התקפות רפויות

התקפות סלוספסקוואטינג: כיצד טעות של בינה מלאכותית הפכה לדרך חדשה לשרשרת האספקה ​​של התוכנה שלכם

הבעיה במשפט אחד

בפעם הבאה א עוזר בינה מלאכותית ממליץ על חבילה להתקנה, האם אתם מתכוונים לבדוק האם החבילה הזו קיימת? רוב המפתחים לא עשו זאת. הפער הזה בין הצעה לאימות הוא בדיוק המקום שבו מתחילות מתקפות ה-slopsquatting, וזו הסיבה שהבנת האבולוציה של ה-slopsquatting ומניעת ה-slopsquatting המעשית הפכה לעדיפות אמיתית עבור צוותי AppSec ו-DevSecOps.

מהי התקפת סלופסקוואטינג?

התקפת סלופסקוואטינג היא גרסה של קלקול הקלדה (הנוהג של רישום שם דומיין או חבילה המחקה שם לגיטימי באמצעות שגיאות כתיב נפוצות, כגון בקשות במקום בקשות, בתקווה ששגיאת הקלדה של המשתמש תוביל אותם ישר לשם), אבל עם הבדל חשוב במקור הטעות. Typosquatting מנצל שגיאות הקלדה אנושיות. מתקפת slopsquatting מנצלת את הטעויות שמודלים של שפה גדולים עושים: מודל שפה LLM "מדמיין" שם חבילה שנשמע לגיטימי לחלוטין אך אינו קיים בשום רישום ציבורי, ותוקף מגיע לשם ראשון על ידי רישום השם המדויק הזה לפני שמישהו עם כוונות טובות יעשה זאת. 

המנגנון מאחורי התקפת סלופסקוואט טיפוסית הוא פשוט, ופשטות זו היא בדיוק מה שהופך אותה ליעילה:

  • מפתח מבקש מעוזר בינה מלאכותית לעזור בפתרון בעיית קידוד.
  • המודל מייצר פתרון שמייבא או ממליץ להתקין חבילה שמעולם לא הייתה קיימת.
  • תוקף ששם לב שמספר מודלים חוזרים על אותו שם הזוי, רושם את החבילה הזו ב-npm, PyPI או רישום ציבורי אחר, עם קוד זדוני בתוכו. זה הרגע שבו ההזיה הופכת למתקפת slopsquatting של ממש.
  • המפתח הבא שמקבל את אותה הצעה ולא מאמת אותה, מתקין את החבילה האמיתית כעת, שהיא דלת אחורית לסביבה שלו.

המונח "slopsquatting" (הזיית חבילה) טבע סת' לרסון, מפתח אבטחה בקרן התוכנה פייתון, והפך לפופולרי על ידי אנדרו נסביט, כדי לתאר בדיוק את הדפוס הזה: "הזיה של חבילה" שהפכה לווקטור התקפה.

אבולוציה של סקיצות: כיצד סקרנות מחקרית הפכה לאיום ממשי

מה שבולט באבולוציה של הסלופסקוואטינג הוא לא רק הקונספט; אלא המהירות שבה הוא עבר מתצפית מחקרית לסוג התקפה מתועד ומדיד.

2023: סימן האזהרה הראשון. חוקר האבטחה בר לניאדו שמתי לב שכמה סטודנטים למשפטים המליצו שוב ושוב על חבילה בשם huggingface-cli, שאינו קיים (החבילה האמיתית מותקנת עם התקנת pip -U "huggingface_hub[cli]"כדי להדגים את הסיכון, הוא העלה גרסה ריקה של החבילה הזו למאגר רישום ציבורי. תוך שלושה חודשים היא קיבלה למעלה מ-30,000 הורדות, ללא שום קידום. השם ההזוי אף הופיע בקובץ README של מאגר הקשור למחקר של עליבאבא, מה שהראה בשלב מוקדם כיצד שמות "מזויפים" אלה יכולים לדלוף לתיעוד אמיתי ולהכין את הבמה להתקפות ה"סלוסקוואטינג" שיבואו בעקבותיו.

