۷.۶ پتابایت دادهٔ آموزشی هوش مصنوعی، پر از کلید زنده
خلاصهٔ کاملتر
شرکت امنیتی Truffle Security میگه هر دیتاست عمومی روی Hugging Face رو اسکن کرده؛ جایی که بیشتر دادههای آموزشی متنبازِ هوش مصنوعی اونجا زندگی میکنه. به گفتهٔ نویسنده این کار به ۷.۶ پتابایت روی ۱۸۷ میلیون فایل رسید و بزرگترین اسکن رازیه که سراغ دارن. حاصلش ۲۲۱٬۳۰۳ اعتبارنامهٔ زنده و یکتا توی ۶٬۰۰۳ دیتاست بود. یافتهها قبل از انتشار با Hugging Face در میون گذاشته شد و CTO این شرکت هم پشتیبانی اسکن باکتهای ذخیرهسازی رو به ابزار TruffleHog اضافه کرد.
به گفتهٔ نویسنده ترسناکترین کلیدها اونهاییان که اجازه میدن نرمافزاری که بقیه اجرا میکنن تغییر کنه. توی دادهها ۳۴۹ توکن زندهٔ GitHub (شامل ۲۲۳ تا با دسترسی نوشتن کامل روی مخزن) و ۳۱۸ توکن Docker Hub با اجازهٔ پوشکردن ایمیج پیدا شد. یه نمونه، توکنی بود متعلق به بنیانگذار یه رجیستری پرکاربرد Model Context Protocol که به سازمان رسمی MCP وصل بود؛ سازمانی که مخزنهاش رویهم بیش از ۱۷۸ هزار ستارهٔ گیتهاب دارن. اسم افراد و سازمانها منتشر نشده.
دامنهٔ آسیب فقط زنجیرهٔ تأمین نیست: اسکن ۸٬۵۵۷ کلید سرویساکانت گوگل کلاود (روی ۳٬۸۱۱ پروژه)، ۵۱.۷ ترابایت فضای غیرعمومی S3، ۸٬۵۹۴ لاگین زندهٔ دیتابیس و هزاران توکن Slack و Mailgun رو هم زنده پیدا کرد. نویسنده تأکید میکنه این اعتبارنامهها فقط برای «تأیید زندهبودن» و بررسی متادیتا استفاده شدن و هیچ دادهٔ ذخیرهشدهای خونده یا تغییر داده نشده.
دادههای آموزشی پر از کلید خودِ ارائهدهندههای هوش مصنوعی هم بود: ۱۱٬۴۹۶ کلید زنده شامل OpenAI، Anthropic، Gemini و بقیه. به گفتهٔ نویسنده اگه هر کلید فقط تا سقف پیشفرض پایینترین پلن مصرف بشه، همین الان کفِ سوءاستفاده حدود ۹۲۰ هزار دلار در سال استنتاج دزدیدهشدهست که به اسم صاحبهای بیخبر فاکتور میشه؛ و این عدد با پلنهای بالاتر خیلی سریع بالا میره.
بدترین بخش، تکثیره: ۴۴٪ از کلیدهای یکتا توی بیش از یه دیتاست دیده میشن و یه کلید تنها به ۱٬۱۳۱ دیتاست رسیده بود. کلیدها یه بار جایی مثل گیتهاب یا حتی یه گفتوگوی چتبات لو میرن، بعد توی یه پیکرهٔ بزرگ مثل The Stack یا Common Crawl مکیده میشن و هر نسخهٔ مشتقشده تکثیرشون میکنه. نویسنده میگه دادههای آموزشی ماندگارترین نوع لو رفتنه، چون undo نداره؛ و تنها راهحل واقعی، چرخوندن (rotate) کلیده تا نسخهٔ داخل دیتاست به یه رشتهٔ بیخطر تبدیل بشه.
نکات کلیدی:
- ترافلسکیوریتی ۷.۶ پتابایت دادهٔ آموزشی روی هاگینگفیس رو اسکن کرد و ۲۲۱٬۳۰۳ کلید زنده و یکتا توی ۶٬۰۰۳ دیتاست پیدا کرد.
- خطرناکترینها توکنهای GitHub و Docker Hubان که میتونن کد رو توی نرمافزارهای نصبشده روی سیستم بقیه دستکاری کنن.
- کلیدهای زندهٔ ارائهدهندههای هوش مصنوعی دستکم حدود ۹۲۰ هزار دلار در سال استنتاج دزدیدهشده رو ممکن میکنن.
- ۴۴٪ کلیدها توی بیش از یه دیتاست تکثیر شدن و تنها راهحل واقعی چرخوندن کلیده، نه پاککردنش.




