anonym.legal

By · Last updated 2026-03-29

Terug na BlogKI-sekuriteit

39M GitHub-lekkasies: KI-koderingsrisiko

67% van ontwikkelaars het per ongeluk geheime in kode blootgestel (GitGuardian 2025). 39 miljoen geheime het op GitHub in 2024 uitgelek, 25% meer jaar-op-jaar.

March 29, 20268 min lees
GitHub secret leaksdeveloper AI securitycredential exposureMCP Server protectionGitGuardian 2025

39 Miljoen Geloofsbriewe Het in Een Jaar Uitgelek

GitHub se Octoverse 2024-verslag het bevind dat 39 miljoen geheime op GitHub uitgelek het in 2024. Dit is 'n 25% jaar-op-jaar toename van 2023. Die geheime sluit API-sleutels, databasisstrings, outhentikasietokens en wolk-geloofsbriewe in.

Die oorsaak is bekend. Ontwikkelaars dien kode in met geheime daarin. Die geheime kom van foutopsporingsessies. Of hulle word hardgekodeer in plaas daarvan om in omgewingsveranderlikes gestoor te word. By 39 miljoen lekkasies is dit nie skaars nie. Dit is roetine.

KI-Stelsels Voeg 'n Tweede Lekkasiekanaal By

GitGuardian se 2025-navorsing het bevind dat 67% van ontwikkelaars per ongeluk geheime in kode blootgestel het. Dieselfde gewoontes wat GitHub-lekkasies skep, skep ook KI-stelsels lekkasies.

'n Ontwikkelaar plak kode in Claude, ChatGPT of 'n ander KI-assistent vir hulp. Daai kode het dikwels lewende geloofsbriewe daarin. Die KI-model ontvang die geheim. Dit mag dit in gespreksgeskiedenis stoor. Dit stuur dit na die verskaffer se bedieners. Die ontwikkelaar verloor beheer -- sonder waarskuwing.

Drie voorbeelde:

Databasisfoutopsporing. 'n Ontwikkelaar plak 'n stapelspoor. Die spoor sluit die verbindingstring in. Die KI lees die wagwoord ook.

Pyplyn-beoordeling. 'n Ontwikkelaar deel 'n datapyplynskrip. Die skrip het 'n AWS-toegangssleutel en geheime sleutel. Die KI ontvang albei.

API-integrasiebeoordeling. 'n Ontwikkelaar versoek terugvoer oor 'n integrasie. Die kode sluit 'n lewende vennoot-API-sleutel in. Die sleutel verlaat die ontwikkelaar se netwerk.

In elke geval is die doel wettige hulp. Die geloofsbrief-lekkasie is 'n newe-effek van die gee van genoeg konteks aan die KI. Dit is dieselfde patroon as GitHub-lekkasies -- nie kwaadwillig nie, net roetine.

CI/CD-Pypylyne Staan Voor Dieselfde Risiko

CI/CD-pyplyn geheimlekkasies het 34% in 2024 toegeneem. Bou-skrips, ontplooiingskonfigurasies en infrastruktuur-as-kode-leers gaan almal nou deur KI-beoordeling. Hierdie leers bevat dikwels wolkgeloofsbriewe en diensrekeningtokens.

Soos KI-stelsels meer van die ontwikkelingsiklus dek -- beoordeling, dokumentasie, foutopsporing, optimalisering -- groei die blootstellingsvlak saam met hulle.

Hoe MCP-Argitektuur Lekkasies Blokkeer

Vir spanne wat Claude Desktop of Cursor IDE gebruik, plaas Model Context Protocol (MCP) bediener-argitektuur 'n geloofsbrief-filter in die pad tussen ontwikkelaar en KI-model.

Die MCP-bediener hanteer elke teks wat deur die sessie beweeg. Geplakte kode, stapelspore, konfigurasie-leers, foutopsporing-konteks -- alles gaan deur 'n anonimiseringstap voordat die model dit sien.

Die enjin vind geloofsbrief-patrone: API-sleutelformate, databasisstrings, OAuth-tokens, private sleutelhoofde en pasgemaakte formate wat u sekuriteitspan definieer. Elke passing word vervang met 'n token voor transmissie.