2024: הסיכון עובר מפוסט בבלוג של חוקר לסיקור טכנולוגי מרכזי. במארס 2024, הקופה דיווח על האופן שבו מודלים של בינה מלאכותית המציאו בביטחון שמות של חבילות תוכנה שמפתחים הורידו לאחר מכן, חלקן פוטנציאלית מורעלות בתוכנות זדוניות. סיקור זה היה פחות חשוב בשל מה שחשף מבחינה טכנית ויותר בשל מה שסימן: מקרה huggingface-cli כבר לא היה קוריוז חד פעמי; זה היה הסימן הראשון לדפוס רציני מספיק כדי שהתקשורת הטכנולוגית המרכזית תסמן אותו, לקראת המחקר האקדמי רחב ההיקף שיאשר את היקפו שנה לאחר מכן.

2025: המדידה הקפדנית הראשונה בקנה מידה גדול של הבעיה. המאמר "יש לנו חבילה בשבילכם! ניתוח מקיף של הזיות חבילה על ידי תלמידי תואר שני במשפטים (LLMs) יוצרי קוד" (Spracklen et al., שהוצג בכנס סימפוזיון אבטחה של USENIX) בדקה 16 מודלים של יצירת קוד, הן מסחריים (GPT-4, GPT-3.5) והן קוד פתוח (CodeLlama, DeepSeek, WizardCoder, Mistral), על פני 576,000 דוגמאות קוד של Python ו-JavaScript. הממצאים מסמנים נקודה ברורה באבולוציה של slopsquatting, ומעבירים אותו מאנקדוטה לנתונים:

  • 19.7% מהחבילות שהומלצו על ידי המודלים לא היו קיימות.
  • מודלים בקוד פתוח הזיו הרבה יותר (21.7% בממוצע) מאשר מודלים מסחריים (5.2%).
  • בכל המודלים שנבדקו, החוקרים רשמו מעל 205,000 שמות חבילות הזויים ייחודיים, מאגר גדול מספיק כדי להניע התקפות סלופסקווט מתמשכות על פני מערכות אקולוגיות מרובות.

פרט קריטי מהמחקר, וכנראה הסיבה לכך שהאבולוציה של ה-slopsquatting הואצה במקום לדעוך, הוא ששמות הזייתיים אינם אקראיים, והם לא משתנים בכל ניסיון. אותם מודלים נוטים לחזור על אותם שמות מומצאים כאשר ניתנות להם הנחיות דומות, מה שאומר שתוקף אינו צריך לנחש. הם רק צריכים להתבונן בהתנהגות המודל, לזהות את השמות שחוזרים על עצמם ולרשום אותם לפני שמפתח אמיתי יעשה זאת. ניתוח מעקב של חזרתיות זו מצא שכאשר חוקרים הריצו שוב הנחיות זהות עשר פעמים כל אחת, 43% משמות החבילות ההזיות הופיעו בכל ריצה, עדות לכך שרוב ההזיות הן חפצים חוזרים ולא רעש חד פעמי. חזרתיות זו היא שהופכת הזיה חד פעמית להתקפת slopsquatting ניתנת להרחבה.

2026: מחבילות מבודדות לסוכנים אוטונומיים. מחבילות מבודדות ועד סוכנים אוטונומיים. השנה הציגה את הראיות הברורות ביותר עד כה לכך ש-slopsquatting כבר אינו מוגבל להעתקה-הדבקה של פקודת pip install או npm install מוצעת על ידי מפתח. בינואר 2026, חוקר האבטחה צ'רלי אריקסן גילה שסוכני קידוד בינה מלאכותית כבר הפיצו הוראות המתייחסות לחבילת npm הזויה, react-codeshift (שם שמשלב באופן סביר שני כלים אמיתיים, jscodeshift ו-react-codemod), על פני 237 מאגרים, כאשר הסוכנים עדיין מנסים להתקין אותה מדי יום. אריקסן רשם את השם בעצמו, באופן הגנתי, לפני שתוקף יכול היה להפוך אותו לנשק. בנפרד, חבילה זדונית אמיתית בשם unused-imports, שהומצאה במקום הפקודה הלגיטימית eslint-plugin-unused-imports, עדיין רשמה כ-233 הורדות שבועיות בתחילת 2026 למרות ש-npm הציב אותה תחת החזקת אבטחה, סימן לכמה זמן מתקפת slopsquatting יכולה להמשיך למשוך קורבנות גם לאחר שסומנה. לאחרונה, ביולי 2026, תיארו חוקרים טכניקה קשורה, המכונה "HalluSquatting", אשר מקשרת הזיה של בינה מלאכותית עם הזרקה מיידית, כך שסוכן קידוד של בינה מלאכותית המביא משאב הזיה מטעם משתמש יכול להיפגע ולהריץ קוד שסופק על ידי התוקף, ובכך מרחיב את התפתחות ה-slopsquatting מסיכון התקנה פסיבי לווקטור פעיל של ביצוע קוד מרחוק בתוך זרימות עבודה של פיתוח סוכנים.

