By · Last updated 2026-03-29

Atpakaļ uz BloguAI Drošība

39 miljoni GitHub noplūžu: MI kodēšanas risks

67% izstrādātāju ir nejauši atklājuši slepenus datus kodā (GitGuardian 2025). 2024. gadā GitHub noplūda 39 miljoni noslēpumu — par 25% vairāk nekā gadu iepriekš.

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

39 miljoni akreditācijas datu noplūduši vienā gadā

GitHub Octoverse 2024 ziņojumā konstatēts, ka 2024. gadā GitHub noplūda 39 miljoni noslēpumu. Tas ir par 25% vairāk nekā 2023. gadā. Noslēpumi ietver API atslēgas, datu bāzu virknes, autentifikācijas marķierus un mākoņa akreditācijas datus.

Cēlonis ir zināms. Izstrādātāji veic koda saistījumus ar iekšā esošajiem noslēpumiem. Noslēpumi rodas no atkļūdošanas sesijām. Vai arī tie ir iekodēti, nevis saglabāti vides mainīgajos. Ar 39 miljoniem noplūžu tas nav reti. Tas ir ierasts.

MI rīki pievieno otro noplūdes kanālu

GitGuardian 2025 pētījums atklāja, ka 67% izstrādātāju ir nejauši atklājuši noslēpumus kodā. Tie paši ieradumi, kas rada GitHub noplūdes, rada arī MI rīku noplūdes.

Izstrādātājs ielīmē kodu Claude, ChatGPT vai citā MI asistentā palīdzībai. Šajā kodā bieži ir dzīvi akreditācijas dati. MI modelis saņem noslēpumu. Tas var to glabāt sarakstes vēsturē. Tas nosūta to uz pakalpojuma sniedzēja serveriem. Izstrādātājs zaudē kontroli — bez brīdinājuma.

Trīs piemēri:

Datu bāzes atkļūdošana. Izstrādātājs ielīmē kļūdu atgriezni. Tā ietver savienojuma virkni. MI nolasa arī paroli.

Cauruļvada pārskatīšana. Izstrādātājs koplieto datu cauruļvada skriptu. Skripta satur AWS piekļuves atslēgu un slepenās atslēgu. MI saņem abas.

API integrācijas pārskatīšana. Izstrādātājs lūdz atsauksmes par integrāciju. Kods ietver dzīvu partnera API atslēgu. Atslēga atstāj izstrādātāja tīklu.

Katros gadījumos mērķis ir likumīga palīdzība. Akreditācijas datu noplūde ir blakusefekts — MI tiek sniegts pietiekams konteksts. Tas ir tas pats modelis kā GitHub noplūdēs — ne ļaunprātīgs, tikai ierasts.

CI/CD cauruļvadi saskaras ar tādu pašu risku

CI/CD cauruļvadu noslēpumu noplūdes pieauga par 34% 2024. gadā. Veidošanas skripti, izvietošanas konfigurācijas un infrastruktūras kā koda faili tagad visi tiek pārskatīti ar MI. Šie faili bieži satur mākoņa akreditācijas datus un pakalpojuma konta marķierus.

Kā MI rīki aptver aizvien vairāk izstrādes cikla — pārskatīšanu, dokumentāciju, atkļūdošanu, optimizāciju — iedarbības virsma aug kopā ar tiem.

Kā MCP arhitektūra bloķē noplūdes

Komandām, kas izmanto Claude Desktop vai Cursor IDE, Modeļa konteksta protokola (MCP) servera arhitektūra novieto akreditācijas datu filtru ceļā starp izstrādātāju un MI modeli.

MCP serveris apstrādā katru tekstu, kas pārvietojas caur sesiju. Ielīmēts kods, kļūdu atgriešanas, konfigurācijas faili, atkļūdošanas konteksts — viss tas iziet cauri anonimizācijas solim pirms modelis to redz.

Dzinējs atrod akreditācijas datu modeļus: API atslēgu formātus, datu bāzu virknes, OAuth marķierus, privāto atslēgu galvenes un pielāgotus formātus, ko definē jūsu drošības komanda. Katra atbilsme tiek aizstāta ar marķieri pirms nosūtīšanas.

Kā tas izskatās praksē:

Izstrādātājs ielīmē kļūdu atgriezni ar datu bāzes savienojuma virkni. MCP serveris aizstāj virkni ar [DB_CONNECTION_1]. MI redz atgriezni ar marķieri vietā. Tas sniedz atkļūdošanas palīdzību, pamatojoties uz anonimizēto versiju. Faktiskais akreditācijas dats nekad neatstāja iekšējo tīklu.

Tas aptur to pašu noplūdes vektoru, kas piepilda GitHub ar noslēpumiem. Kanāls ir atšķirīgs — MI rīki, nevis git saistījumi — bet labojums darbojas tāpat: bloķē pirms nosūtīšanas.

Skatiet mūsu drošības pārskatu, lai uzzinātu, kā anonym.legal to apstrādā MI rīkos un dokumentu darbplūsmās, un atbilstības centru audita kontrolēm.

Atklāšana pēc fakta ir par vēlu

Dažas komandas izmanto saistījumu pēcpārbaudi, lai atklātu noplūdušos noslēpumus. GitGuardian un truffleHog labi darbojas GitHub kanālam. Tie neaptver MI rīku sesijas.

Kad noslēpums sasniedz MI pakalpojuma sniedzēja serverus, iedarbības ir notikusi. Skenēšana to atklāj vēlāk. MCP slāņa anonimizācija novērš tā nokļūšanu modelī vispār.

39 miljoni GitHub noplūžu dokumentē vienu kanālu. MI rīku iedarbība ir tā pati problēma kanālā ar mazāku uzraudzību un bez audita taka. Novēršana pirms nosūtīšanas aptver abus.

Avoti

Vai esat gatavi aizsargāt savus datus?

Sāciet PII anonimizāciju ar 285+ entitāšu veidiem 48 valodās.

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.