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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0195
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0124
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07