מדוע "קידוד וייבים" הרחיב את פני השטח להתקפות סלופשקווטינג

התקפות Slopsquatting לא היו חשובות במיוחד אם קוד שנוצר על ידי בינה מלאכותית היה נוהג נישה. זה לא נכון. עלייתם של עוזרי קידוד, סוכנים אוטונומיים וזרימות עבודה של "vibe coding", שבהן מפתחים סוקרים פחות ופחות קוד לפני הרצתו, שינתה את משטח התקפות התוכנה בשתי דרכים קונקרטיות, ושתיהן מאיצות את התפתחות ה-slopsquatting:

  • נקודת הכניסה היא כבר לא רק היזם. בעבר, התקפת typosquatting הייתה תלויה בטעות הקלדה של אדם יחיד. כעת הטעות יכולה לנבוע בתוך המודל עצמו ולהתפשט למאות מפתחים שונים ששואלים שאלות דומות ומקבלים את אותה המלצה הזויה, מה שמכפיל את טווח ההשפעה של התקפת slopsquatting אחת.
  • משטח ההתקפה התקדם הלאה במעלה השרשרת. זה כבר לא מספיק לצפות בקוד שכותב אדם. צוותים צריכים גם לצפות בתלות שעוזר בינה מלאכותית מציע, בשרתי ה-MCP שאליהם הוא מתחבר, ובסוכנים שמתקינים חבילות באופן אוטונומי ללא בדיקה אנושית ישירה. AppSec מסורתי, שנבנה כדי לבדוק מאגרים ומידע אנושי. commits, מעולם לא תוכנן להתבונן באינטראקציה החדשה הזו בין מפתחים, בינה מלאכותית ורישום חבילות, וזה בדיוק המקום שבו מסתתרות כעת התקפות slopsquatting.

שום דבר מזה לא אומר שבינה מלאכותית גנרטיבית אינה מאובטחת מטבעה. משמעות הדבר היא שהיא מציגה סוג חדש של סיכון בשרשרת האספקה ​​שכלי אבטחה מסורתיים לא נועדו לתפוס, כזה שדורש את אותם עקרונות אימות שאנו כבר מיישמים על כל תלות חיצונית: אל תסמכו כברירת מחדל, אמתו את המקור, והפוך את האימות הזה לאוטומטי במקום להסתמך על הזיכרון או הערנות של כל מפתח. אוטומציה זו היא הבסיס לכל אסטרטגיה אמיתית למניעת גניבות.

מניעת סלופשקוטינג: מה צוותים יכולים לעשות היום

החדשות הטובות הן שמניעת סלופסקווטינג אינה דורשת כלים אקזוטיים. היא דורשת יישום שיטתי של נהלי היגיינת תלות שכבר קיימים, אך צוותים רבים נרגעים ברגע שבינה מלאכותית שהם סומכים עליה "מציעה" את הקוד. גישת מניעת סלופסקווטינג יעילה משלבת בדרך כלל את הדברים הבאים:

  • אימות ידני של כל חבילה חדשה לפני התקנתה, במיוחד כאשר זה מגיע מהצעה של עוזר בינה מלאכותית. ודא שזה קיים ברישום הרשמי, מי מתחזק אותו, מתי הוא פורסם, והאם מספרי ההורדות שלו נראים אמיתיים. הרגל יחיד זה הוא הצורה הזולה ביותר למניעת סלופסקווטינג הזמינה לכל קבוצה.
  • לעולם אל תניחו שקוד שנוצר על ידי בינה מלאכותית בטוח כברירת מחדל. קטע קוד ש"עובד" לא אומר שהתלות שלו לגיטימיות. סקירת תלויות צריכה להיות חלק מסקירת הקוד, לא חריגה ממנה.
  • השתמש בקבצי נעילה ואימות גיבוב כדי להצמיד גרסאות מדויקות ולמנוע החלפה של עדכון שקט בחבילה שונה מזו שנבדקה במקור.
  • פריסת סריקת תלות שמסמנת דפוסי סיכון מעבר ל-CVE ידועיםחבילות חריגות, שמות דומים באופן מחשיד לחבילות קיימות, מתחזקים חדשים ללא רקורד, או סקריפטי התקנה עם התנהגות יוצאת דופן. חבילה שפורסמה לאחרונה כמעט ללא היסטוריה שמחקה מקרוב את השם של משהו "כמעט" מוכר היא בדיוק הדפוס מאחורי רוב התקפות ה-slopsquatting שתועדו עד כה.
  • התייחסו לרישומים ציבוריים באותה ספקנותcisמ' כמו כל מקור חיצוני אחר שלא אומת. העובדה כי pip להתקין or התקנת npm לא זורק שגיאה זו לא הוכחה ללגיטימיות.
  • הכשרת צוותי פיתוח על כך שקידוד בסיוע בינה מלאכותית לא מסיר את האחריות לאמת מה מותקן; זה רק מוסיף שלב שצריך להיבנות בתהליך העבודה כחלק מכל תוכנית רצינית למניעת סלופסקווטינג.

