RespostasPublicado13 fontes
Pesquisador afirma que logs de roteador de LLM expuseram chaves e tokens de empresas chinesas
Chaofan Shou afirma que cerca de 6 TB de logs de invocação de modelos continham chaves SSH, configurações de VPN, credenciais da Alibaba Cloud e tokens do GitLab supostamente ligados a 19 empresas e sete entidades gov... Roteadores de LLM podem ler prompts e respostas em texto claro e, conforme pesquisas sobre ataqu...
Publicado porEditado com GPT-5.6 TerraImagens geradas com GPT Image 2
Resposta de pesquisa
Principais conclusões
- Chaofan Shou afirma que cerca de 6 TB de logs de invocação de modelos continham chaves SSH, configurações de VPN, credenciais da Alibaba Cloud e tokens do GitLab supostamente ligados a 19 empresas e sete entidades gov...
- Roteadores de LLM podem ler prompts e respostas em texto claro e, conforme pesquisas sobre ataques de intermediários, potencialmente alterar chamadas de ferramentas antes de sua execução.
Prompt de IA
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
A alegação do pesquisador de segurança Chaofan Shou, cofundador da Fuzzland, acendeu um alerta sobre um risco muitas vezes subestimado na cadeia de fornecimento de IA: o intermediário que fica entre uma aplicação e o provedor do modelo de linguagem.
Shou disse ter comprado cerca de 6 TB de dados de invocação de modelos, chamados por ele de “Fable”, de um dos principais roteadores chineses de LLM. Em uma publicação pública, afirmou que o material incluía credenciais capazes de dar acesso a sistemas associados a sete entidades governamentais da China e da Comunidade dos Estados Independentes (CEI), além de 19 grandes empresas chinesas. Huawei, Xiaomi, NIO e MiniMax foram citadas como exemplos. Trata-se de uma alegação — não há confirmação pública independente de uma violação nem de comprometimento das organizações mencionadas. 11
O que os logs supostamente continham
Segundo o relato de Shou e reportagens posteriores, o conjunto de dados trazia material sensível enviado por usuários por meio do intermediário, incluindo:
- chaves privadas SSH;
- configurações de VPN;
- credenciais da Alibaba Cloud, também conhecida como Aliyun;
- tokens do GitLab.
11
3
Esses tipos de credenciais podem ter consequências graves se ainda estiverem ativos, se a atribuição estiver correta e se tiverem permissões amplas. Porém, as informações disponíveis não estabelecem se os segredos eram válidos quando foram obtidos, se já haviam sido revogados ou se de fato concediam o nível de acesso alegado por Shou.
Por que um roteador de LLM pode virar ponto de coleta de credenciais
Um roteador, relay ou proxy de LLM fica entre uma aplicação ou agente e o provedor do modelo. Essa arquitetura pode dar ao intermediário acesso ao conteúdo completo de requisições e respostas em texto claro: prompts, contexto do agente, argumentos de chamadas de ferramentas e saídas do modelo.
Os autores de Your Agent Is Mine, artigo assinado também por Shou, descrevem esses roteadores como proxies na camada de aplicação com acesso a cargas JSON em trânsito sem criptografia de conteúdo. O estudo também argumenta que o ecossistema não impõe integridade criptográfica entre o cliente e o modelo de origem. 27
Na prática, a exposição pode ocorrer de forma simples: um desenvolvedor fornece a um agente de programação uma chave privada, um arquivo .env, uma chave de nuvem, um perfil de VPN ou uma configuração de deploy para que ele investigue ou automatize uma tarefa. Se o agente usa um relay externo, esse intermediário pode receber o segredo dentro do contexto da requisição.
O risco, portanto, não depende apenas de um operador coletar dados deliberadamente. Logs excessivos, controles de acesso fracos, uma invasão do relay ou a distribuição secundária de registros armazenados também podem transformar históricos de prompts em um arquivo concentrado de credenciais reutilizáveis.
O risco vai além da observação: também pode haver adulteração
A alegação sobre os 6 TB é compatível com uma preocupação arquitetural mais ampla, mas não prova má conduta do roteador citado por Shou.
Em Your Agent Is Mine, os pesquisadores analisaram ataques de intermediários maliciosos na cadeia de fornecimento de agentes de LLM. A conclusão central é que um roteador com visibilidade sobre o tráfego pode fazer mais do que coletar dados: ele pode, potencialmente, modificar respostas do modelo ou conteúdo de chamadas de ferramentas antes de o agente executá-los. 27
Para equipes que usam agentes autônomos ou semiautônomos, a distinção é relevante:
- Exposição passiva: segredos inseridos em prompts, rastros de execução ou argumentos de ferramentas podem ser capturados nos logs do roteador.
- Adulteração ativa: um intermediário pode tentar reescrever uma resposta ou uma chamada de ferramenta, alterando a próxima ação do agente.
- Abuso de credenciais: uma rota comprometida ou maliciosa pode expor credenciais presentes no contexto do agente ou influenciar a forma como ele as utiliza.
