21 اکتبر 2026 سال در یک صبح دو داستان درباره یک کلاس داده مشابه اتفاق افتاد — رازهایی که در متغیرهای محیطی زندگی میکنند. در ساعت 11:39 UTC نسخه آلوده LiteLLM 1.107.0 — دروازهای محبوب به مدلهای زبانی که در بسیاری از عاملهای هوش مصنوعی و پایپلاینهای تجزیه قرار دارد، منتشر شد. در همان روز، پلتفرم ابری Railway اعلام کرد که شخصی غیرمجاز ممکن است به مخزن متغیرهای محیطی مشتریان دسترسی پیدا کرده باشد و برای برخی از آنها به مقادیر رمزگشایی شده دسترسی داشته باشد. اگر اسکرپر، ربات یا عاملی که شما استفاده میکنید بر روی Python یا در PaaS اجرا میشود، بیایید بررسی کنیم که چه چیزی نشت کرده است، چگونه خود را بررسی کنیم و در چه ترتیبی کلیدها را تغییر دهیم — از جمله نام کاربری و رمزهای عبور پروکسی.
چه اتفاقی برای LiteLLM 1.107.0 افتاد
بر اساس دادههای آزمایشگاه امنیتی Datadog، مهاجمان از توکنهای OAuth دزدیده شده GitHub CLI سه مهندس پروژه استفاده کردند. با کمک آنها، آنها یک ورکفلو انتشار خصوصی LiteLLM را راهاندازی کردند، اما آن را از یک فورک جعلی Berri-AI/litellm جمعآوری کردند — که از نسخه واقعی BerriAI/litellm تنها با یک خط فاصله متفاوت است. راهاندازی را خودشان تأیید کردند، آثار را پاک کردند و در امضای منبع ساخت (provenance) نام فورک باقی ماند.
- 11:39 UTC — نسخه 1.107.0 در PyPI منتشر شد؛
- 13:20 UTC — PyPI آن را در قرنطینه قرار داد؛
- 13:53 UTC — تصاویر Docker آلوده حذف شدند.
پنجره — حدود دو ساعت است، اما بر اساس تخمین Datadog، این بسته حدود 23 میلیون بار در هفته دانلود میشود. نه تنها هفت فایل wheel تحت macOS، Linux و Windows آلوده بودند، بلکه تصاویر رسمی در GHCR و Docker Hub نیز آلوده بودند. برچسبهای شناور latest، main-latest و main-stable در آن روز به تصویر مخرب اشاره داشتند. بنابراین، هر کسی که کانتینر را با «آخرین نسخه» دوباره ساخت یا راهاندازی کرد، حتی اگر خودش هیچ چیزی را بهصورت دستی بهروزرسانی نکرده باشد، ممکن است آسیب ببیند.
این دومین مورد با LiteLLM در سال 2026 است: در ماه مارس، نسخههای 1.82.7 و 1.82.8 به خطر افتادند. ارتباط بین این حوادث، همانطور که Datadog اشاره میکند، تأیید نشده است. آخرین نسخه پاک — 1.106.2.
چرا حذف بسته کافی نیست
حقه اصلی حمله — مکانیزم خودکار راهاندازی Python است. همراه با بسته در site-packages سه فایل قرار میگرفت: cook.pth، cook.py و sitecustomize.py. Python فایلهای با پسوند .pth و ماژول sitecustomize را در هر بار راهاندازی مفسر اجرا میکند. همانطور که Endor Labs توضیح میدهد، در cook.pth تنها یک خط import cook وجود داشت — و این کافی بود تا جمعآورنده رازها در هر فرآیند Python در ماشین فعال شود، حتی اگر LiteLLM در هیچجا وارد نشده باشد.
