AI幻觉代码依赖成为新型软件供应链威胁

随着生成式AI编程工具的幻觉普及，以及AI模型容易"幻觉"出不存在软件包的代码特性
，一种名为"垃圾包抢注"（slopsquatting）的依赖新型供应链攻击正在浮现。

安全研究员Seth Larson创造了这个术语，新型胁它衍生于"拼写错误抢注"（typosquatting）攻击手法——通过注册与热门库名称相似的软件恶意软件包来诱骗开发者安装
。

幻觉包名的链威攻击原理

与拼写错误抢注不同 ，垃圾包抢注不依赖拼写错误
。幻觉攻击者会在PyPI和npm等软件仓库中，源码下载代码注册那些AI模型在代码示例中经常虚构的依赖包名
。

2025年3月发布的新型胁研究论文显示
，在分析的软件57.6万个Python和JavaScript代码样本中 ，约20%案例推荐的链威依赖包并不存在。开源大模型如CodeLlama、幻觉DeepSeek、代码WizardCoder和Mistral的依赖情况更严重 ，源码库而ChatGPT-4等商业工具的幻觉率仍达5% 。

各大型语言模型的幻觉率来源：arxiv.org

幻觉包名的可预测性

研究发现，虽然记录的独特幻觉包名超过20万个，但其中43%会在相似提示词下重复出现 ，58%在十次运行中至少重复一次。这些包名中，38%受真实包名启发
，13%源于拼写错误 ，服务器租用51%则完全虚构
。

尽管尚未发现攻击者利用此漏洞的实际案例，但网络安全公司Socket的研究人员警告称，这些幻觉包名具有常见性 、可重复性和语义合理性，形成了可预测的攻击面 。

"58%的幻觉包会重复出现，说明它们不是建站模板随机噪声，而是模型对特定提示的可重复反应 。"Socket团队解释道 ，"这种可重复性提升了攻击价值，观察少量模型输出就能锁定有效攻击目标
。"

供应链风险概览来源 ：arxiv.org

风险缓解措施

目前唯一有效的防范方法是人工验证每个包名，切勿假设AI生成的代码片段中提到的模板下载依赖包真实存在或安全可靠 。其他防护措施包括：

使用依赖扫描工具锁定文件（lockfiles）管理哈希验证确保使用可信版本

研究还表明，降低AI的"温度"参数（减少随机性）能有效减少幻觉。若采用AI辅助编程，这成为重要考量因素 。最根本的防护措施是
：所有AI生成的代码都应在隔离的安全环境中测试 ，再部署到生产环境
 。免费模板