A pesquisa estabelece a superfície de ataque associada ao roteamento de LLM por terceiros. Ela não valida de forma independente a origem, a integridade ou o conteúdo do conjunto de dados de 6 TB citado posteriormente. 27
O que continua sem confirmação
É importante separar a alegação das evidências publicamente verificadas. O material disponível não comprova de forma independente:
- que o conjunto de aproximadamente 6 TB seja autêntico, completo ou tenha se originado do roteador alegado;
- a identidade do operador do relay, nem se ele vendeu os dados conscientemente ou foi vítima de furto externo;
- quando os dados foram coletados, por quanto tempo foram retidos ou como foram tratados;
- se as credenciais estavam ativas, foram corretamente associadas às entidades citadas ou tinham permissões suficientes para o acesso alegado;
- que Shou tenha usado alguma credencial, acessado sistemas ou realizado uma invasão bem-sucedida; ou
- confirmações ou manifestações oficiais da Huawei, Xiaomi, NIO, MiniMax, das entidades governamentais ou do operador do relay.
Assim, dizer que uma organização foi “vinculada” ao caso deve ser entendido como supostamente presente no conjunto de dados, e não como confirmação de que ela sofreu uma violação.
O que organizações que usam proxies de LLM devem fazer
A lição prática não depende de a alegação específica sobre os 6 TB ser confirmada. Qualquer intermediário externo que receba tráfego de agentes deve ser tratado como parte privilegiada do perímetro de segurança.
1. Não coloque segredos em prompts ou no contexto do agente
Evite colar chaves privadas, arquivos de VPN, chaves de acesso à nuvem, tokens, arquivos .env ou configurações de produção em prompts. Implemente verificações no cliente ou em um gateway interno para detectar e bloquear — ou ocultar — possíveis segredos antes que a requisição saia da organização.
2. Troque credenciais reutilizáveis por acessos temporários e restritos
Forneça às ferramentas credenciais de escopo mínimo e curta duração, obtidas quando necessário por um gerenciador de segredos ou sistema de identidade de carga de trabalho. Um token temporário e pouco privilegiado reduz o impacto caso um rastro do agente ou log do roteador seja exposto.
3. Faça rotação de credenciais diante de suspeita de exposição
Mapeie os relays e proxies usados por desenvolvedores, assistentes de código e agentes. Se uma credencial sensível pode ter passado por um intermediário desconhecido ou não confiável, faça sua rotação e examine logs de auditoria de SSH, VPN, GitLab e serviços de nuvem em busca de atividade incomum.
4. Prefira conexões diretas ou gateways sob controle interno
Quando possível, conecte-se diretamente ao provedor do modelo ou use um gateway interno controlado pela organização. Caso um relay de terceiros — inclusive um voltado ao mercado chinês — seja necessário, avalie propriedade, residência de dados, suboperadores, controles de segurança, cláusulas de notificação de incidentes e compromissos sobre registro, treinamento, venda e uso secundário dos dados de clientes.
5. Limite o que os agentes podem executar
Exija aprovação explícita para operações sensíveis, mantenha uma lista permitida de ferramentas e destinos e monitore mudanças inesperadas na identidade do modelo, no formato das respostas, nos esquemas de ferramentas ou nas chamadas externas. Isso reduz o impacto de uma possível manipulação no caminho da resposta, como a descrita na pesquisa sobre intermediários. 27
6. Proteja logs de agentes como segredos de produção
Desative o registro de conteúdo quando for viável. Quando os logs forem necessários, remova segredos antes do armazenamento, criptografe os dados, restrinja acessos, estabeleça períodos curtos e documentados de retenção e impeça exportações sem controle. Argumentos de ferramentas e rastros de agentes merecem a mesma proteção dispensada a código-fonte, credenciais e configurações de produção.
Em resumo
O relato de Shou sobre 6 TB de dados deve ser tratado como uma alegação séria, porém ainda não verificada. A principal lição é arquitetural: um roteador de LLM deixa de ser um simples canal de passagem quando consegue ler prompts, credenciais, entradas de ferramentas e respostas que atravessam sua infraestrutura. Empresas que usam agentes de IA devem considerar cada relay externo uma expansão da base de confiança e projetar seus controles de higiene de prompts, gestão de credenciais, registros e execução com isso em mente. 11
27
Studio Global AI
Continue sua pesquisa
Esta página inclui uma resposta baseada na fonte que você pode continuar em Studio Global.
As pessoas também perguntam
Qual é a resposta curta para "Pesquisador afirma que logs de roteador de LLM expuseram chaves e tokens de empresas chinesas"?
Chaofan Shou afirma que cerca de 6 TB de logs de invocação de modelos continham chaves SSH, configurações de VPN, credenciais da Alibaba Cloud e tokens do GitLab supostamente ligados a 19 empresas e sete entidades gov...
Quais são os pontos-chave para validar primeiro?
Chaofan Shou afirma que cerca de 6 TB de logs de invocação de modelos continham chaves SSH, configurações de VPN, credenciais da Alibaba Cloud e tokens do GitLab supostamente ligados a 19 empresas e sete entidades gov... Roteadores de LLM podem ler prompts e respostas em texto claro e, conforme pesquisas sobre ataques de intermediários, potencialmente alterar chamadas de ferramentas antes de sua execução.