← Blog
Agenti AIFurto di chiavi APILiteLLMThreat Intelligence

Agenti AI a caccia di chiavi API su LiteLLM e Dify esposti

I decoy MadPot di Amazon hanno intercettato agenti AI (ARTEX) che razziano LiteLLM, Dify e One API esposti per rubare le chiavi dei provider.

Zero Hunt Research··8 min di lettura

Pubblicato da Zero Hunt, un red team AI autonomo su un'appliance on-premise con AI privata: penetration test automatizzato per reti e infrastrutture, in black box o gray box, con una persona che approva ogni passo che conta.

Un agente AI autonomo controllato da un attaccante ha passato 34 giorni a scandagliare internet alla ricerca di istanze esposte di LiteLLM, Dify e One API, estraendo le chiavi dei model provider conservate al loro interno, verificando che ogni chiave funzionasse ancora e versandola in un pool condiviso — per poi usare quelle stesse chiavi rubate per pagare la potenza di calcolo che alimentava il giro di scansione successivo. Non è una previsione su dove sta andando l'AI offensiva. Amazon Threat Intelligence ha pubblicato la cattura il 13 novembre 2026: i suoi sensori esca hanno registrato la memoria operativa degli agenti mentre la campagna era in corso.

Notizia in evoluzione — pubblicata alle 08:55 (07:55 UTC) del 16 novembre 2026. Aggiornata man mano che Amazon e i progetti coinvolti pubblicano altro.

Cosa è successo

Amazon gestisce una rete distribuita di sensori esca chiamata MadPot. Per questa campagna i sensori si fingevano popolari API di inference per LLM — gli endpoint chat-completions con cui i gateway AI parlano verso l'alto. Tra il 3 ottobre e il 5 novembre 2026 quei decoy hanno catturato richieste provenienti da agenti AI che trasportavano il loro intero stato di lavoro: contesto persistente dei task, system prompt, cronologia degli strumenti, stato del knowledge graph e i risultati che gli agenti avevano riferito ai propri operatori.

Quello stato ha rivelato ad Amazon che gli agenti giravano su ARTEX, un framework open-source di penetration testing agentico. ARTEX distribuisce il lavoro tra agenti planner, worker, verification e compression che condividono un knowledge graph persistente; gli operatori impostano missione, regole di targeting e limiti attraverso prompt di istruzioni permanenti. Amazon attribuisce l'attività a "gruppi eterogenei di matrice cinese" con confidenza moderata — prompt in cinese semplificato, configurazione sul fuso orario cinese, istruzioni che escludevano esplicitamente obiettivi nella Cina continentale e domini governativi, e strumenti associati ad attori di matrice cinese.

La precisazione importante, dichiarata da Amazon e da ripetere: tutto questo è ricostruito dai registri degli agenti stessi. Amazon non ha osservato l'attività a valle mentre accadeva e non può verificare rispetto a vittime reali i risultati rivendicati dagli agenti. Ciò che è solido è il metodo, perché il metodo è ciò che i decoy hanno catturato direttamente.

Chi è esposto — e come verificarlo

Gli agenti hanno fatto il fingerprinting di un insieme preciso di software AI esposto su internet, associando ogni prodotto a una catena d'attacco nota:

Categoria Prodotti citati da Amazon
Gateway / proxy per LLM One API, New API, Veloera, Sub2API, LiteLLM
Costruttori di app AI Dify, FastGPT, Langflow, RAGFlow, Open WebUI, LobeChat, Ollama

Nessuna delle tecniche era nuova. La frase di Amazon è netta: "Nessuna delle tecniche in queste campagne era nuova. Gli agenti hanno avuto successo dove mancava l'igiene di sicurezza di base." Il playbook era fatto di installazioni non inizializzate, endpoint di gestione anonimi, credenziali admin di default — tra cui la master key di default di LiteLLM — il bypass di autenticazione isCliRequest nella famiglia One API, SSRF verso i metadata del cloud tramite funzioni di URL-fetch, e segreti lasciati nel JavaScript lato client, nelle source map, nelle route di debug e nei file .env. Due CVE nominate erano nel kit: CVE-2025-3248, la code injection non autenticata in Langflow precedente alla 1.3.0 (CVSS 9.8), e CVE-2026-28797, una server-side template injection in RAGFlow 0.24.0 e precedenti (CVSS 8.8).

