← 返回列表

LiteLLM供应链攻击分析:多段被注释备用载荷的发现

聚合站 SecWiki技术 发布 2026-03-24 入库 2026-11-18T02:33:06

LiteLLM供应链攻击分析:多段被注释备用载荷的发现

T0daySeeker

·2026-03-26 00:31·46 分钟·4K·四川·AI专栏

在litellm-1.82.8、litellm-1.82.7包的proxy_server.py代码中存在多段不同的b64_payload代码载荷,推测其是历史版本载荷。

概述

2026年3月24日,AI 开发圈发生了一起震级极高的供应链安全事件:AI 开发者常用的 Python 库 LiteLLM 库(PyPI 日下载量超过300万,月下载近亿) 在 PyPI 上被植入恶意代码,威胁组织 TeamPCP 利用窃取的 PyPI 发布凭证,将恶意版本1.82.7 和 1.82.8 推送至了PyPI,影响了数百万开发者。

事件曝光后,各大安全厂商均对其进行了报道,事件轮廓逐渐清晰。然后,当笔者下载对应样本进行独立分析时,却有了意想不到的发现:在恶意代码深处,隐藏着多段被注释掉的备用载荷。

由于这一细节目前并未在公开网络分析报告中曝光,为了填补这一情报缺口,笔者决定基于此发现,对LiteLLM供应链事件进行详细分析,重点对比不同载荷代码之间的区别及潜在意图。

事件时间线

根据futuresearch团队的《No Prompt Injection Required》报告(https://futuresearch.ai/blog/no-prompt-injection-required/),对此事件进行简要概述:

相关截图如下:

触发原理

通过分析,梳理litellm-1.82.8与litellm-1.82.7的触发原理如下:

litellm-1.82.8

pyproject.toml代码截图如下:

正常litellm-1.82.6包的pyproject.toml代码截图如下:

litellm_init.pth代码截图如下:

proxy_server.py代码截图如下:

正常litellm-1.82.6包的proxy_server.py代码截图如下:

litellm包关于proxy_server.py代码的使用说明截图如下:

litellm-1.82.7

proxy_server.py代码截图如下:

正常litellm-1.82.6包的proxy_server.py代码截图如下:

litellm-1.82.8库分析

通过分析,笔者发现此恶意代码中存在多层Base64载荷,因此,笔者将按照Base64载荷作为攻击阶段分析:

在这里,笔者将以litellm_init.pth代码作为分析案例。

恶意litellm_init.pth

通过分析,提取litellm_init.pth文件中代码格式如下:

import os, subprocess, sys; subprocess.Popen([sys.executable, "-c", "import base64; exec(base64.b64decode('......'))"], stdout=subprocess.DEVNULL, stderr=subprocess.DEVNULL)
对上述代码结构进行分析,提取代码功能如下:

相关代码截图如下:

b64_payload-创建临时目录

解码litellm_init.pth文件中的base64数据,即可得到b64_payload代码,由于代码未做混淆处理,因此分析也比较简单。

通过分析,发现此py代码运行后,将创建临时目录用于存放数据,目录信息如下:

相关代码截图如下:

b64_payload-加载B64_SCRIPT

成功构建临时目录后,b64_payload代码将利用 subprocess 加载执行B64_SCRIPT代码。

相关代码截图如下:

尝试对B64_SCRIPT代码进行分析,发现此代码将大量利用 subprocess 执行命令,命令返回结果将存放于tmp/xxx/c文件中。

相关代码截图如下:

B64_SCRIPT-收集数据

通过分析,发现B64_SCRIPT代码运行后,将大量收集系统中存在的密钥及配置信息,收集的数据大致梳理如下:

备注:收集数据路径均是Linux目录结构

系统指纹信息

相关代码截图如下:

SSH密钥及配置信息

相关代码截图如下:

git凭证

相关代码截图如下:

云厂商凭证

相关代码截图如下:

容器凭证

相关代码截图如下:

身份验证令牌和密钥

相关代码截图如下:

数据库密码

相关代码截图如下:

CI/CD密钥

相关代码截图如下:

TLS/SSL私钥

相关代码截图如下:

加密钱包

相关代码截图如下:

系统认证数据

相关代码截图如下:

B64_SCRIPT-横向移动安装后门

通过分析,发现B64_SCRIPT代码中存在横向移动功能:

相关代码截图如下:

B64_SCRIPT-本地安装后门

通过分析,发现B64_SCRIPT代码除在Kubernetes环境中安装sysmon后门外,还将在本地安装sysmon后门。

相关代码截图如下:

PERSIST_B64-sysmon后门

通过分析,梳理sysmon后门功能如下:

相关代码截图如下:

b64_payload-打包发送数据

成功收集数据后,则b64_payload代码将打包发送数据:

相关代码截图如下:

litellm-1.82.7库分析

通过分析,发现litellm-1.82.7包的proxy_server.py代码中,存在多段b64_payload代码:

进一步分析,发现litellm-1.82.8包的proxy_server.py代码存在相同情况。

相关代码截图如下:

多段被注释的备用载荷

由于litellm-1.82.8、litellm-1.82.7包的proxy_server.py代码中存在多段不同的b64_payload代码载荷,因此,笔者推测注释代码是其历史版本载荷。

通过分析,笔者将不同载荷进行了详细的对比分析:

不同litellm版本载荷对比

| 版本 | 文件名 | 变量名 | Base64载荷MD5 | 备注 |
| v1.82.8 | litellm_init.pth | b64_payload | 2618beac9d448f6d29df798e415350fa | |
| | proxy_server.py | b64_payload | 2618beac9d448f6d29df798e415350fa | |
| | proxy_server.py | b64_payload | 5194df3f3afb6f26a1e9f7ef09a1ff24 | 注释代码 |
| | proxy_server.py | b64_payload | 0359f10c02e818d032a77d432534845d | 注释代码 |
| v1.82.7 | proxy_server.py | b64_payload | 2618beac9d448f6d29df798e415350fa | |
| | proxy_server.py | b64_payload | 5194df3f3afb6f26a1e9f7ef09a1ff24 | 注释代码 |
| | proxy_server.py | b64_payload | 0359f10c02e818d032a77d432534845d | 注释代码 |

litellm-1.82.8包litellm_init.pth代码截图如下:

litellm-1.82.8包proxy_server.py代码截图如下:

litellm-1.82.7包proxy_server.py代码截图如下:

不同b64_payload载荷对比

| b64_payload载荷MD5 | 变量名 | Base64载荷MD5 | 备注 |
| 2618beac9d448f6d29df798e415350fa | PUB_KEY_CONTENT | 2753ff0813974cfa89af7583448d2d62 | |
| 2618beac9d448f6d29df798e415350fa | B64_SCRIPT | b7b9f3ecb285dcac3f45f817053c6ed2 | |
| 5194df3f3afb6f26a1e9f7ef09a1ff24 | PUB_KEY_CONTENT | 2753ff0813974cfa89af7583448d2d62 | |
| 5194df3f3afb6f26a1e9f7ef09a1ff24 | B64_SCRIPT | b7b9f3ecb285dcac3f45f817053c6ed2 | |
| 5194df3f3afb6f26a1e9f7ef09a1ff24 | B64_SCRIPT | 1252adfd1fcd492be1c582e08e1f669d | 注释代码 |
| 0359f10c02e818d032a77d432534845d | PUB_KEY_CONTENT | 2753ff0813974cfa89af7583448d2d62 | |
| 0359f10c02e818d032a77d432534845d | B64_SCRIPT | 1252adfd1fcd492be1c582e08e1f669d | |

b64_payload(2618beac9d448f6d29df798e415350fa)代码截图如下:

b64_payload(2618beac9d448f6d29df798e415350fa)代码中无功能注释代码,截图如下:

b64_payload(5194df3f3afb6f26a1e9f7ef09a1ff24)代码截图如下:

b64_payload(5194df3f3afb6f26a1e9f7ef09a1ff24)代码中含有功能注释代码,截图如下:

b64_payload(0359f10c02e818d032a77d432534845d)代码截图如下:

b64_payload(0359f10c02e818d032a77d432534845d)代码中同样含有功能注释代码,截图如下:

