← Voltar ao blog

Vazamento do LiteLLM e Railway: quais segredos do stack de scraping mudar primeiro

Em 21 de outubro de 2026, uma versão envenenada do LiteLLM 1.107.0 foi lançada no PyPI, e a Railway informou sobre o acesso às variáveis de ambiente dos clientes. Vamos analisar o que o coletor de segredos estava procurando, por que a remoção do pacote é insuficiente, como verificar seus ambientes e em que ordem trocar as chaves da nuvem, CI e logins de proxy.

📅26 de outubro de 2026
Vazamento do LiteLLM e Railway: quais segredos do stack de scraping mudar primeiro

21 de outubro de 2026, em uma manhã, ocorreram duas histórias sobre a mesma classe de dados — segredos que vivem em variáveis de ambiente. Às 11:39 UTC, uma versão contaminada do LiteLLM 1.107.0 — um popular gateway para modelos de linguagem, que está presente em muitos agentes de IA e pipelines de parsing — foi lançada no PyPI. No mesmo dia, a plataforma de nuvem Railway informou que um terceiro poderia ter acessado o armazenamento de variáveis de ambiente dos clientes, e parte deles — os valores decifrados. Se seu scraper, bot ou agente é executado em Python ou em PaaS, vamos entender o que exatamente vazou, como se verificar e em que ordem mudar as chaves — incluindo logins e senhas de proxy.

O que aconteceu com o LiteLLM 1.107.0

De acordo com o Datadog Security Labs, os criminosos usaram tokens OAuth roubados do GitHub CLI de três engenheiros do projeto. Com isso, eles iniciaram um workflow de lançamento fechado do LiteLLM, mas o compilaram a partir de um fork falso Berri-AI/litellm — que difere do verdadeiro BerriAI/litellm por um hífen. O lançamento foi confirmado por eles, as pistas foram apagadas, e na assinatura de origem da compilação (provenance) permaneceu o nome do fork.

  • 11:39 UTC — a versão 1.107.0 foi publicada no PyPI;
  • 13:20 UTC — o PyPI a colocou em quarentena;
  • 13:53 UTC — as imagens Docker contaminadas foram removidas.

A janela de tempo foi de cerca de duas horas, mas o pacote, segundo o Datadog, tem cerca de 23 milhões de downloads por semana. Foram contaminados não apenas sete arquivos wheel para macOS, Linux e Windows, mas também as imagens oficiais no GHCR e Docker Hub. As tags flutuantes latest, main-latest e main-stable naquele dia apontavam para a imagem maliciosa. Isso significa que qualquer um que tivesse um contêiner recompilado ou reiniciado puxando a "última versão", mesmo que não tivesse atualizado nada manualmente, poderia ter sido afetado.

Este já é o segundo caso com o LiteLLM em 2026: em março, as versões 1.82.7 e 1.82.8 foram comprometidas. A conexão entre os incidentes, como observa o Datadog, não foi estabelecida. A última versão limpa é a 1.106.2.

Por que remover o pacote não é suficiente

A principal astúcia do ataque é o mecanismo de autoexecução do Python. Junto com o pacote, três arquivos foram colocados em site-packages: cook.pth, cook.py e sitecustomize.py. O Python executa arquivos com a extensão .pth e o módulo sitecustomize a cada início do interpretador. Como analisou o Endor Labs, havia exatamente uma linha em cook.pth import cook — e isso era suficiente para que o coletor de segredos fosse ativado em qualquer processo Python na máquina, mesmo que o LiteLLM não fosse importado em lugar nenhum.

  • O coletor (cook.py) empacotava o que encontrava, criptografava com AES-256 usando uma chave RSA-4096 e enviava via POST para www.litellm[.]dev/healthcheck — o domínio foi projetado para se parecer com o verdadeiro.
  • O backdoor (sitecustomize.py) lia a cada hora o endereço do servidor de um arquivo no GitHub e executava o código enviado de lá sem verificar a assinatura. Segundo o Datadog, o arquivo continha apenas valores de teste, e a segunda fase não foi registrada.
  • Resiliência: pip uninstall litellm não remove os arquivos, e cada execução de python ou pip reinicia o coletor. Portanto, os pesquisadores recomendam verificar a máquina contaminada com ferramentas que não sejam em Python.

