NVIDIA TransformerEngine项目中发现恶意文件攻击事件分析
近期,NVIDIA开源项目TransformerEngine的GitHub仓库中发现了一起利用GitHub评论附件功能传播恶意软件的安全事件。本文将从技术角度分析该攻击事件的细节、攻击手法以及防范措施。
事件概述
安全研究人员在分析一个被篡改的RenPy游戏时,发现其中隐藏的恶意代码会从NVIDIA TransformerEngine项目的GitHub仓库下载一个伪装成文本文件的ZIP压缩包。该压缩包实际包含恶意可执行程序,攻击者通过精心设计的攻击链在受害者计算机上执行恶意代码。
攻击技术分析
攻击链分解
-
初始感染载体:攻击者篡改了RenPy游戏的LICENSE文件,在其中植入了Base64编码的Python下载器脚本。
-
第一阶段载荷:解码后的Python脚本会从攻击者控制的URL下载第二阶段脚本(fontsload.py)并执行。
-
第二阶段载荷:fontsload.py脚本会从NVIDIA TransformerEngine项目的GitHub仓库下载伪装成screens.txt的ZIP文件,解压后执行其中的恶意可执行程序。
技术细节
攻击者利用了GitHub的评论附件功能上传恶意文件,这种文件虽然不属于项目代码库本身,但会生成看似属于项目仓库的URL,增加了可信度。具体表现为:
- 文件URL格式为项目文件路径,但实际上是通过评论附件上传的独立文件
- 文件扩展名伪装为.txt,实际是包含恶意可执行程序的ZIP压缩包
- 恶意可执行程序使用了数字签名,可能是为了绕过安全检查或实现DLL劫持
代码分析
攻击脚本展示了典型的恶意下载器特征:
- 使用Python标准库(os, platform, requests等)实现跨平台兼容性
- 将恶意文件隐藏在用户目录的隐蔽位置(APPDATA/RenPy/bin)
- 使用多线程技术异步执行恶意操作
- 包含完整的错误处理机制避免执行中断
- 执行后自动清理痕迹(删除ZIP文件)
安全影响
虽然该恶意文件并非TransformerEngine项目代码的一部分,但此类攻击具有以下危害:
- 利用知名开源项目的声誉增加恶意文件的可信度
- 可能影响从该项目派生或参考的项目开发者
- 普通用户难以区分官方文件和恶意附件
防护建议
针对此类攻击,建议采取以下防护措施:
-
开发者防护:
- 对项目中的任何附件保持警惕
- 使用代码签名验证下载的可执行文件
- 在CI/CD流程中加入恶意代码扫描
-
终端用户防护:
- 避免直接运行来源不明的Python脚本
- 使用沙箱环境分析可疑文件
- 保持系统和安全软件更新
-
项目管理:
- 定期审查项目相关的所有内容,包括issue和评论
- 考虑禁用评论附件功能或设置审核机制
- 建立快速响应机制处理安全报告
事件响应
NVIDIA安全团队在收到报告后迅速响应,确认恶意文件并非项目代码库的一部分,而是通过GitHub评论附件功能上传。团队已联系GitHub移除了相关恶意文件,确保了项目安全性。
此类事件提醒我们,现代软件供应链攻击正变得越来越复杂,攻击者会利用各种看似合法的渠道传播恶意代码。保持警惕和建立完善的安全防护机制对开源项目和用户都至关重要。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C094
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00