnung von npm immer noch etwa 233 Downloads pro Woche. Dies zeigt, wie lange ein Slopsquatting-Angriff selbst nach seiner Kennzeichnung noch Opfer finden kann. Kürzlich, im Juli 2026, beschrieben Forscher eine verwandte Technik mit dem Namen „HalluSquatting“, die eine KI-Halluzination mit einer Prompt-Injektion verknüpft, sodass ein KI-Codierungsagent, der im Auftrag eines Benutzers eine halluzinierte Ressource abruft, dazu gebracht werden kann, vom Angreifer bereitgestellten Code auszuführen. Dadurch wird die Entwicklung des Slopsquatting von einem passiven Installationsrisiko zu einem aktiven Vektor der Remote-Codeausführung innerhalb von agentenbasierten Entwicklungsworkflows erweitert.
Warum „Vibe Coding“ die Angriffsfläche für Hausbesetzungen vergrößerte
Slopsquatting-Angriffe wären kaum relevant, wenn KI-generierter Code eine Nischenpraxis wäre. Das ist er aber nicht. Der Aufstieg von Programmierassistenten, autonomen Agenten und „Vibe-Coding“-Workflows, bei denen Entwickler den Code vor der Ausführung immer weniger überprüfen, hat die Angriffsfläche für Software in zweierlei Hinsicht konkret verändert, und beide beschleunigen die Entwicklung von Slopsquatting:
- Der Einstiegspunkt ist nicht mehr nur der Entwickler. Früher beruhte ein Typosquatting-Angriff auf einem Tippfehler einer einzelnen Person. Heute kann der Fehler im Modell selbst entstehen und sich auf Hunderte von Entwicklern ausbreiten, die ähnliche Fragen stellen und dieselbe fehlerhafte Empfehlung erhalten. Dadurch vervielfacht sich die Reichweite eines einzelnen Typosquatting-Angriffs.
- Die Angriffsfläche hat sich in der Kette weiter nach oben verlagert. Es reicht nicht mehr aus, nur den von Menschen geschriebenen Code zu überwachen. Teams müssen auch die Abhängigkeiten im Blick behalten, die ein KI-Assistent vorschlägt, die MCP-Server, mit denen er sich verbindet, und die Agenten, die Pakete autonom und ohne direkte menschliche Überprüfung installieren. Traditionelle AppSec, die für die Überprüfung von Repositories und menschlichen Codes entwickelt wurde, bietet hierfür keine ausreichende Lösung. commits war nie dafür ausgelegt, diese neue Interaktion zwischen Entwickler, KI und Paketregistrierung zu beobachten, und genau dort verstecken sich jetzt Slopsquatting-Angriffe.
Das alles bedeutet nicht, dass generative KI grundsätzlich unsicher ist. Es bedeutet vielmehr, dass sie ein neues Risiko in der Lieferkette mit sich bringt, das mit herkömmlichen Sicherheitstools nicht erkannt werden kann und das dieselben Verifizierungsprinzipien erfordert, die wir bereits bei jeder externen Abhängigkeit anwenden: Vertrauen ist keine Option, die Quelle muss überprüft und diese Überprüfung automatisiert werden, anstatt sich auf das Gedächtnis oder die Wachsamkeit jedes einzelnen Entwicklers zu verlassen. Diese Automatisierung ist die Grundlage jeder wirksamen Strategie zur Verhinderung von Slopsquatting.
Slopsquatting-Prävention: Was Teams heute tun können
Die gute Nachricht ist: Slopsquatting erfordert keine exotischen Tools. Es genügt die systematische Anwendung bereits bestehender Praktiken zur Abhängigkeitsverwaltung, die viele Teams jedoch vernachlässigen, sobald eine ihnen vertraute KI den Code „vorschlägt“. Ein effektiver Ansatz zur Slopsquatting-Prävention kombiniert üblicherweise Folgendes:
- Überprüfen Sie jedes neue Paket manuell, bevor Sie es installieren.Insbesondere wenn der Vorschlag von einem KI-Assistenten stammt. Prüfen Sie, ob die Datei im offiziellen Register existiert, wer sie verwaltet, wann sie veröffentlicht wurde und ob die Downloadzahlen realistisch erscheinen. Diese einfache Maßnahme ist die kostengünstigste Methode, um unberechtigte Nutzung von Dateien zu verhindern.
- Gehen Sie niemals davon aus, dass KI-generierter Code standardmäßig sicher ist. Ein Code-Snippet, das „funktioniert“, bedeutet nicht, dass seine Abhängigkeiten legitim sind. Die Überprüfung von Abhängigkeiten sollte Bestandteil der Codeüberprüfung sein und keine Ausnahme darstellen.
- Sperrdateien und Hash-Verifizierung verwenden um exakte Versionen festzulegen und zu verhindern, dass bei einem stillen Update ein anderes Paket als das ursprünglich geprüfte installiert wird.
