← Retour au blog

Pirater LiteLLM et fuite dans Railway : quels secrets du stack de scraping changer en premier

Le 21 octobre 2026, une version compromise de LiteLLM 1.107.0 a été publiée sur PyPI, et Railway a signalé l'accès aux variables d'environnement des clients. Analysons ce que recherchait le collecteur de secrets, pourquoi la suppression du paquet est insuffisante, comment vérifier vos environnements et dans quel ordre changer les clés du cloud, CI et les identifiants de proxy.

📅26 octobre 2026
Pirater LiteLLM et fuite dans Railway : quels secrets du stack de scraping changer en premier

Le 21 octobre 2026, deux histoires se sont produites en une seule matinée concernant une même classe de données : les secrets qui résident dans les variables d'environnement. À 11h39 UTC, une version compromise de LiteLLM 1.107.0 a été publiée sur PyPI — un portail populaire vers des modèles de langage, utilisé dans de nombreux agents IA et pipelines de parsing. Le même jour, la plateforme cloud Railway a signalé qu'un tiers avait pu accéder au stockage des variables d'environnement des clients, et pour certains, aux valeurs déchiffrées. Si votre scraper, bot ou agent fonctionne sur Python ou dans un PaaS, examinons ce qui a fuité, comment se vérifier et dans quel ordre changer les clés — y compris les identifiants et mots de passe des proxies.

Que s'est-il passé avec LiteLLM 1.107.0

Selon Datadog Security Labs, les attaquants ont utilisé des tokens OAuth volés de GitHub CLI appartenant à trois ingénieurs du projet. Grâce à cela, ils ont lancé un workflow de publication privé de LiteLLM, mais l'ont assemblé à partir d'un fork falsifié Berri-AI/litellm — qui se distingue du véritable BerriAI/litellm par un seul tiret. Le lancement a été confirmé par eux-mêmes, les traces ont été effacées, et dans la signature de provenance de la compilation est resté le nom du fork.

  • 11h39 UTC — la version 1.107.0 est publiée sur PyPI;
  • 13h20 UTC — PyPI la met en quarantaine;
  • 13h53 UTC — les images Docker infectées sont supprimées.

La fenêtre d'exposition était d'environ deux heures, mais selon Datadog, le paquet compte environ 23 millions de téléchargements par semaine. Non seulement sept fichiers wheel pour macOS, Linux et Windows ont été infectés, mais aussi les images officielles sur GHCR et Docker Hub. Les tags flottants latest, main-latest et main-stable indiquaient ce jour-là l'image malveillante. Cela signifie que n'importe qui ayant reconstruit ou redémarré un conteneur en tirant la « dernière version » a pu être affecté, même s'il n'a rien mis à jour manuellement.

C'est déjà le deuxième incident avec LiteLLM en 2026 : en mars, les versions 1.82.7 et 1.82.8 ont été compromises. La connexion entre les incidents, comme le note Datadog, n'a pas été établie. La dernière version propre est 1.106.2.

Pourquoi supprimer le paquet n'est pas suffisant

Le principal tour de l'attaque réside dans le mécanisme d'auto-démarrage de Python. Avec le paquet, trois fichiers étaient placés dans site-packages : cook.pth, cook.py et sitecustomize.py. Les fichiers avec l'extension .pth et le module sitecustomize sont exécutés à chaque démarrage de l'interpréteur Python. Comme l'explique Endor Labs, dans cook.pth, il n'y avait qu'une seule ligne import cook — et cela suffisait pour que le collecteur de secrets s'active dans n'importe quel processus Python sur la machine, même si LiteLLM n'était pas importé ailleurs.

  • Le collecteur (cook.py) empaquetait les données trouvées, les chiffrait avec AES-256 en utilisant une clé RSA-4096, et les envoyait par requête POST à www.litellm[.]dev/healthcheck — le domaine est spécialement conçu pour ressembler à un vrai.
  • Le backdoor (sitecustomize.py) lisait l'adresse du serveur à partir d'un fichier sur GitHub toutes les heures et exécutait le code envoyé sans vérifier la signature. Selon Datadog, le fichier contenait uniquement des valeurs de test, aucune seconde étape n'a été enregistrée.
  • Résilience : pip uninstall litellm ne supprime pas les fichiers, et chaque lancement de python ou pip relance le collecteur. Par conséquent, les chercheurs conseillent de vérifier la machine infectée avec des outils qui ne sont pas basés sur Python.