不同B64_SCRIPT载荷对比

| B64_SCRIPT载荷MD5 | 变量名 | Base64载荷MD5 | 备注 |
| b7b9f3ecb285dcac3f45f817053c6ed2 | PERSIST_B64 | f11ca91d43ae0c18b613df8bb08bf31a | |
| 1252adfd1fcd492be1c582e08e1f669d | PERSIST_B64 | f11ca91d43ae0c18b613df8bb08bf31a | RC4解密 |

B64_SCRIPT(b7b9f3ecb285dcac3f45f817053c6ed2)代码截图如下:

B64_SCRIPT(1252adfd1fcd492be1c582e08e1f669d)代码截图如下:

不同PERSIST_B64载荷对比

对B64_SCRIPT(1252adfd1fcd492be1c582e08e1f669d)中PERSIST_B64载荷进行RC4运算,发现RC4解密后内容与B64_SCRIPT(b7b9f3ecb285dcac3f45f817053c6ed2)中PERSIST_B64载荷相同。

相关截图如下:

IOCs

#litellm-1.82.7
8a2a05fd8bdc329c8a86d2d08229d167500c01ecad06e40477c49fb0096efdea
#litellm-1.82.8
d39f4e7a218053cce976c91eacf184cf09a6960c731cc9d66d8e1a53406593a5
https://models.litellm.cloud/
#域名注册时间
2026-03-23 15:42:00
#解析IP
46.151.182.203
#IP归属地
乌克兰
https://checkmarx.zone/raw
#域名注册时间
2026-03-22 13:39:39
#解析IP
83.142.209.11
#IP归属地
卢森堡

相关截图如下:

评论1

相关阅读

基于机器学习的jsp/jspx webshell检测前言
在上文《基于AST的Webshell检测》中,笔者已经提出了基于抽象语法树是可以用来检测Webshell的,那么如何将这种思想应用在jsp/jspx的webshell检测便是本文讨论的重点。
简单回顾下抽象语法树的检测原来,由于webshell和正常文件在语法结构上会有比较明显的出入,比如说一句话木马普遍流程就是传参然后执行命令,转化为语法结构上其实是比较单一的,正常文件的语法结构会比这复杂ADog16K01

恶意样本家族分类实践前记
最近有一个项目需求,需要将恶意样本的厂商描述给汇聚成一组统一的标签,然后后续需要对恶意样本的流量及行为进行特征提取和机器学习来实现恶意样本的检测。
简单点来讲所做的恶意样本家族分类其实就是一个数据清洗和打标签的过程。
数据样本量有90000多条,主要采集于virusshare,这里就以virustotal为例,实际效果其实是一样的
这里大概有大概几十家厂商,但是各家厂商的标签都不一样,甚至ADog16K13

深度学习在恶意软件检测中的应用事实证明,机器学习在网络和安全相关领域的应用非常有效。深度学习在语音识别、目标检测、自然语言处理等许多机器学习任务上的性能更佳。本文介绍深度学习在安全领域的一些应用。
Tobiyama提出一种基于进程行为进行恶意进程检测到方法,研究人员利用LSTM(Long Short-Term Memory,长短期记忆网络)进行特征提取,用CNN(Convolutional Neural Networks,卷积angel01016K00

基于AST的Webshell检测前言
想了好久的题目,不知道该用什么样的标题去吸引人,webshell的检测研究已经有很多文章披露了,在兜哥的机器学习书中也被反复作为案例提及,这里Webshell检测都是基于文件特征的,并不是基于流量特征的检测。
个人思考
在查阅了大量论文研究和实际案例后发现国内在webshell检测上的思路似乎没有什么新的突破,总结下来Webshell检测其实无外乎统计学检测、基于黑白名单的检测、基于opcoADog15K05

基于机器学习的家用物联网设备DDoS检测Rohan Doshi, Noah Apthorpe, Nick Feamster
Princeton University
来源:https://arxiv.org/abs/1804.04159
0x00 摘要
尽管越来越多的物联网(IoT)设备连接到互联网,但其中许多设备并不安全,进一步恶化了互联网环境。利用不安全的家用物联网设备,一些僵尸网络(如Mirai)对关键基础设施进行分布式拒绝服务pingch15K20

原文链接:https://xz.aliyun.com/news/91843