Ainda está a comprar na Taobao uma estação de transição de IA? O denunciante do código fonte do Claude Code: pelo menos dezenas foram envenenadas

Revelações recentes de uma pesquisa sobre o whistleblower do vazamento do código fonte do Claude Code revelam que os centros de transferência de IA no mercado escondem riscos de segurança. Testes práticos mostram que alguns centros de transferência podem roubar credenciais, chaves privadas de carteiras ou injetar códigos maliciosos, tornando-se pontos de ataque na cadeia de suprimentos.

Whistleblower do vazamento do código fonte do Claude Code, revela riscos de segurança dos centros de transferência de IA

Recentemente foi publicada uma pesquisa intitulada “Your Agent Is Mine” (Seu Agente é Meu), cujo um dos autores é Chaofan Shou, o whistleblower que revelou inicialmente o vazamento do código fonte do Claude Code.

Este artigo faz uma análise sistemática das ameaças de segurança relacionadas ao roteador de API de terceiros para grandes modelos de linguagem (LLM), também conhecido como centro de transferência, e revela que esses centros podem se tornar pontos de ataque na cadeia de suprimentos.

O que é um centro de transferência de IA?

Como a chamada de LLM consome muitos tokens, gerando altos custos computacionais, os centros de transferência de IA podem usar cache para repetir perguntas e contextos, ajudando os clientes a economizar significativamente nos custos.

Ao mesmo tempo, esses centros possuem funções de alocação automática de modelos, podendo trocar dinamicamente entre diferentes modelos com padrões de cobrança e desempenho variados, de acordo com a dificuldade da questão do usuário, além de trocar automaticamente para modelos de backup caso o servidor principal falhe, garantindo a estabilidade do serviço.

Centros de transferência são especialmente populares na China, pois o país não consegue usar diretamente certos produtos de IA estrangeiros. Além disso, a demanda por cobrança localizada faz desses centros uma ponte importante entre modelos upstream e desenvolvedores downstream. Plataformas como OpenRouter e SiliconFlow também pertencem a esse tipo de serviço.

No entanto, embora pareçam reduzir custos e facilitar o acesso técnico, esses centros escondem riscos de segurança extremamente elevados.

Fonte: Pesquisa revela riscos de ataques na cadeia de suprimentos de centros de transferência de IA

Centros de transferência de IA têm acesso completo, tornando-se vulneráveis a ataques na cadeia de suprimentos

A pesquisa aponta que os centros de transferência operam na camada de aplicação da arquitetura de rede, tendo acesso completo ao conteúdo em texto claro das cargas JSON durante a transmissão.

Como a comunicação entre o cliente e o fornecedor do modelo upstream não possui uma verificação de integridade de criptografia ponta a ponta, os centros de transferência podem facilmente visualizar e modificar chaves de API, prompts do sistema e parâmetros de chamadas de ferramentas na saída do modelo.

A equipe de pesquisa destacou que, já em março de 2026, o roteador de código aberto LiteLLM foi alvo de um ataque de confusão de dependências, permitindo que atacantes injetassem código malicioso na pipeline de processamento de requisições, evidenciando a vulnerabilidade dessa etapa.

• **Notícia relacionada:**Resumo do ataque ao LiteLLM: como verificar se carteiras criptográficas e chaves na nuvem foram comprometidas?

Testes práticos mostram comportamento malicioso em dezenas de centros de transferência de IA

A equipe comprou 28 centros de transferência pagos em plataformas como Taobao, Xianyu e Shopify, além de coletar 400 centros gratuitos de comunidades públicas para testes aprofundados, e os resultados revelaram que 1 centro pago e 8 centros gratuitos injetaram códigos maliciosos ativamente.

Entre as amostras de centros gratuitos, 17 tentaram usar credenciais AWS criadas pelos pesquisadores, e 1 deles chegou a roubar criptomoedas da carteira Ethereum dos pesquisadores.

Dados adicionais indicam que, ao reutilizar credenciais vazadas de upstream ou direcionar o tráfego para nós com menor proteção de segurança, centros aparentemente normais podem ser envolvidos na mesma superfície de ataque.

Durante os testes de infecção, a equipe descobriu que esses nós afetados processaram mais de 2,1 bilhões de tokens, expondo 99 credenciais reais em 440 sessões, sendo que 401 estavam operando de forma totalmente autônoma, permitindo que atacantes injetassem cargas maliciosas facilmente, sem necessidade de condições complexas de disparo.

Fonte: Pesquisa revela que mais de 400 centros de transferência foram testados, com dezenas apresentando comportamentos maliciosos

Quatro principais técnicas de ataque expostas

A pesquisa categoriza as ações maliciosas dos centros de transferência em duas categorias principais e duas variantes de evasão adaptativa.

• Ataque de injeção de carga: após o retorno do resultado do modelo upstream, o centro de transferência altera silenciosamente os parâmetros de chamada de ferramenta, como substituir URLs legítimos por servidores controlados pelo atacante, levando o cliente a executar código malicioso.
• Vazamento de informações confidenciais: o centro de transferência intercepta e rouba chaves de API, credenciais AWS e chaves privadas Ethereum por meio de varredura passiva do tráfego transmitido.

Para evitar detecção de segurança convencional, os atacantes evoluíram para técnicas de injeção de dependências, alterando nomes de pacotes em comandos de instalação de software, substituindo pacotes legítimos por versões maliciosas com nomes iguais ou confusos, publicados em repositórios públicos, criando backdoors persistentes na cadeia de suprimentos.

Outra técnica é a entrega condicional, onde ações maliciosas só são ativadas sob certas condições, como quando o número de requisições ultrapassa 50 ou quando o sistema está operando de forma totalmente autônoma (modo YOLO), para evitar testes de segurança limitados.

Três medidas de defesa viáveis

Diante de ataques de envenenamento na cadeia de suprimentos de centros de transferência de IA, a pesquisa propõe três estratégias de defesa:

• Implementar políticas de controle para ferramentas de alto risco: verificando e bloqueando domínios ou comandos de instalação não autorizados, com uma taxa de falsos positivos de 1%, bloqueando a maioria dos ataques de injeção de carga.
• Mecanismo de filtragem de anomalias na resposta: capaz de identificar 89% das cargas maliciosas com uma taxa de falsos positivos de 6,7%, auxiliando na revisão manual por desenvolvedores.
• Registro de logs de transparência adicional: embora não previna ataques, registra hashes de requisições e respostas, permitindo rastreamento e avaliação de danos em incidentes de segurança.

Apelo aos fornecedores upstream para implementação de mecanismos de autenticação criptográfica

Embora as defesas do cliente possam reduzir alguns riscos atualmente, elas não resolvem a vulnerabilidade fundamental na verificação de identidade na origem. Desde que alterações feitas nos centros de transferência não acionem alertas de anomalia no cliente, atacantes podem facilmente modificar a semântica da execução do programa e causar danos.

Para garantir a segurança do ecossistema de agentes de IA de forma definitiva, é necessário que os fornecedores upstream adotem mecanismos de resposta com suporte a autenticação criptográfica. Somente vinculando rigorosamente os resultados gerados pelo modelo às instruções finais executadas pelo cliente, será possível assegurar a integridade ponta a ponta dos dados e prevenir integralmente os riscos de cadeia de suprimentos causados por alterações nos centros de transferência.

Leituras adicionais:
OpenAI usa o Mixpanel e teve vazamento de dados! Cuidado com phishing por e-mail

Um erro de copiar e colar fez 50 milhões de dólares evaporarem! Fraudes com endereços criptográficos voltam a acontecer, como se proteger?