anonym.legal

By · Last updated 2026-03-29

Atgal į BlogąAI Saugumas

39 mln. GitHub nutekėjimų: dirbtinio intelekto kodavimo rizika

67 % kūrėjų netyčia atskleidė paslaptis kode (GitGuardian 2025). 2024 m. GitHub nutekėjo 39 milijonai paslapčių – tai 25 % daugiau nei pernai.

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

39 milijonai kredencialų nutekėjo per vienerius metus

GitHub "Octoverse 2024" ataskaita rado 39 milijonus paslapčių, nutekėjusių GitHub 2024 m. Tai yra 25 % metinis padidėjimas nuo 2023 m. Paslaptys apima API raktus, duomenų bazių eilutes, autentifikavimo žetonus ir debesies kredencialus.

Priežastis žinoma. Kūrėjai įkelia kodą su paslaptimis viduje. Paslaptys atsiranda iš derinimo sesijų. Arba jos yra užkoduotos vietoje, užuot saugotos aplinkos kintamuosiuose. Esant 39 milijonams nutekėjimų, tai nėra reta situacija. Tai yra rutina.

Dirbtinio intelekto įrankiai prideda antrą nutekėjimo kanalą

GitGuardian 2025 m. tyrimas nustatė, kad 67 % kūrėjų netyčia atskleidė paslaptis kode. Tos pačios įpročiai, sukeliantys GitHub nutekėjimus, taip pat sukelia dirbtinio intelekto įrankių nutekėjimus.

Kūrėjas įkelia kodą į Claude, ChatGPT ar kitą DI asistentą pagalbai gauti. Tame kode dažnai yra gyvų kredencialų. DI modelis gauna paslaptį. Jis gali ją saugoti pokalbio istorijoje. Jis siunčia ją tiekėjo serveriams. Kūrėjas praranda kontrolę – be jokio įspėjimo.

Trys pavyzdžiai:

Duomenų bazės derinimas. Kūrėjas įkelia steko sekimą. Sekime yra prisijungimo eilutė. DI taip pat nuskaito slaptažodį.

Vamzdyno peržiūra. Kūrėjas dalijasi duomenų vamzdyno scenarijumi. Scenarijuje yra AWS prieigos raktas ir slaptas raktas. DI gauna abu.

API integracijos peržiūra. Kūrėjas prašo grįžtamojo ryšio apie integraciją. Kode yra gyvas partnerio API raktas. Raktas palieka kūrėjo tinklą.

Kiekvienu atveju tikslas yra teisėta pagalba. Kredencialų nutekėjimas yra šalutinis poveikis suteikiant DI pakankamai konteksto. Tai yra tas pats modelis kaip GitHub nutekėjimai – ne kenkėjiškas, tiesiog įprastas.

CI/CD vamzdynai susiduria su ta pačia rizika

CI/CD vamzdyno paslapčių nutekėjimai padidėjo 34 % 2024 m. Kūrimo scenarijai, diegimo konfigūracijos ir infrastruktūros kaip kodo failai dabar eina per DI peržiūrą. Šiuose failuose dažnai yra debesies kredencialų ir paslaugų paskyros žetonų.

Dirbtinio intelekto įrankiams apimant vis daugiau kūrimo ciklo – peržiūrą, dokumentus, derinimą, optimizavimą – poveikio paviršius auga kartu su jais.

Kaip MCP architektūra blokuoja nutekėjimus

Komandos, naudojančios Claude Desktop arba Cursor IDE, modelio konteksto protokolo (MCP) serverio architektūra pastato kredencialų filtrą kelyje tarp kūrėjo ir DI modelio.

MCP serveris tvarko kiekvieną tekstą, judantį per sesiją. Įkeltas kodas, steko sekimai, konfigūracijos failai, derinimo kontekstas – visa tai praeina anonimizavimo žingsnį prieš tai, kai modelis tai pamato.

Variklis randa kredencialų šablonus: API raktų formatus, duomenų bazių eilutes, OAuth žetonus, privačių raktų antraštes ir pasirinktinius formatus, kuriuos nustato jūsų saugumo komanda. Kiekvienas atitikimas pakeičiamas žetonu prieš perdavimą.

Kaip tai atrodo praktikoje:

Kūrėjas įkelia steko sekimą su duomenų bazės prisijungimo eilute. MCP serveris pakeičia eilutę [DB_CONNECTION_1]. DI mato sekimą su žetonu. Jis teikia derinimo pagalbą remiantis anoniminizuota versija. Tikrasis kredencialas niekada nepaliko vidaus tinklo.

Tai sustabdo tą patį nutekėjimo vektorių, kuris pripildo GitHub paslapčių. Kanalas kitoks – DI įrankiai, o ne git įkėlimai – tačiau sprendimas veikia tuo pačiu būdu: blokuoti prieš perdavimą.

Žiūrėkite mūsų saugumo apžvalgą, kaip anonym.legal tai tvarko DI įrankiuose ir dokumentų darbo srautuose, ir atitikties centrą audito valdymui.

Aptikimas po fakto yra per vėlu

Kai kurios komandos naudoja po įkėlimo vykdomą nuskaitymą nutekėjusioms paslaptims rasti. GitGuardian ir truffleHog gerai veikia GitHub kanalui. Jie neapima DI įrankių sesijų.

Kai paslaptis pasiekia DI tiekėjo serverius, atskleidimas yra įvykęs. Nuskaitymas randa tai po to. MCP sluoksnio anonimizavimas sustabdo ją nuo pasiekimo modelio.

39 milijonai GitHub nutekėjimų dokumentuoja vieną kanalą. DI įrankių atskleidimas yra ta pati problema kanale su mažesniu stebėjimu ir jokiu audito žurnalu. Prevencija prieš perdavimą apima abu.

Šaltiniai

Susiję Straipsniai

AI Saugumas

AI Coding Assistants Leak Production PII

Unit test fixtures with real customer records. Log files with production data for debugging. GitHub found 39 million secrets leaked in 2024.

AI Saugumas

Internal Wiki PII: Confluence Customer Data

Support teams document processes with screenshots of customer accounts. Over 3 years, that's thousands of GDPR data minimization violations in your.

AI Saugumas

Screenshot PII: Leaks in Internal Tools

Slack, Teams, Jira, and email regularly receive screenshots containing customer PII. This access-control violation bypasses every DLP tool.

Pasiruošę apsaugoti savo duomenis?

Pradėkite anonimizuoti PII su 285+ subjektų tipais 48 kalbomis.

Pradėti Nemokamą Bandomąją VersijąPeržiūrėti Funkcijas

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.