Se usi uno di questi, la domanda sull'esposizione è semplice e verificabile: l'istanza è raggiungibile da internet, conserva ancora un segreto admin di default o placeholder, e la sua configurazione fa trapelare una chiave upstream funzionante? Un inventario dei numeri di build non risponde — il problema è la raggiungibilità e la configurazione, non lo scostamento di versione.

Il ciclo che si autofinanzia

Il dettaglio che rende questa campagna diversa dal furto di credenziali ordinario è cosa gli agenti facevano con le chiavi. Una volta che una chiave veniva validata presso il suo provider, finiva in un pool gestito — e quel pool alimentava il model gateway del framework stesso. Le chiavi rubate pagavano l'inference che faceva girare gli agenti che cercavano altre chiavi. La lettura di Amazon sulla Campagna 1 è che gli operatori raccoglievano chiavi "molto probabilmente per usare quei modelli facendoli pagare a qualcun altro". L'economia si chiude su se stessa: il costo operativo più grande dell'attaccante, la spesa in token per il lavoro agentico affamato di token, è coperto dalle vittime.

Il proprietario della chiave non vede una violazione. Vede una fattura. Il primo sintomo di questa compromissione è una bolletta del model provider che non corrisponde a nulla di ciò che l'organizzazione ha davvero eseguito.

È lo stesso motore economico di cui abbiamo scritto in LLMjacking: chiavi API AI rubate che finanziano attacchi autonomi. La campagna ARTEX è il lato acquisizione di quel mercato, che gira in autonomia e su scala di "centinaia di obiettivi". Una Campagna 2 separata, dagli stessi strumenti, usava deepfake in tempo reale per superare i controlli selfie dal vivo in due exchange di criptovalute — lo stesso framework, puntato sulla frode KYC.

Remediation

1. Sono interessato? Enumera ogni gateway, proxy e costruttore di app AI raggiungibile da internet che gestisci — LiteLLM, One API/New API, Dify, Langflow, RAGFlow, Open WebUI, Ollama e gli altri. Per ciascuno, conferma che non sia raggiungibile dalla rete pubblica senza autenticazione, che nessun segreto admin di default o placeholder sopravviva (ruota la master key di LiteLLM; non lasciare mai il default documentato) e che nessuna chiave di provider upstream sia recuperabile da config, route di debug, source map o JavaScript lato client. Tratta qualsiasi istanza esposta pubblicamente da più di qualche giorno come già enumerata — Amazon ha trovato gli agenti deprioritizzare le chiavi esposte da oltre 30 giorni proprio perché danno per scontato che qualcun altro sia già arrivato prima.

2. Applica la patch. Langflow alla 1.3.0 o successiva (chiude CVE-2025-3248). RAGFlow a una release successiva alla 0.24.0 (chiude CVE-2026-28797). Aggiorna i deployment della famiglia One API a una versione che rimuove il bypass isCliRequest. Aggiorna LiteLLM e gli altri gateway alle release correnti.

3. Non puoi applicare la patch ora? Metti ogni gateway AI ed endpoint di inference dietro la stessa autenticazione, segmentazione di rete e controlli di egress di qualsiasi altro sistema di produzione. Rimuovi prima l'esposizione pubblica — un endpoint di gestione non autenticato su internet è tutto l'attacco. Blocca il percorso SSRF negando ai container applicativi l'accesso al servizio di metadata del cloud (IMDSv2, regole di deny sul metadata-proxy).