- جمعآورنده (cook.py) اطلاعات پیدا شده را جمعآوری کرده، با AES-256 رمزگذاری کرده و با کلید RSA-4096 ارسال میکرد به
www.litellm[.]dev/healthcheck— دامنهای که بهطور خاص شبیه به دامنه واقعی است. - بکدور (sitecustomize.py) هر ساعت آدرس سرور را از فایلی در GitHub میخواند و کد ارسال شده از آنجا را بدون بررسی امضا اجرا میکرد. بر اساس دادههای Datadog، در فایل تنها مقادیر آزمایشی وجود داشت و مرحله دوم ثبت نشده بود.
- زندهمانی:
pip uninstall litellmفایلها را حذف نمیکند و هر بار که python یا pip اجرا میشود، جمعآورنده دوباره فعال میشود. بنابراین محققان توصیه میکنند که ماشین آلوده را با ابزارهایی غیر از Python بررسی کنند.
جمعآورنده دقیقاً چه چیزی را جستجو میکرد
لیست اهداف وسیع است — در واقع، هر چیزی که فرآیند میبیند:
- همه متغیرهای محیطی غیر خالی، و در Linux — همچنین محیط سایر فرآیندها؛
- فایلهای .env، پیکربندیهای CI، Docker و Kubernetes، رازهای حسابهای خدماتی؛
- کلیدهای ابری AWS، GCP، Azure، از جمله سرویس متادادههای نمونه؛
- کلیدهای SSH، GPG و TLS، توکنهای Git، npm و PyPI، فایل .netrc;
- رمزهای ذخیره شده و کوکیهای مرورگرهای Chromium و Firefox؛
- کلیدها و نشستهای ابزارهای هوش مصنوعی: Claude، Codex، Gemini، Cursor، Copilot و دیگران؛
- اگر پایگاه LiteLLM Proxy تنظیم شده باشد — تا 500 خط از جداول با کلیدهای ارائهدهندگان مدلها؛
- تاریخچه پوسته فرمان.
در تحلیلها اشارهای به متغیرهای HTTP_PROXY و HTTPS_PROXY نشده است. اما از آنجا که جمعآورنده همه متغیرهای محیطی، .env و تاریخچه پوسته را میگرفت، اعتبارهای پروکسی بهطور خودکار در دام افتادند: دقیقاً جایی که معمولاً نگهداری میشوند. خطی به شکل http://login:password@host:port در HTTPS_PROXY، در .env تجزیهکننده یا در دستور curl از تاریخچه — همانند یک راز است، مانند کلید ابری.
Railway: نشت نه از کد، بلکه از پلتفرم
Railway در افشای خود در 21 اکتبر مینویسد که صبح روز مذکور فعالیت غیرعادی در سیستمهایی که متغیرهای محیطی مشتریان را ذخیره میکنند، مشاهده کرده است. بر اساس دادههای فعلی، شخصی غیرمجاز ممکن است به متغیرهای رمزگذاری شده دسترسی پیدا کرده باشد و برای برخی از آنها به محتوای رمزگشایی شده دسترسی داشته باشد. استقرارها به حالت تعلیق درآمدهاند. مقیاس این حادثه توسط شرکت اعلام نشده است: آنها درباره «بخشی از کاربران» صحبت میکنند و قول میدهند که به افراد آسیبدیده بهطور مستقیم اطلاع دهند، اما به همه توصیه میکنند که احتیاط کنند:
- همه متغیرهای محیطی در Railway را تغییر دهید، از جمله کلیدهای API؛
- اعتبارنامههای ثبتنام خصوصی را تغییر دهید؛
- لاگهای خدمات را برای فعالیت غیرعادی بررسی کنید.
شرکت این حادثه را با سری حملات به خدمات پلتفرمی مرتبط میداند که هدف آنها دسترسی به کلیدهای ارائهدهندگان استنتاج هوش مصنوعی است؛ ارائهدهندگان قبلاً هشدار داده شدهاند و آنها کلیدها را پس میگیرند. در بهروزرسانی 23 اکتبر، Railway بهطور اضافی توصیه میکند که GitHub را دوباره متصل کرده و توکنهای CLI و CI را دوباره ایجاد کنید.
