Ainda comprando estações de transferência de IA no Taobao? Denunciante do vazamento do código-fonte do Claude Code: pelo menos dezenas foram envenenadas

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

Revelações do denunciante do vazamento do código-fonte do Claude Code, expondo riscos de segurança nos centros de transferência de IA

Recentemente foi publicado um artigo de pesquisa intitulado “Seu Agente é Meu” (Your Agent Is Mine), cujo um dos autores é Chaofan Shou, o denunciante que revelou inicialmente o vazamento do código-fonte do Claude Code.

Este artigo realiza, pela primeira vez, um estudo sistemático de 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?

Devido ao fato de que invocar LLMs consome uma grande quantidade de tokens, gerando custos elevados de computação, 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, de acordo com a dificuldade da questão do usuário, alternar dinamicamente entre modelos com diferentes padrões de cobrança e desempenho, além de trocar automaticamente para modelos de backup quando um servidor de modelo único fica offline, garantindo a estabilidade do serviço.

Os centros de transferência são especialmente populares na China, pois o país não consegue usar diretamente certos produtos de IA estrangeiros, além da demanda das empresas por localizações de cobrança, tornando esses centros uma ponte importante entre modelos upstream e desenvolvedores downstream. Plataformas como OpenRouter e SiliconFlow também pertencem a essa categoria de serviço.

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

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

Centros de transferência de IA têm acesso completo, criando vulnerabilidades na cadeia de suprimentos

O estudo aponta que os centros de transferência operam na camada de aplicação da arquitetura de rede, tendo acesso completo ao conteúdo de cargas JSON durante a transmissão.

Devido à ausência de uma verificação de integridade de criptografia ponta a ponta entre o cliente e o fornecedor do modelo upstream, 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 no pipeline de processamento de requisições, evidenciando a vulnerabilidade dessa etapa.

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

Testes práticos mostram comportamento malicioso em dezenas de centros de transferência

A equipe de pesquisa comprou 28 centros de transferência pagos em plataformas como Taobao, Xianyu e Shopify, além de coletar 400 centros de transferência gratuitos de comunidades públicas para testes aprofundados, e os resultados revelaram que 1 centro de transferência pago e 8 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 upstream vazadas ou direcionar tráfego para nós com menor proteção de segurança, mesmo 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 sessões estavam operando de forma totalmente autônoma, permitindo que atacantes injetassem cargas maliciosas facilmente, sem necessidade de condições complexas de disparo.

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

Quatro principais técnicas de ataque expostas

O estudo 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 modifica silenciosamente os parâmetros de chamada de ferramenta, como substituir URLs legítimos por servidores controlados pelo atacante, levando o cliente a executar código malicioso.
• Ataque de vazamento de informações confidenciais: o centro de transferência intercepta e rouba informações sensíveis, como chaves de API, credenciais de serviços AWS e chaves privadas de Ethereum, através 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 recomendadas

Diante de ataques de envenenamento na cadeia de suprimentos de centros de transferência de IA, o estudo propõe três medidas de defesa viáveis:

• Implementar políticas de controle para ferramentas de alto risco: verificando e bloqueando comandos de instalação de domínios ou pacotes 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 possa prevenir 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 verificação criptográfica

Embora as defesas no cliente possam reduzir alguns riscos atualmente, elas não resolvem a vulnerabilidade fundamental na autenticação de origem. Desde que as modificações feitas pelos centros de transferência não acionem alertas de segurança no cliente, atacantes podem facilmente alterar 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 verificação criptográfica. Somente vinculando de forma rigorosa os resultados do modelo às instruções finais executadas pelo cliente, por meio de criptografia, será possível assegurar a integridade ponta a ponta dos dados e prevenir integralmente os riscos de cadeia de suprimentos causados por centros de transferência.

Leituras adicionais:
OpenAI usa o Mixpanel! Problemas de vazamento de dados de usuários, cuidado com phishing

Um erro de copiar e colar, 50 milhões de dólares evaporaram! Fraudes com endereços criptográficos, como se prevenir