- Implementieren Sie eine Abhängigkeitsprüfung, die Risikomuster jenseits bekannter CVEs erkennt.Anomale Pakete, Namen, die verdächtig ähnlichen wie bestehende Pakete aufweisen, neue Betreuer ohne bisherige Erfahrung oder Installationsskripte mit ungewöhnlichem Verhalten. Ein neu veröffentlichtes Paket mit nahezu keiner Historie, dessen Name einem „fast“ bekannten Paket stark ähnelt, ist genau das Muster, das den meisten bisher dokumentierten Slopsquatting-Angriffen zugrunde liegt.
- Behandeln Sie öffentliche Register mit der gleichen Skepsis.cism wie jede andere nicht verifizierte externe Quelle. Die Tatsache, dass pip installieren or npm installieren Dass kein Fehler ausgelöst wird, ist kein Beweis für Legitimität.
- Schulungsentwicklungsteams auf der Tatsache, dass KI-gestützte Codierung die Verantwortung für die Überprüfung dessen, was installiert wird, nicht aufhebt; sie fügt lediglich einen Schritt hinzu, der als Teil jedes ernsthaften Plans zur Verhinderung von Slopsquatting in den Arbeitsablauf integriert werden muss.
Keine dieser Maßnahmen ist an sich neu. Geändert hat sich jedoch der Umfang: Wenn ein Abhängigkeitsvorschlag nicht mehr von Stack Overflow oder einem Kollegen stammt, sondern von einem Modell, das denselben irrtümlichen Fehler an Tausende von Entwicklern weitergeben kann, reicht die manuelle Überprüfung zwar weiterhin aus, ist aber allein nicht mehr ausreichend. Deshalb automatisieren immer mehr Teams diese Ebene der Vermeidung von Slopsquatting in ihren Prozessen. Software Composition Analysis (SCA) Werkzeuge, anstatt es der Disziplin des einzelnen Entwicklers zu überlassen.
Dies ist vorcisWarum? ASPM Plattformen Google Trends, Amazons Bestseller Xygeni Die Erkennung verdächtiger Abhängigkeiten, einschließlich Typosquatting, Abhängigkeitsverwirrung und bekanntermaßen schädlicher Pakete, soll in dieselbe Open-Source- und KI-Abhängigkeitsanalyse integriert werden. pipelineDie Verhinderung von Slopsquatting hängt also nicht davon ab, dass jeder Entwickler daran denkt, dies jedes Mal zu überprüfen, wenn ein KI-Assistent eine neue Abhängigkeit vorschlägt.
FAQ
Ist ein Slopsquatting-Angriff dasselbe wie ein Typosquatting-Angriff?
Nicht ganz. Beide Angriffe beinhalten die Registrierung eines gefälschten Paketnamens, um den Installateur zu täuschen, aber die Fehlerursache ist unterschiedlich. Typosquatting nutzt menschliche Tippfehler aus. Ein Slopsquatting-Angriff hingegen nutzt von KI-Modellen erfundene (oder gar halluzinierte) Paketnamen, die ein Angreifer registriert, bevor das Paket überhaupt legal existiert.
Kann ein Paketmanager diese Art von Angriff automatisch verhindern?
Nicht vollständig, und genau deshalb darf die Verhinderung von Slopsquatting nicht auf der Ebene des Paketmanagers enden. Registriert ein Angreifer das gefälschte Paket, bevor ein Entwickler versucht, es zu installieren, wird die Installation fehlerfrei abgeschlossen, da das Paket tatsächlich existiert, obwohl es schädlich ist. Wirksame Prävention erfordert zusätzliche Überprüfungen der Herkunft und des Verhaltens des Pakets.
Betrifft dies nur Open-Source-Modelle?
Nein. Die Studie von Spracklen et al. fand Halluzinationen in allen getesteten Modellen, einschließlich kommerzieller, wenn auch in deutlich geringerem Maße (5.2 % gegenüber 21.7 % bei den untersuchten Open-Source-Modellen). Kein Modell ist völlig frei von diesem Problem, was mit ein Grund dafür ist, dass die Entwicklung von Slopsquatting mit dem allgemeinen Wachstum KI-gestützter Programmierung Schritt hält.
Handelt es sich um ein theoretisches Risiko oder wurde es bereits ausgenutzt?
Das Huggingface-cli Der Fall eines leeren Pakets, das von einem Forscher hochgeladen wurde und innerhalb von drei Monaten ohne jegliche Werbung mehr als 30,000 Mal heruntergeladen wurde, zeigt, dass das Risiko nicht nur theoretischer Natur ist: Ein halluzinierter Name muss nur bei verschiedenen Eingabeaufforderungen konsistent genug sein, damit jemand daraus einen echten Slopsquatting-Angriff machen kann.