مفاد مشترک دو داستان ساده است: متغیرهای محیطی — نه یک گاوصندوق. این یک لیست مشترک راحت از رازها است که هر کدی در فرآیند میخواند و هر پلتفرمی که شما در آن مستقر میشوید، نگه میدارد.
چگونه بررسی کنید که آیا تحت تأثیر قرار گرفتهاید
- نسخه را در وابستگیها جستجو کنید. فایلهای requirements.txt، poetry.lock، uv.lock و لاگهای CI را برای 21 اکتبر بر روی
litellm==1.107.0بررسی کنید. وابستگیهای انتقالی را در نظر بگیرید: LiteLLM معمولاً فریمورکهای عاملها را میکشد، نه شما بهطور مستقیم. - فایلها را در site-packages جستجو کنید. وجود cook.pth یا sitecustomize.py خارجی — نشانهای مستقیم است. از
findاستفاده کنید، نه اسکریپت Python. - تصاویر را مقایسه کنید. اگر شما
litellm/litellm:latestیاmain-stableرا در 21 اکتبر کشیدهاید، digest را با نشانگرهای منتشر شده مقایسه کنید. - مؤلفهها را در /tmp جستجو کنید:
/tmp/.pc_once_72129118c59f5636c0bbو/tmp/remote_code_loader.lock. - لاگهای شبکه را بررسی کنید برای درخواستها به
litellm[.]devو مسیرهایی که به/codepyختم میشوند. - Railway — ایمیل و صفحه وضعیت حادثه را بررسی کنید، اما انتظار نامه نداشته باشید: توصیه به تغییر کلیدها شامل همه میشود.
اگر چیزی پیدا شد — بهتر است ماشین را از یک تصویر پاک دوباره بسازید تا اینکه در محل تمیز کنید، و کلیدها را از دستگاهی دیگر که بهطور واضح پاک است، تغییر دهید.
به چه ترتیبی کلیدها را تغییر دهیم
تغییر «همه» — درست است، اما در عمل این کار چندین روز طول میکشد. ترتیب باید بر اساس هزینه خسارت و اینکه چگونه سریع میتوان از کلید استفاده کرد، انتخاب شود:
- کلیدهای ابری و پرداختی — AWS/GCP/Azure، کلیدهای ارائهدهندگان LLM، کلید اصلی LiteLLM Proxy. بر روی آنها میتوان به سرعت «پول» برداشت.
- Git، npm، PyPI، مخازن تصاویر و توکنهای CI — از طریق آنها حمله به سمت کاربران شما ادامه مییابد. تاریخچه LiteLLM دقیقاً از توکنهای CLI دزدیده شده آغاز شد.
- پایگاههای داده و کلیدهای SSH.
- نام کاربری و رمزهای عبور پروکسی. شخصی غریبه با اعتبارهای شما ترافیک پرداخت شده شما را مصرف میکند و با IPهای شما به شبکه وارد میشود — و عواقب به شکل مسدود شدن و کپچا به حسابهای شما میرسد.
- نشستهای مرورگرها و ابزارهای هوش مصنوعی — در همه جا از سیستم خارج شوید و دوباره وارد شوید.
برای پروکسی یک سیگنال اولیه ساده وجود دارد: مصرف ترافیکی که نمیتوانید توضیح دهید. اگر موجودی در کابینه سریعتر از معمول کاهش مییابد یا تعداد درخواستها در ساعاتی که وظایف شما کار نمیکنند، افزایش مییابد — اعتبارها توسط کسی استفاده میشود.
چگونه اعتبارهای پروکسی را تنظیم کنیم تا نشت هزینه کمی داشته باشد
بهطور کامل نمیتوان از بسته آلوده محافظت کرد، اما میتوان طوری تنظیم کرد که نشت تنها یک وظیفه را تحت تأثیر قرار دهد، نه کل استک.