O que exatamente o coletor procurava

A lista de alvos é ampla — basicamente, tudo o que o processo vê:

  • todas as variáveis de ambiente não vazias, e no Linux — também o ambiente de outros processos;
  • arquivos .env, configurações de CI, Docker e Kubernetes, segredos de contas de serviço;
  • chaves de nuvem AWS, GCP, Azure, incluindo o serviço de metadados da instância;
  • chaves SSH, GPG e TLS, tokens Git, npm e PyPI, arquivo .netrc;
  • senhas salvas e cookies dos navegadores Chromium e Firefox;
  • chaves e sessões de ferramentas de IA: Claude, Codex, Gemini, Cursor, Copilot e outras;
  • se a base LiteLLM Proxy estiver configurada — até 500 linhas de tabelas com chaves de provedores de modelos;
  • histórico do shell.

Nas análises, não há menção separada das variáveis HTTP_PROXY e HTTPS_PROXY. Mas como o coletor pegava todas as variáveis de ambiente, .env e o histórico do shell, as credenciais de proxy foram capturadas automaticamente: é exatamente onde geralmente são mantidas. Uma linha do tipo http://login:password@host:port em HTTPS_PROXY, no .env do parser ou no comando curl do histórico — é um segredo tão valioso quanto uma chave de nuvem.

Railway: o vazamento não é do código, mas da plataforma

A Railway em sua divulgação de 21 de outubro escreve que pela manhã notou uma atividade anômala nos sistemas onde as variáveis de ambiente dos clientes são armazenadas. De acordo com as informações atuais, um terceiro poderia ter acessado as variáveis criptografadas, e parte delas — o conteúdo decifrado. Os deploys foram colocados em pausa. A empresa não divulga a escala: fala de "parte dos usuários" e promete entrar em contato diretamente com os afetados, mas recomenda a todos que se precavenham:

  1. trocar todas as variáveis de ambiente na Railway, incluindo chaves de API;
  2. trocar as credenciais de registros privados;
  3. verificar os logs dos serviços em busca de atividade incomum.

A empresa relaciona o incidente a uma série de ataques a serviços de plataforma, cujo objetivo é obter as chaves dos provedores de inferência de IA; os provedores já foram avisados e estão revogando as chaves. Na atualização de 23 de outubro, a Railway recomenda ainda reconectar o GitHub e recriar os tokens CLI e CI.

O denominador comum das duas histórias é simples: variáveis de ambiente — não são um cofre. É uma lista comum de segredos que qualquer código no processo pode ler e que qualquer plataforma onde você faz o deploy pode armazenar.

Como verificar se você foi afetado

  1. Busque a versão nas dependências. Verifique requirements.txt, poetry.lock, uv.lock e logs de CI de 21 de outubro para litellm==1.107.0. Considere as dependências transitivas: o LiteLLM é frequentemente puxado por frameworks de agentes, e não por você diretamente.
  2. Busque arquivos em site-packages. A presença de cook.pth ou sitecustomize.py de terceiros é um sinal direto. Procure usando find, e não um script em Python.
  3. Compare as imagens. Se você puxou litellm/litellm:latest ou main-stable em 21 de outubro, compare o digest com os indicadores publicados.
  4. Busque marcadores em /tmp: /tmp/.pc_once_72129118c59f5636c0bb e /tmp/remote_code_loader.lock.
  5. Verifique os logs de rede para solicitações a litellm[.]dev e caminhos que terminam em /codepy.
  6. Railway — verifique seu e-mail e a página de status do incidente, mas não espere um e-mail: a recomendação de mudar as chaves se aplica a todos.

Se algo for encontrado — é melhor reconstruir a máquina a partir de uma imagem limpa do que limpar no local, e mudar as chaves a partir de outro dispositivo que você sabe que está limpo.

