AnswersPublished13 sources
Forsker: 6 TB data fra kinesisk LLM-router kan have afsløret følsomme adgangsoplysninger
Chaofan Shou hævder at have købt omkring 6 TB modelkaldsdata fra en kinesisk LLM router med SSH nøgler, VPN konfigurationer, Alibaba Cloud legitimationsoplysninger og GitLab tokens. En LLM router kan se prompts og værktøjskald i klartekst og kan derfor blive et centralt opsamlingspunkt for hemmeligheder, hvis udvikl...
Udgivet afRedigeret med GPT-5.6 TerraBilleder genereret med GPT Image 2
Research answer
Key takeaways
- Chaofan Shou hævder at have købt omkring 6 TB modelkaldsdata fra en kinesisk LLM router med SSH nøgler, VPN konfigurationer, Alibaba Cloud legitimationsoplysninger og GitLab tokens.
- En LLM router kan se prompts og værktøjskald i klartekst og kan derfor blive et centralt opsamlingspunkt for hemmeligheder, hvis udviklere lægger dem i agenters kontekst.
- Påstanden er ikke verificeret: Det er ikke fastslået, om datasættet er ægte, om legitimationsoplysningerne var aktive, eller om nogen af de nævnte organisationer blev kompromitteret.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What did security researcher Chaofan Shou, co-founder of Fuzzland, claim after purchasing roughly 6TB of model-invocation logs from a Chines. Article summary: Shou’s account is a serious supply-chain-risk allegation, not a verified breach report. He said that about 6 TB of “Fable” model-invocation data bought from a leading Chinese LLM router contained secrets sufficient to ac. Topic tags: general, general web, user generated, academic. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, char
Sikkerhedsforskeren og Fuzzland-medstifteren Chaofan Shou har sat fokus på en ofte overset risiko i AI-forsyningskæden: den tredjepartsrouter, der ligger mellem en applikation og en LLM-udbyder.
Shou oplyste, at han havde købt cirka 6 TB såkaldte Fable-modelkaldsdata fra en førende kinesisk LLM-router. I et offentligt opslag hævdede han, at materialet indeholdt adgangsoplysninger, som kunne give adgang til systemer knyttet til syv kinesiske/CIS-relaterede offentlige enheder og 19 store kinesiske virksomheder. Han nævnte blandt andet Huawei, Xiaomi, NIO og MiniMax. Det er en påstand – ikke en offentligt verificeret hændelse eller en bekræftelse på, at nogen af de nævnte organisationer er blevet kompromitteret. 11
Hvad påstår Shou, at logfilerne indeholdt?
Ifølge Shous egen beskrivelse og efterfølgende omtale omfattede datasættet følsomt materiale, som brugere havde sendt gennem relæet, herunder:
- private SSH-nøgler
- VPN-konfigurationer
- legitimationsoplysninger til Alibaba Cloud, også kaldet Aliyun
- GitLab-tokens.
11
3
Den type adgangsoplysninger kan være særdeles alvorlige, hvis de stadig er gyldige, er korrekt knyttet til en organisation og har omfattende rettigheder. Den tilgængelige omtale fastslår dog ikke, om nøglerne og tokens var aktive, da Shou fik dataene, om de allerede var tilbagekaldt, eller om de faktisk kunne give den adgang, han beskrev.
Derfor kan en LLM-router samle på legitimationsoplysninger
En LLM-router – også kaldet relæ eller proxy – ligger mellem applikationen eller AI-agenten og den bagvedliggende modeludbyder. Den konstruktion kan give mellemleddet adgang til hele indholdet af forespørgsler og svar i klartekst: prompts, agentkontekst, argumenter til værktøjskald og modellens output.
Forskerne bag Your Agent Is Mine, som Shou er medforfatter på, beskriver disse routere som proxyer på applikationslaget med klartekst-adgang til JSON-data undervejs. Artiklen peger også på, at der i økosystemet mangler håndhævet kryptografisk integritet mellem klienten og den bagvedliggende model. 27
Risikoen opstår eksempelvis, når en udvikler giver en AI-kodeagent en privat nøgle, en .env-fil, en cloud-nøgle, en VPN-profil eller en driftskonfiguration, så agenten kan fejlsøge eller automatisere en opgave. Hvis agenten bruger et eksternt relæ, kan relæet modtage hemmeligheden som en del af konteksten.
Problemet er dermed ikke begrænset til en routeroperatør, der bevidst indsamler data. Omfattende logning, svag adgangskontrol, et indbrud hos relæet eller videreformidling af lagrede logfiler kan alle gøre prompthistorik til et koncentreret arkiv af genanvendelige adgangsoplysninger.
Risikoen handler også om mulig manipulation
Påstanden om de 6 TB passer ind i en bredere arkitektonisk sikkerhedsbekymring, men den beviser ikke, at routeren, Shou henviser til, har handlet forkert.
I Your Agent Is Mine undersøgte forskerne angreb fra ondsindede mellemled i forsyningskæden for LLM-agenter. Hovedpointen er, at en router med indsigt i trafikken potentielt kan gøre mere end at indsamle data: Den kan muligvis ændre modelsvar eller indhold i værktøjskald, før en agent udfører dem. 27
Det er særligt vigtigt for teams, der bruger helt eller delvist autonome agenter:
- Passiv eksponering: Hemmeligheder i prompts, sporingsdata eller argumenter til værktøjskald kan ende i routerens logfiler.
- Aktiv manipulation: Et mellemled kan forsøge at omskrive et svar eller et værktøjskald og dermed ændre, hvad agenten gør som næste skridt.
- Misbrug af adgangsoplysninger: En kompromitteret eller ondsindet rute kan både eksponere legitimationsoplysninger i agentkonteksten og påvirke agentens brug af dem.