4. Cerca segni di compromissione. Ruota ogni chiave di provider upstream che era raggiungibile da un'istanza esposta, presso il provider — cancellare un file .env trapelato non invalida la chiave. Poi osserva l'unico segnale che l'attaccante non può nascondere: spesa e utilizzo. Fatture inattese del model provider, chiamate di inference verso modelli o regioni che non usi mai, consumo di token fuori orario, e chiamate ai servizi di identità che validano le tue chiavi da indirizzi sconosciuti (l'elenco di IOC nel post di Amazon parte da 104.28.225[.]223 e 212.107.28[.]51). Mappa la catena di esposizione su MITRE ATT&CK T1595 (active scanning), T1552 (unsecured credentials), T1078 (valid accounts) e T1190 (exploit public-facing application).

5. Bonifica + verifica. Dopo aver ruotato le chiavi e chiuso l'esposizione, riscansiona l'asset dall'esterno per confermare che l'endpoint di gestione ora richieda autenticazione e che nessuna chiave trapeli dalla sua configurazione — verifica la correzione nello stesso modo in cui l'attaccante ha testato la debolezza, da internet verso l'interno. Controlla i log lato provider per qualsiasi azione compiuta con la vecchia chiave prima della rotazione.

Cosa non si sa ancora

  • L'impatto reale non è verificato. Amazon ha ricostruito i risultati dalle rivendicazioni degli agenti stessi; il numero di chiavi effettivamente rubate, le organizzazioni colpite e l'uso fatto degli accessi non sono confermati in modo indipendente.
  • Nessun conteggio delle vittime. Amazon descrive "centinaia di obiettivi" e non pubblica quante istanze siano state effettivamente compromesse.
  • L'attribuzione è a confidenza moderata. La valutazione di matrice cinese si basa su segnali di lingua, fuso orario e strumenti, non su un'identità certa.
  • L'elenco di IOC è parziale nel post pubblico e i provider le cui chiavi erano nel mirino non sono nominati singolarmente.

Dove lascia i difensori

La simmetria scomoda di questa campagna è che un agente offensivo autonomo ha trovato la tua infrastruttura AI esposta prima che tu la verificassi, perché non smette mai di cercare e si autofinanzia. La risposta onesta a "il mio LiteLLM è raggiungibile con una chiave di default, il mio Langflow è portabile all'esecuzione di codice" non è un report di versione — è lo stesso test che ha fatto l'attaccante, dall'esterno verso l'interno.

È a questo che serve un red team AI autonomo. Zero Hunt fa girare uno swarm di 10 agenti che identifica prodotto e versione esatti sul tuo perimetro, inclusi gateway AI e app-builder, e — black-box, nel modo in cui ARTEX ti ha visto — verifica se una master key di default, un endpoint non autenticato o un percorso SSRF si traducono davvero in accesso alle chiavi dei provider, scrivendo una prova funzionante per ogni ambiente dentro un container effimero e irrobustito che non tocca mai l'host. Gira on-premise su AI privata — i modelli propri di ZeroHunt sull'apparato nel tuo rack — così quando punta a infrastruttura che custodisce le tue chiavi di provider, quelle chiavi non lasciano mai l'apparato verso terzi, e un operatore approva ogni passo attivo. I nuovi asset sul perimetro scatenano una campagna entro un'ora, l'unica cadenza che regge contro un avversario i cui agenti scandagliano di continuo.

E poiché il primo e spesso unico sintomo di una chiave rubata è un utilizzo anomalo, l'AI Traffic Analysis di Zero Hunt — un modello di deep learning con quattro teste di inference sulla GPU dell'apparato a più Gbit/s — crea una baseline del tuo traffico AI-API in uscita e segnala chiamate di inference verso destinazioni mai viste e spese fuori pattern mentre accadono, non nella fattura del provider del mese prossimo. Per la versione buyer-intent della domanda sull'esposizione — come mettere test avversariali automatici e ripetibili davanti al tuo parco AI — vedi la nostra guida al penetration testing automatizzato.

È sfruttabile nel tuo ambiente?

Zero Hunt lo verifica sulla tua rete: un red team AI autonomo su un'appliance on-premise, con AI privata, in black box o gray box e con una persona che approva ogni passo che conta. La prova di cosa è sfruttabile, la correzione e le evidenze firmate — nessun dato esce dal tuo perimetro.