anonym.legal

By · Last updated 2026-03-29

Povratak na blogBezbednost veštačke inteligencije

39 miliona GitHub curenja: rizici AI kodiranja

67% programera je slucajno izlozilo tajne u kodu (GitGuardian 2025). 39 miliona tajni procurelo je na GitHub-u u 2024, sto je rast od 25% u odnosu na prethodnu godinu.

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

39 miliona akreditiva procurelo je u jednoj godini

GitHub-ov Octoverse 2024 izvestaj utvrdio je da je 39 miliona tajni procurelo na GitHub-u u 2024. To je rast od 25% u odnosu na prethodnu godinu u poredjenju sa 2023. Tajne ukljucuju API kljuceve, nizove baze podataka, tokene za autentifikaciju i akreditive za oblak.

Uzrok je poznat. Programeri objavljuju kod sa tajnama unutra. Tajne dolaze iz debug sesija. Ili su unete direktno umesto da su pohranjene u promenljivim okruzenja. Sa 39 miliona curenja, ovo nije retko. To je rutina.

AI alati dodaju drugi kanal curenja

GitGuardian-ovo istrazivanje iz 2025. utvrdilo je da je 67% programera slucajno izlozilo tajne u kodu. Iste navike koje stvaraju GitHub curenja takodje stvaraju curenja kroz AI alate.

Programer ubacuje kod u Claude, ChatGPT ili neki drugi AI asistent za pomoc. Taj kod cesto ima zive akreditive. AI model prima tajnu. Moze je pohraniti u istoriju razgovora. Salje je na servere dobavljaca. Programer gubi kontrolu - bez upozorenja.

Tri primera:

Debugovanje baze podataka. Programer ubacuje stek trag. Trag ukljucuje konekcioni niz. AI cita i lozinku.

Pregled cevovoda. Programer deli skriptu cevovoda podataka. Skripta ima AWS pristupni kljuc i tajni kljuc. AI prima oba.

Pregled API integracije. Programer trazi povratnu informaciju o integraciji. Kod ukljucuje zivi API kljuc partnera. Kljuc napusta mrezu programera.

U svakom slucaju, cilj je legitimna pomoc. Curenje akreditiva je sporedni efekat davanja AI-u dovoljno konteksta. Ovo je isti obrazac kao GitHub curenja - nije namerno, samo rutinsko.

CI/CD cevovodi suocavaju se sa istim rizikom

Curenja tajni u CI/CD cevovodima porasla su za 34% u 2024. Skripte za izgradnju, konfiguracije implementacije i datoteke infrastructure-as-code sada prolaze kroz AI pregled. Ove datoteke cesto sadrze akreditive za oblak i tokene servisnih naloga.

Kako AI alati pokrivaju sve vise razvojnog ciklusa - pregled, dokumentacija, debugovanje, optimizacija - povrsina izlozenosti raste zajedno sa njima.

Kako MCP arhitektura blokira curenja

Za timove koji koriste Claude Desktop ili Cursor IDE, arhitektura Model Context Protocol (MCP) servera postavlja filter za akreditive na putu izmedju programera i AI modela.

MCP server obraduje svaki tekst koji prolazi kroz sesiju. Ubaceni kod, stek tragovi, konfiguracione datoteke, debug kontekst - sve prolazi kroz korak anonimizacije pre nego sto model to vidi.

Motor pronalazi obrasce akreditiva: formate API kljuceva, nizove baze podataka, OAuth tokene, zaglavlja privatnih kljuceva i prilagodjene formate koje definise vas bezbednosni tim. Svako podudaranje se zamenjuje tokenom pre prenosa.

Kako to izgleda u praksi:

Programer ubacuje stek trag sa nizom konekcije baze podataka. MCP server zamenjuje niz sa [DB_CONNECTION_1]. AI vidi trag sa tokenom na mestu. Daje pomoc u debaguovanju zasnovanu na anonimizovanoj verziji. Stvarni akreditiv nikada nije napustio internu mrezu.

Ovo zaustavlja isti vektor curenja koji puni GitHub tajnama. Kanal je drugaciji - AI alati, a ne git objave - ali popravka funkcionise na isti nacin: blokirati pre prenosa.

Pogledajte nas bezbednosni pregled za opis kako anonym.legal ovo resava kroz AI alate i radne tokove dokumenata, i centar za uskladjenost za kontrole revizije.

Detekcija nakon cinjenice je prekasna

Neki timovi koriste post-commit skeniranje za hvatanje procurelih tajni. GitGuardian i truffleHog rade dobro za GitHub kanal. Ne pokrivaju AI sesije.

Kada tajna stigne na servere AI dobavljaca, izlozenost je gotova. Skeniranje je pronalazi posle. MCP-slojeva anonimizacija sprecava je da uopste dodje do modela.

39 miliona GitHub curenja dokumentuje jedan kanal. Izlozenost kroz AI alate je isti problem u kanalu sa manjim nadzorom i bez revizijskog traga. Prevencija pre prenosa pokriva oba.

Izvori

Povezani članci

Bezbednost veštačke inteligencije

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.

Bezbednost veštačke inteligencije

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.

Bezbednost veštačke inteligencije

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.

Spremni da zaštitite svoje podatke?

Počnite sa anonimizacijom PII sa 285+ tipova entiteta na 48 jezika.

Započnite besplatnu probuPogledajte funkcije

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.