Que cherchait exactement le collecteur

La liste des cibles est large — en gros, tout ce que voit le processus :

  • toutes les variables d'environnement non vides, et sur Linux — aussi l'environnement d'autres processus;
  • les fichiers .env, les configurations CI, Docker et Kubernetes, les secrets des comptes de service;
  • les clés des clouds AWS, GCP, Azure, y compris le service de métadonnées de l'instance;
  • les clés SSH, GPG et TLS, les tokens Git, npm et PyPI, le fichier .netrc;
  • les mots de passe enregistrés et les cookies des navigateurs Chromium et Firefox;
  • les clés et sessions des outils IA : Claude, Codex, Gemini, Cursor, Copilot et d'autres;
  • si la base LiteLLM Proxy est configurée — jusqu'à 500 lignes des tableaux avec les clés des fournisseurs de modèles;
  • l'historique de la ligne de commande.

Les analyses ne mentionnent pas spécifiquement les variables HTTP_PROXY et HTTPS_PROXY. Mais puisque le collecteur prenait toutes les variables d'environnement, .env et l'historique de la ligne de commande, les identifiants de proxy ont été automatiquement inclus : c'est là qu'ils sont généralement conservés. Une ligne de type http://login:password@host:port dans HTTPS_PROXY, dans le .env du parser ou dans une commande curl de l'historique — c'est un secret tout aussi important qu'une clé cloud.

Railway : la fuite ne vient pas du code, mais de la plateforme

Railway, dans sa divulgation du 21 octobre, indique qu'il a remarqué une activité anormale dans les systèmes où sont stockées les variables d'environnement des clients. Selon les données actuelles, un tiers a pu accéder aux variables chiffrées, et pour certains, au contenu déchiffré. Les déploiements ont été mis en pause. L'échelle de l'incident n'est pas précisée : ils parlent d'une « partie des utilisateurs » et promettent d'informer directement ceux touchés, mais conseillent à tous de prendre des précautions :

  1. changer toutes les variables d'environnement dans Railway, y compris les clés API;
  2. changer les identifiants des registres privés;
  3. vérifier les journaux des services pour une activité inhabituelle.

La société relie l'incident à une série d'attaques sur les services de plateforme, dont le but est d'accéder aux clés des fournisseurs d'inférence IA ; les fournisseurs ont déjà été avertis et ils révoquent les clés. Dans une mise à jour du 23 octobre, Railway recommande également de reconnecter GitHub et de recréer les tokens CLI et CI.

Le dénominateur commun des deux histoires est simple : les variables d'environnement ne sont pas un coffre-fort. C'est une liste pratique de secrets que tout code dans le processus peut lire et que toute plateforme où vous déployez peut conserver.

Comment vérifier si vous avez été affecté

  1. Recherchez la version dans les dépendances. Vérifiez requirements.txt, poetry.lock, uv.lock et les journaux CI du 21 octobre pour litellm==1.107.0. Prenez en compte les dépendances transitives : LiteLLM est souvent tiré par des frameworks d'agents, et non directement par vous.
  2. Recherchez des fichiers dans site-packages. La présence de cook.pth ou de sitecustomize.py non autorisés est un signe direct. Recherchez avec find, et non avec un script Python.
  3. Vérifiez les images. Si vous avez tiré litellm/litellm:latest ou main-stable le 21 octobre, comparez le digest avec les indicateurs publiés.
  4. Recherchez des marqueurs dans /tmp : /tmp/.pc_once_72129118c59f5636c0bb et /tmp/remote_code_loader.lock.
  5. Vérifiez les journaux réseau pour des requêtes à litellm[.]dev et des chemins se terminant par /codepy.
  6. Railway — vérifiez votre e-mail et la page de statut de l'incident, mais ne vous attendez pas à un message : la recommandation de changer les clés concerne tout le monde.

Si quelque chose est trouvé, il est préférable de reconstruire la machine à partir d'une image propre plutôt que de nettoyer sur place, et de changer les clés depuis un autre appareil, clairement propre.

