Stealer PhantomRaven, distribuído em mais de 100 pacotes maliciosos no npm, foi provavelmente escrito com ajuda de LLM
Pesquisadores atribuíram a um ator com motivação financeira, que se apresenta como caçador de bug bounty, a distribuição do stealer JavaScript PhantomRaven através de mais de cem pacotes maliciosos publicados no npm usando slopsquatting e typosquatting. Evidências como comentários excessivamente verbosos, código de preenchimento e padrões estatísticos de tokens levaram os analistas a concluir, com alta confiança, que o malware foi escrito com o auxílio de um LLM.
Pesquisadores de segurança atribuíram a um ator de ameaça motivado financeiramente, que se apresenta publicamente como caçador de recompensas por bugs, o desenvolvimento e a distribuição do PhantomRaven, um stealer de informações escrito em JavaScript e propagado através do registro npm. A campanha usou mais de cem pacotes maliciosos publicados sob contas como 'jpdhellonpm1' e 'jpd15', empacotados com nomes parecidos com bibliotecas legítimas populares.
Tecnicamente, o PhantomRaven opera em duas etapas para escapar de scanners estáticos de segurança do próprio npm: o pacote publicado funciona como um carregador leve que, na instalação ou em tempo de execução, busca uma 'dependência dinâmica remota' hospedada em infraestrutura externa ao registro, em vez de embutir o payload malicioso diretamente no pacote analisado. Uma vez ativo, o malware coleta endereços de e-mail, fingerprint do sistema (incluindo IP público), credenciais de Git e npm, além de variáveis de ambiente específicas de plataformas de CI/CD como GitHub Actions, GitLab CI, Jenkins e CircleCI.
A estratégia de distribuição combina typosquatting tradicional com o que os pesquisadores chamam de slopsquatting: nomes de pacote escolhidos para se parecerem com dependências reais e, possivelmente, com nomes que assistentes de codificação baseados em LLM tendem a sugerir ou alucinar, aumentando a chance de instalação acidental por desenvolvedores que copiam sugestões de IA sem verificar. A atribuição de autoria por LLM veio de análise forense de código: comentários verbosos e didáticos além do necessário, trechos de código placeholder típicos de geração automática, e padrões estatísticos de uso de tokens consistentes com saída de modelo de linguagem, o que deu aos analistas alta confiança na hipótese.
O caso importa na prática por dois ângulos complementares. Primeiro, o alvo do roubo são especificamente credenciais de desenvolvedor e segredos de CI/CD, ativos de alto valor que permitem a um atacante pivotar para comprometer pipelines de build inteiros ou publicar novos pacotes maliciosos usando identidades legítimas roubadas, ampliando a cadeia de suprimentos comprometida. Segundo, o episódio ilustra como a popularização de assistentes de codificação por IA cria, ao mesmo tempo, uma ferramenta que baixa o custo de produzir variantes de malware em escala e uma nova superfície de erro humano (slopsquatting) que o próprio hábito de confiar em sugestões de IA ajuda a alimentar.