网络安全研究人员警告称，幻觉由生成式AI（Generative AI）模型推荐不存在依赖项引发的催生幻觉现象 ，正导致一种新型软件供应链攻击——Slopsquatting（暂译"AI依赖项劫持"） 。新型来自德克萨斯大学圣安东尼奥分校、网络威胁弗吉尼亚理工大学和俄克拉荷马大学的幻觉研究团队发现，大型语言模型（LLM ，催生Large Language Model）生成的新型代码普遍存在"包幻觉"现象 ，这正被威胁分子所利用 。网络威胁
研究团队在论文中指出 ："Python和JavaScript等流行编程语言对集中式软件包仓库和开源软件的幻觉依赖 ，高防服务器加上代码生成LLM的催生出现 ，为软件供应链带来了新型威胁——包幻觉 。新型"通过分析包括GPT-4 、网络威胁GPT-3.5 、幻觉CodeLlama 、催生DeepSeek和Mistral在内的新型16个代码生成模型 ，研究人员发现约五分之一的推荐软件包为虚假存在 。 Socket安全公司分析报告显示 ："如果某个AI工具广泛推荐一个幻觉软件包 ，而攻击者已注册该名称，源码库就可能造成大规模入侵 。考虑到许多开发者未经严格验证就信任AI输出 ，这种威胁的潜在影响范围极大 。" 攻击者利用命名规律实施劫持这种攻击方式被命名为Slopsquatting，由Python软件基金会（PSF）安全开发者Seth Larson首次提出 ，因其与传统的"typosquatting"（域名抢注）技术相似 。不同之处在于 ，威胁分子不再依赖用户输入错误 ，而是利用AI模型的云计算推荐错误 。 测试样本显示，19.7%（20.5万个）的推荐软件包为虚假包。开源模型（如DeepSeek和WizardCoder）的幻觉率平均达21.7%，远高于GPT-4等商业模型（5.2%） 。其中CodeLlama表现最差（超三分之一输出存在幻觉） ，GPT-4 Turbo表现最佳（仅3.59%幻觉率） 。 持久性幻觉威胁加剧研究发现这些包幻觉具有持久性 、重复性和可信性三大危险特征 。在重复500次先前产生幻觉的服务器租用提示词时 ，43%的幻觉包在连续10次运行中每次都出现 ，58%的幻觉包出现超过一次。研究表明 ："多数幻觉并非随机噪声 ，而是模型对特定提示的可重复反应模式 。" 此外，38%的幻觉包名与真实包存在中度字符串相似性 ，模板下载仅13%属于简单拼写错误。Socket指出 ，这些"语义可信"的命名结构大大增加了识别难度 。 防护建议尽管目前尚未发现实际攻击案例 ，研究团队建议开发者在生产环境和运行时前安装依赖项扫描工具 ，以筛查恶意软件包 。OpenAI近期因大幅削减模型测试时间和资源而受到批评 ，这也被认为是导致AI模型易产生幻觉的原因之一 。安全专家强调 ，源码下载仓促的安全测试会显著增加AI系统的风险暴露面 。 |