Em que ordem mudar os segredos

Mudar "tudo" é o correto, mas na prática isso se estende por dias. A ordem deve ser escolhida com base no custo do dano e na rapidez com que a chave pode ser utilizada:

  1. Chaves de nuvem e de pagamento — AWS/GCP/Azure, chaves de provedores de LLM, chave mestre do LiteLLM Proxy. Com elas, é possível "queimar" dinheiro rapidamente.
  2. Git, npm, PyPI, registros de imagens e tokens de CI — por meio deles, o ataque avança para seus usuários. A história do LiteLLM começou exatamente com tokens CLI roubados.
  3. Bancos de dados e chaves SSH.
  4. Logins e senhas de proxy. Uma pessoa estranha com suas credenciais consome seu tráfego pago e navega na rede com seus IPs — e as consequências, como bans e CAPTCHAs, chegarão às suas contas.
  5. Sessões de navegadores e ferramentas de IA — desconecte-se de todos os lugares e faça login novamente.

Para proxies, há um sinal inicial simples: consumo de tráfego que você não consegue explicar. Se o saldo na sua conta está diminuindo mais rápido do que o normal ou o número de solicitações aumenta em horários em que suas tarefas não estão funcionando, — as credenciais estão sendo usadas por alguém.

Como configurar credenciais de proxy para que o vazamento custe barato

Não é possível se proteger completamente contra um pacote contaminado, mas é possível fazer com que o vazamento afete uma única tarefa, e não todo o stack.

  • Um proxy separado para cada tarefa e ambiente. Não mantenha um único login para o parser de produção, desenvolvimento local e CI. Se uma chave vazar do CI, você desativa um proxy, e não para tudo. No ProxyCove, cada proxy comprado é um par separado de login/senha, portanto, essa separação não custa nada: sob monitoramento de preços — proxies residenciais, para solicitações técnicas em massa, onde um IP "doméstico" não é necessário — proxies de datacenter.
  • Não coloque credenciais na variável HTTPS_PROXY globalmente. A variável global é visível para cada processo e cada pacote. É mais seguro passar o proxy apenas para o cliente necessário ou levantar um gateway local que só ele conheça a senha — como fazer isso no gost, 3proxy ou Squid, discutimos no artigo sobre gateway local para proxy com senha.
  • Mantenha segredos em um gerenciador de segredos, e não em .env no repositório ou no histórico do shell. Regras gerais estão em nosso guia sobre armazenamento seguro de credenciais de proxy.
  • Mantenha um pequeno saldo de tráfego em proxies que operam em ambientes arriscados, como CI ou ambientes de teste: o teto do dano é igual ao saldo.

O que mudar na construção

A maioria dos afetados pelo LiteLLM sofreu não por causa de código "ruim", mas devido a hábitos de construção. Algumas das dicas abaixo são de análises do Datadog e Endor Labs, outras são higiene comum de construção:

  • fixe versões com hashes em arquivos de bloqueio, e imagens — por digest, e não pela tag latest;
  • não atualize dependências no dia do lançamento: uma pequena espera antes de aceitar novas versões bloqueia a maioria dos ataques com uma janela de algumas horas;
  • fique atento ao aparecimento de novos arquivos .pth e sitecustomize.py em pacotes de terceiros — para uma biblioteca comum, isso é raro;
  • trate tokens CLI de desenvolvedores como chaves de produção e permita o workflow de lançamento apenas de repositórios e branches confiáveis;
  • execute parsers em contêineres isolados com o mínimo de segredos: um processo que coleta preços não precisa de chaves de nuvem e SSH.

Conclusão

LiteLLM e Railway mostraram duas faces de um mesmo problema: segredos vazam tanto de baixo, através de uma dependência que você nem importa, quanto de cima, através da plataforma à qual você os confiou. Se em 21 de outubro você instalou ou recompilou ambientes Python com LiteLLM ou fez deploy na Railway — mude suas chaves agora, começando pelas nuvens e tokens de CI, e não se esqueça dos proxies. E para o futuro, separe as credenciais de proxy por tarefas e ambientes: assim, o próximo vazamento custará a desativação de um único login, e não a parada de toda a coleta.