網絡安全研究人員警告稱，由生成式AI（Generative AI）模型推薦不存在依賴項引發的幻覺現象，正導致一種新型軟件供應鏈攻擊——Slopsquatting（暫譯"AI依賴項劫持"）。來自德克薩斯大學圣安東尼奧分校、弗吉尼亞理工大學和俄克拉荷馬大學的研究團隊發現，大型語言模型（LLM，Large Language Model）生成的代碼普遍存在"包幻覺"現象，這正被威脅分子所利用。

AI推薦虛假依賴包成隱患

研究團隊在論文中指出："Python和JavaScript等流行編程語言對集中式軟件包倉庫和開源軟件的依賴，加上代碼生成LLM的出現，為軟件供應鏈帶來了新型威脅——包幻覺。"通過分析包括GPT-4、GPT-3.5、CodeLlama、DeepSeek和Mistral在內的16個代碼生成模型，研究人員發現約五分之一的推薦軟件包為虛假存在。

Socket安全公司分析報告顯示："如果某個AI工具廣泛推薦一個幻覺軟件包，而攻擊者已注冊該名稱，就可能造成大規模入侵。考慮到許多開發者未經嚴格驗證就信任AI輸出，這種威脅的潛在影響范圍極大。"

攻擊者利用命名規律實施劫持

這種攻擊方式被命名為Slopsquatting，由Python軟件基金會（PSF）安全開發者Seth Larson首次提出，因其與傳統的"typosquatting"（域名搶注）技術相似。不同之處在于，威脅分子不再依賴用戶輸入錯誤，而是利用AI模型的推薦錯誤。

測試樣本顯示，19.7%（20.5萬個）的推薦軟件包為虛假包。開源模型（如DeepSeek和WizardCoder）的幻覺率平均達21.7%，遠高于GPT-4等商業模型（5.2%）。其中CodeLlama表現最差（超三分之一輸出存在幻覺），GPT-4 Turbo表現最佳（僅3.59%幻覺率）。

持久性幻覺威脅加劇

研究發現這些包幻覺具有持久性、重復性和可信性三大危險特征。在重復500次先前產生幻覺的提示詞時，43%的幻覺包在連續10次運行中每次都出現，58%的幻覺包出現超過一次。研究表明："多數幻覺并非隨機噪聲，而是模型對特定提示的可重復反應模式。"

此外，38%的幻覺包名與真實包存在中度字符串相似性，僅13%屬于簡單拼寫錯誤。Socket指出，這些"語義可信"的命名結構大大增加了識別難度。

防護建議

盡管目前尚未發現實際攻擊案例，研究團隊建議開發者在生產環境和運行時前安裝依賴項掃描工具，以篩查惡意軟件包。OpenAI近期因大幅削減模型測試時間和資源而受到批評，這也被認為是導致AI模型易產生幻覺的原因之一。安全專家強調，倉促的安全測試會顯著增加AI系統的風險暴露面。