Forskningen dokumenterer angrebsfladen ved tredjeparts LLM-routing. Den validerer ikke uafhængigt oprindelsen, omfanget eller indholdet af Shous senere påstand om et datasæt på 6 TB. 27
Hvad er fortsat ubekræftet?
Det er vigtigt at holde fast i grænsen for, hvad materialet faktisk dokumenterer. Offentligt tilgængelige oplysninger bekræfter ikke uafhængigt:
- at datasættet på cirka 6 TB er ægte, komplet eller stammer fra den påståede router;
- hvem der drev relæet, eller om data bevidst blev solgt frem for stjålet af en ekstern aktør;
- hvornår dataene blev indsamlet, hvor længe de blev opbevaret, eller hvordan de blev behandlet;
- om adgangsoplysningerne var aktive, korrekt tilskrevet de nævnte enheder eller havde tilstrækkelige rettigheder;
- at Shou brugte nogen af adgangsoplysningerne, fik adgang til systemer eller gennemførte et indbrud; eller
- officielle bekræftelser eller reaktioner fra Huawei, Xiaomi, NIO, MiniMax, de offentligt relaterede enheder eller routeroperatøren.
Når virksomheder eller myndigheder omtales som “knyttet til” dataene, bør det derfor læses som, at de angiveligt forekommer i datasættet – ikke som en bekræftelse af et sikkerhedsbrud.
Sådan bør organisationer håndtere eksterne LLM-proxyer
Den praktiske læring afhænger ikke af, om den konkrete påstand senere bliver bekræftet. Ethvert eksternt mellemled, der modtager agenttrafik, bør betragtes som en privilegeret del af organisationens sikkerhedsgrænse.
Hold hemmeligheder ude af prompts og agentkontekst
Indsæt ikke private nøgler, VPN-filer, cloud-adgangsnøgler, adgangstokens, .env-filer eller produktionskonfigurationer i prompts. Brug kontroller på klientsiden eller i en intern gateway til at opdage, blokere eller maskere sandsynlige hemmeligheder, før en forespørgsel forlader organisationen.
Erstat genanvendelige nøgler med kortvarig og afgrænset adgang
Værktøjer bør få snævert afgrænsede legitimationsoplysninger med kort udløbstid, hentet efter behov fra en secrets manager eller et system for arbejdsidentitet. Et token med få rettigheder og kort levetid begrænser skaden, hvis en agentlog eller routerlog bliver eksponeret.
Rotér legitimationsoplysninger ved mistanke om eksponering
Kortlæg de relæer og proxyer, som udviklere, kodeassistenter og agenter bruger. Hvis en følsom nøgle kan være sendt gennem et ukendt eller ikke-betroet mellemled, bør den udskiftes. Gennemgå samtidig revisionslogfiler fra SSH, VPN, GitLab og cloud-tjenester for usædvanlig aktivitet.
Foretræk direkte forbindelser eller internt styrede gateways
Forbind om muligt direkte til modeludbyderen, eller benyt en intern gateway, som organisationen selv styrer. Hvis et tredjepartsrelæ eller et Kina-orienteret relæ er nødvendigt, bør man vurdere ejerskab, dataplacering, underleverandører, sikkerhedskontroller, vilkår for hændelsesrapportering samt forpligtelser om logning, træning, salg og sekundær brug af kundedata.
Begræns, hvad agenter må udføre
Kræv udtrykkelig godkendelse ved følsomme handlinger, brug tilladelseslister for værktøjer og destinationer, og overvåg uventede ændringer i modelidentitet, svarformat, værktøjsskemaer eller udgående værktøjskald. Det kan mindske konsekvenserne af den potentielle manipulation af svarvejen, som forskningen beskriver. 27
Behandl agentlogfiler som produktionshemmeligheder
Slå indholdslogning fra, hvor det er muligt. Når logning er nødvendig, skal hemmeligheder maskeres før lagring, logfiler krypteres, adgang begrænses, opbevaringsperioder dokumenteres og holdes korte, og ukontrolleret eksport forhindres. Argumenter til værktøjskald og agentspor bør beskyttes på linje med kildekode, legitimationsoplysninger og produktionskonfiguration.
Bundlinjen
Shous beretning om 6 TB data bør behandles som en ubekræftet, men alvorlig påstand. Den mest holdbare læring er arkitektonisk: En LLM-router er ikke blot et neutralt rør, når den kan læse de prompts, adgangsoplysninger, værktøjsinput og svar, der passerer igennem den. Organisationer, som anvender AI-agenter, bør derfor antage, at hvert eksternt relæ udvider kredsen af betroede systemer – og indrette promptdisciplin, nøglestyring, logning og udførelseskontrol derefter. 11
27
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Forsker: 6 TB data fra kinesisk LLM-router kan have afsløret følsomme adgangsoplysninger"?
Chaofan Shou hævder at have købt omkring 6 TB modelkaldsdata fra en kinesisk LLM router med SSH nøgler, VPN konfigurationer, Alibaba Cloud legitimationsoplysninger og GitLab tokens.
What are the key points to validate first?
Chaofan Shou hævder at have købt omkring 6 TB modelkaldsdata fra en kinesisk LLM router med SSH nøgler, VPN konfigurationer, Alibaba Cloud legitimationsoplysninger og GitLab tokens. En LLM router kan se prompts og værktøjskald i klartekst og kan derfor blive et centralt opsamlingspunkt for hemmeligheder, hvis udviklere lægger dem i agenters kontekst.
What should I do next in practice?
Påstanden er ikke verificeret: Det er ikke fastslået, om datasættet er ægte, om legitimationsoplysningerne var aktive, eller om nogen af de nævnte organisationer blev kompromitteret.