震惊：扫描7.6PB HuggingFace数据竟发现22万个有效密钥，AI供应链面临安全风暴

网络安全公司 Truffle Security 公布了一项针对 AI 训练数据史无前例的安全审计结果。研究团队扫描了 Hugging Face 上所有的公共数据集，处理了总计 7.6 PB 的数据量（约 1.87 亿个文件）。结果显示，这些开源训练数据中潜伏着巨大的安全隐患：研究人员在 6,003 个数据集中发现了 221,303 个唯一且有效的实时凭证。这些泄露的密钥并非无效的测试数据，而是具备极高权限的“活”凭证，包括大量 GitHub 个人访问令牌（具备代码仓库写入及 CI 工作流修改权限）、云服务商密钥（AWS、GCP）、数据库登录信息以及 OpenAI、Anthropic 等 AI 厂商的 API Key。更令人担忧的是，这些泄露的凭证已广泛污染了主流训练语料库（如 The Stack、Dolma），导致包括 StarCoder、OLMo 在内的知名开源大模型在训练过程中“吸入”了这些敏感信息。研究发现，除了传统的代码仓库泄露，将含有密钥的代码粘贴进聊天助手已成为新的泄露途径，且一个密钥往往会被镜像复制到数千个衍生数据集中，形成难以根除的污染源。

事件分析

💡 核心观点：训练数据的不可逆性使密钥泄露成为永久性隐患，AI 供应链亟需建立“清洁数据”标准。