Hoe dit in die praktyk lyk:

'n Ontwikkelaar plak 'n stapelspoor met 'n databasisverbindingstring. Die MCP-bediener vervang die string met [DB_CONNECTION_1]. Die KI sien die spoor met die token op sy plek. Dit gee foutopsporingshulp gebaseer op die geanonimiseerde weergawe. Die werklike geloofsbrief het nooit die interne netwerk verlaat nie.

Dit stop dieselfde lekkasie-vektor wat GitHub met geheime vul. Die kanaal is anders -- KI-stelsels, nie git-indiensnames nie -- maar die oplossing werk op dieselfde manier: blokkeer dit voor transmissie.

Sien ons sekuriteitsoorsig vir hoe anonym.legal dit oor KI-stelsels en dokumentwerkvloeie hanteer, en die nakomingsentrum vir ouditbeheermaatreels.

Opsporing Na Die Feit Is Te Laat

Sommige spanne gebruik na-indiensname-skandering om uitgelekte geheime op te spoor. GitGuardian en truffleHog werk goed vir die GitHub-kanaal. Hulle dek nie KI-stelsel-sessies nie.

Wanneer 'n geheim 'n KI-verskaffer se bedieners bereik, is die blootstelling klaar. Skandering vind dit daarna. MCP-laag-anonimisering stop dit om die model te bereik.

Die 39 miljoen GitHub-lekkasies dokumenteer een kanaal. KI-stelsel-blootstelling is dieselfde probleem in 'n kanaal met minder monitering en geen ouditspoort nie. Voorkoming voor transmissie dek albei.

Bronne

Gereed om u data te beskerm?

Begin om PII te anonimiseer met 285+ entiteitstipes in 48 tale.

About this page

We update this page when our platform or the law changes.

Read our founder note for how we work.

Each change shows up in the timestamp at the top.

Related reading

We follow these rules

  • GDPR (EU 2016/679).
  • ISO/IEC 27001:2022.
  • NIS2 (EU 2022/2555).
  • HIPAA safe harbor under 45 CFR § 164.514(b)(2).

Our promise

We do not sell your data.

We do not train models on your text.

We store your files in Germany.

You can delete your account at any time.

You own your work.

Where we run

Our servers live in Falkenstein, Germany.

We use Hetzner. They hold ISO 27001 certification.

All data stays in the EU.

Backups run every day.

Need help?

Email support@anonym.legal.

We reply within one business day.

How we test

We run a full check suite on every release.

Each surface gets its own sweep script and report.

Human reviewers spot-check the output each week.

We track recall and precision on a labelled set.

Bad runs block the deploy.

What we never do

  • We never sell your information to third parties.
  • We never train models on what you upload.
  • We never keep your work after you delete it.
  • We never share keys with any outside firm.
  • We never run ads inside the product.

Plans in plain words

We sell credits, not seats.

One credit covers one short job.

Long jobs use a few credits each.

You can top up at any time.

Unused credits roll over each month.

Read the plans page for current rates.

Who built this

A small team of engineers and lawyers built this.

We ship from Europe and work in the open.

Our founder note spells out why we started.

Where to start

How the parts fit

A browser add-on cleans text inside Chrome.

A Word plug-in handles drafts in Office.

A small desktop tool works on whole folders.

An agent protocol link feeds large models safely.

All four share one core engine and one rule set.

Words from our team

We started this work after a lunch about cookies.

One friend kept getting odd ads on her phone.

We asked why a court file leaked through a draft.

We sketched the first build on a napkin that week.

By month three we had a tiny demo for a friend.

She used it on her first case the next day.

Common questions we hear

Can the tool read scanned PDFs? Yes, with OCR.

Does it work on long files? Yes, in small chunks.

Can I roll my own rule set? Yes, save it as a preset.

Does it run offline? The desktop build runs offline.

Do you keep my files? No, the cloud build wipes after each run.

Will it learn from my work? No, we never train on inputs.

A short tour of the workflow

Upload a file or paste a snippet of prose.

Pick the entities you want gone from the draft.

Choose a method: replace, mask, hash, encrypt, or redact.

Press run and watch the side panel show each hit.

Skim the result and tweak any rule that misfired.

Save the cleaned file or send it to a teammate.