Dans quel ordre changer les secrets

Changer « tout » est correct, mais en pratique, cela s'étale sur plusieurs jours. L'ordre doit être choisi en fonction du coût des dommages et de la rapidité avec laquelle une clé peut être exploitée :

  1. Clés cloud et de paiement — AWS/GCP/Azure, clés des fournisseurs LLM, clé maître de LiteLLM Proxy. Elles peuvent rapidement « coûter » de l'argent.
  2. Git, npm, PyPI, registres d'images et tokens CI — par leur intermédiaire, l'attaque se propage vers vos utilisateurs. L'histoire de LiteLLM a justement commencé avec des tokens CLI volés.
  3. Bases de données et clés SSH.
  4. Identifiants et mots de passe des proxies. Un tiers avec vos identifiants consomme votre trafic payé et accède au réseau avec vos IP — les conséquences sous forme de bans et de captchas toucheront vos comptes.
  5. Sessions des navigateurs et des outils IA — déconnectez-vous partout et reconnectez-vous.

Pour les proxies, il existe un signal précoce simple : une consommation de trafic que vous ne pouvez pas expliquer. Si le solde dans le tableau de bord diminue plus vite que d'habitude ou si le nombre de requêtes augmente à des heures où vos tâches ne fonctionnent pas, cela signifie que quelqu'un utilise vos identifiants.

Comment organiser les identifiants de proxy pour que la fuite coûte peu

Il est impossible de se protéger complètement contre un paquet empoisonné, mais il est possible de faire en sorte qu'une fuite n'affecte qu'une tâche, et non l'ensemble de la pile.

  • Un proxy séparé pour chaque tâche et environnement. Ne conservez pas un seul identifiant pour le parser de production, le développement local et CI. Si une clé fuit depuis CI, vous désactivez un proxy, et non tout. Dans ProxyCove, chaque proxy acheté est une paire identifiant/mot de passe distincte, donc cette séparation ne coûte rien : pour le suivi des prix — proxies résidentiels, pour les requêtes techniques massives où un IP « domestique » n'est pas nécessaire — proxies de centre de données.
  • Ne placez pas les identifiants dans la variable HTTPS_PROXY globalement. Une variable globale est visible par chaque processus et chaque paquet. Il est plus sûr de transmettre le proxy uniquement au client nécessaire ou de mettre en place une passerelle locale qui connaît le mot de passe, — comment faire cela avec gost, 3proxy ou Squid, nous l'avons abordé dans un article sur la passerelle locale pour proxy avec mot de passe.
  • Conservez les secrets dans un gestionnaire de secrets, et non dans .env dans le dépôt ou l'historique de la ligne de commande. Les règles générales sont dans notre guide sur le stockage sécurisé des identifiants de proxy.
  • Maintenez un petit solde de trafic sur les proxies qui se trouvent dans des environnements à risque comme CI ou des bancs d'essai : le plafond des dommages est égal au solde.

Que changer dans la compilation

La plupart des personnes touchées par LiteLLM ont été affectées non pas à cause d'un « mauvais » code, mais à cause des habitudes de compilation. Certaines des recommandations ci-dessous proviennent des analyses de Datadog et Endor Labs, d'autres sont des pratiques d'hygiène de compilation :

  • fixez les versions avec des hachages dans les fichiers de verrouillage, et les images par digest, et non par le tag latest;
  • ne mettez pas à jour les dépendances le jour de la publication : un court délai avant d'accepter de nouvelles versions bloque la plupart des attaques avec une fenêtre de quelques heures;
  • surveillez l'apparition de nouveaux fichiers .pth et de sitecustomize.py dans les paquets tiers — pour une bibliothèque ordinaire, c'est rare;
  • traitez les tokens CLI des développeurs comme des clés de production et autorisez le workflow de publication uniquement à partir de dépôts et de branches de confiance;
  • exécutez les parsers dans des conteneurs isolés avec un minimum de secrets : un processus qui collecte des prix n'a pas besoin de clés cloud et SSH.

Conclusion

LiteLLM et Railway ont montré deux faces d'un même problème : les secrets fuient à la fois par le bas, à travers une dépendance que vous n'importez même pas, et par le haut, à travers la plateforme à laquelle vous les avez confiés. Si le 21 octobre vous avez installé ou reconstruit des environnements Python avec LiteLLM ou déployé sur Railway — changez vos clés maintenant, en commençant par le cloud et les tokens CI, et n'oubliez pas les proxies. Pour l'avenir, séparez les identifiants de proxy par tâches et environnements : ainsi, la prochaine fuite ne nécessitera que la désactivation d'un identifiant, et non l'arrêt de tout le parsing.