- پروکسی جداگانه برای هر وظیفه و محیط. یک نام کاربری را برای تجزیهکننده تولید، توسعه محلی و CI نگه ندارید. اگر کلیدی از CI نشت کرد، شما تنها یک پروکسی را غیرفعال میکنید، نه اینکه همه چیز را متوقف کنید. در ProxyCove هر پروکسی خریداری شده — یک جفت جداگانه نام کاربری/رمز است، بنابراین این تقسیمبندی هیچ هزینهای ندارد: برای نظارت بر قیمت — پروکسیهای مسکونی، برای درخواستهای فنی انبوه که به IP «خانگی» نیاز ندارند — پروکسیهای دیتاسنتری.
- اعتبارها را بهطور جهانی در رشته HTTPS_PROXY قرار ندهید. متغیر جهانی برای هر فرآیند و هر بسته قابل مشاهده است. بهتر است پروکسی را تنها به مشتری مورد نیاز منتقل کنید یا یک دروازه محلی راهاندازی کنید که تنها او رمز را میداند — چگونه این کار را با gost، 3proxy یا Squid انجام دهیم، در مقاله درباره دروازه محلی برای پروکسی با رمز عبور بررسی کردهایم.
- رازها را در مدیر رازها نگه دارید، نه در .env در مخزن یا تاریخچه پوسته. قوانین عمومی — در راهنمای ما برای نگهداری ایمن اعتبارهای پروکسی.
- مقدار کمی از ترافیک را در پروکسیها نگه دارید که در محیطهای پرخطر مانند CI یا ایستگاههای آزمایشی زندگی میکنند: سقف خسارت برابر با موجودی است.
چه چیزی را در ساختار تغییر دهیم
بیشتر افرادی که از LiteLLM آسیب دیدهاند به دلیل «کد بد» آسیب ندیدهاند، بلکه به دلیل عادات ساخت. بخشی از نکات زیر — از تحلیلهای Datadog و Endor Labs، و بخشی — بهداشت عادی ساخت:
- نسخهها را با هشها در فایلهای قفل ثابت کنید، و تصاویر را بر اساس digest، نه بر اساس برچسب latest؛
- در روز انتشار وابستگیها را بهروزرسانی نکنید: تأخیر کوتاه قبل از پذیرش نسخههای جدید بیشتر حملات را که در چند ساعت پنجره دارند، قطع میکند؛
- ظهور فایلهای جدید .pth و sitecustomize.py را در بستههای خارجی زیر نظر داشته باشید — برای یک کتابخانه عادی این نادر است;
- به توکنهای CLI توسعهدهندگان به عنوان کلیدهای تولید نگاه کنید و تنها ورکفلو انتشار را از مخازن و شاخههای معتبر مجاز کنید؛
- تجزیهکنندهها را در کانتینرهای ایزوله با حداقل رازها اجرا کنید: فرآیندی که قیمتها را جمعآوری میکند، به کلیدهای ابری و SSH نیاز ندارد.
نتیجهگیری
LiteLLM و Railway دو جنبه از یک مشکل را نشان دادند: رازها از پایین، از طریق وابستگی که حتی شما وارد نمیکنید، و از بالا، از طریق پلتفرمی که به آنها اعتماد کردهاید، نشت میکنند. اگر در 21 اکتبر شما Python محیطها را با LiteLLM نصب یا دوباره ساختید یا در Railway مستقر شدید — کلیدها را اکنون تغییر دهید، از ابری و توکنهای CI شروع کنید، و فراموش نکنید پروکسی را نیز بررسی کنید. و برای آینده اعتبارهای پروکسی را بر اساس وظایف و محیطها تقسیم کنید: در این صورت نشت بعدی با غیرفعال کردن یک نام کاربری، نه توقف کل تجزیه، هزینه خواهد داشت.