אף אחד מהמדדים הללו אינו חדש בפני עצמו. מה שהשתנה הוא קנה המידה: כאשר הצעת תלות כבר לא מגיעה מ-Stack Overflow או מעמית, אלא ממודל שיכול לחזור על אותה שגיאה הזויה לאלפי מפתחים שונים, אימות ידני, למרות שעדיין הכרחי, מפסיק להספיק בפני עצמו. זו הסיבה שיותר צוותים ממכנים את השכבה הזו של מניעת slopsquatting בתוך המערכת שלהם. ניתוח הרכב תוכנה (SCA) כלי עבודה, במקום להשאיר זאת למשמעת של המפתחים באופן פרטני.

זה טרוםcisלמה אלי ASPM פלטפורמות כמו קסיגני לבנות גילוי תלות חשודה, המכסה typosquatting, בלבול תלויות וחבילות זדוניות ידועות, באותו ניתוח קוד פתוח ותלות בינה מלאכותית pipeline, כך שמניעת slopsquatting אינה תלויה בכך שכל מפתח יזכור לבדוק אותה בכל פעם שעוזר בינה מלאכותית מציע תלות חדשה.

שאלות נפוצות

האם התקפת סלופסקווט זהה להתקפת טיפוסקווטינג?

לא ממש. שניהם כוללים רישום שם חבילה מזויף כדי להערים על מי שמתקין אותו, אך מקור השגיאה שונה. Typosquatting מנצל טעויות הקלדה אנושיות. מתקפת slopsquatting מנצלת שמות חבילות שהומצאו (הוזו) על ידי מודלים של בינה מלאכותית, שאותם התוקף רושם לפני שהם קיימים באופן לגיטימי.

האם מנהל חבילות יכול למנוע אוטומטית התקפה מסוג זה?

לא לגמרי, וזו בדיוק הסיבה שמניעת slopsquatting לא יכולה להיעצר ברמת מנהל החבילות. אם תוקף רושם את החבילה ההזויה לפני שמפתח מנסה להתקין אותה, ההתקנה תושלם ללא כל שגיאה מכיוון שהחבילה קיימת באמת, למרות שהיא זדונית. מניעה יעילה דורשת אימות נוסף של מקור החבילה והתנהגותה.

האם זה משפיע רק על מודלים בקוד פתוח?

לא. המחקר של ספרקלן ועמיתיו מצא הזיות בכל מודל שנבדק, כולל מודלים מסחריים, אם כי בשיעור נמוך משמעותית (5.2% לעומת 21.7% עבור מודלי הקוד הפתוח שנבדקו). אף מודל אינו חף לחלוטין מהבעיה, וזו אחת הסיבות לכך שהאבולוציה של "סלופסקווטינג" עומדת בקצב הצמיחה של קידוד בסיוע בינה מלאכותית באופן כללי.

האם זהו סיכון תיאורטי, או שהוא כבר נוצל?

השמיים huggingface-cli מקרה, חבילה ריקה שהועלתה על ידי חוקר והורדה יותר מ-30,000 פעמים בשלושה חודשים ללא שום קידום, מראה שהסיכון אינו רק תיאורטי: שם הזוי צריך להיות עקבי מספיק רק בין הנחיות שונות כדי שמישהו יהפוך אותו להתקפת גניבת דעת אמיתית.

כלי SCA לניתוח קומפוזיציה - תוכנה
תעדוף, תיקון ואבטחת סיכוני התוכנה שלך
קבל את החשבון החינמי שלך.
אין צורך בכרטיס אשראי.

אבטחו את פיתוח ואספקת התוכנה שלכם

עם חבילת המוצרים Xygeni