Cyberpediadi Brain

Slopsquatting: il pacchetto inventato dall'IA

Un assistente di codice può consigliare un pacchetto che non esiste, che un attaccante può poi creare. Cosa mostrano gli studi e il riflesso da avere.

In questa pagina
  1. 1In 30 secondi
  2. 2Di cosa si tratta
  3. 3Domande dirette
  4. 4Nei panni dell'attaccante
  5. 5Cosa si vede sullo schermo
  6. 6Sotto il cofano
  7. 7Fonti
  8. 8Cita questo articolo

In 30 secondi

Dove succede
Quando un assistente di codice raccomanda un pacchetto per Python o JavaScript[1].
Che cosa vuole l'attaccante
Registrare il nome che il modello inventa, in modo che il suo pacchetto trappola venga installato[2].
Il riflesso
Non installare mai un pacchetto sulla sola parola di un'IA. L'OWASP raccomanda di incrociare le risposte di un modello con fonti esterne affidabili[3].

Di cosa si tratta

Un assistente di codice può proporre di installare un pacchetto software che non esiste. I ricercatori parlano di allucinazione di pacchetto: un errore in cui il modello, scrivendo del codice, contraddice i fatti[1]. Vi vedono una forma nuova di attacco per confusione di pacchetto[1]. Se un attaccante registra il nome inventato, può inserirvi del codice malevolo[3]. Questo attacco porta il nome di slopsquatting[2].

Le cifre di questo articolo provengono da studi di ricercatori. Sono falle dimostrate e misurate da ricercatori, non un attacco osservato presso delle vittime.

Domande dirette

Che cos'è lo slopsquatting?

I pacchetti sono mattoni di codice che gli sviluppatori scaricano da repository centralizzati, come PyPI per Python e npm per JavaScript[1][2]. Quando un modello cita un pacchetto che non esiste, un attaccante può registrare quel nome[2]. Uno sviluppatore che si fida del suggerimento dell'assistente integra allora il pacchetto dell'attaccante[3].

Un assistente sbaglia spesso?

Dipende dal modello e dall'anno. Uno studio pubblicato a giugno 2024 (accettato a USENIX Security 2025) ha prodotto 576.000 esempi di codice con 16 modelli. La percentuale media di pacchetti inventati vi raggiunge almeno il 5,2 % per i modelli commerciali e il 21,7 % per i modelli aperti, con 205.474 nomi inventati distinti[1].

Una replicazione del 2026 riguarda cinque modelli recenti e 199.840 generazioni di codice Python e JavaScript. Misura dal 3,6 al 5,0 % di nomi inventati tra i pacchetti citati (dal 2,2 al 3,4 % delle generazioni). Secondo il suo autore, i modelli recenti si collocano al livello dei modelli commerciali del 2024, e il divario con i modelli aperti è scomparso. Python supera JavaScript per ogni modello[2].

Il rischio è scomparso con i modelli recenti?

Il titolo della replicazione del 2026 lo dice: l'intervallo si riduce, la minaccia resta[2]. Il suo autore rileva che almeno 23 nomi suggeriti dai modelli avevano già ospitato un software malevolo, poi rimosso dai repository. Un nome inventato è stato anche registrato con un software malevolo dopo i suoi test[2].

I nomi inventati vengono recuperati presto dagli attaccanti?

In questo studio, circa l'1 % dei nomi inventati è stato registrato in sei mesi. L'elenco dell'autore è stato esposto pubblicamente per errore durante quel periodo. Non trova alcun effetto rilevabile di questa pubblicazione: il tasso è lo stesso per i nomi pubblicati e non pubblicati[2].

Il mio modo di porre la domanda cambia qualcosa?

Sì. Uno studio del 2025 ha testato sette modelli. Un errore di battitura di un solo carattere provoca allucinazioni fino al 26 % dei compiti. Un nome di libreria fabbricato di sana pianta è accettato fino al 99 % delle volte, e delle richieste legate al tempo provocano allucinazioni fino all'85 %[4].

Che fare prima di installare un pacchetto proposto da un'IA?

Due controlli. Il primo è verificare che il pacchetto esista. Non basta: in uno studio del 2026, la metà dei nomi segnalati come inventati erano pacchetti già registrati su PyPI, imitazioni di scarsa qualità di progetti noti[5]. Il secondo è verificare che il pacchetto sia noto, incrociando la risposta dell'IA con una fonte esterna affidabile, come raccomanda l'OWASP per le risposte di un modello[3]. Un pacchetto che non si può confermare non si installa sul solo suggerimento dell'assistente.

Nei panni dell'attaccante

Lo scenario descritto dall'OWASP si riassume in poche tappe. L'attaccante prova degli assistenti di codice popolari per individuare i nomi di librerie che inventano più spesso. Pubblica poi dei pacchetti malevoli con questi nomi, su repository molto utilizzati. Gli sviluppatori che seguono il suggerimento dell'assistente li integrano senza saperlo. L'attaccante può allora ottenere un accesso non autorizzato, iniettare del codice malevolo o installare porte nascoste[3].

Dei nomi ritornano da un modello all'altro: nella replicazione del 2026, 104 nomi sono inventati dai cinque modelli contemporaneamente[2].

Pesa anche la formulazione della richiesta. Nello studio sugli assistenti locali, il tasso di allucinazione passa da 0-10 % su dei compiti di programmazione correnti a 40-73 % su delle richieste concepite come esche di slopsquatting[5].

Cosa si vede sullo schermo

L'OWASP descrive questi errori come un contenuto che sembra esatto mentre è fabbricato: le risposte suonano giuste ma non poggiano su nulla[3]. Nel codice, gli errori studiati prendono la forma di import non validi[4].

Estratto
Illustrazione, non un caso reale:
pip install [nome di pacchetto proposto dall'assistente, introvabile o sconosciuto]

Il controllo non è sempre semplice: un nome di import può differire dal nome del pacchetto. Gli autori dello studio del 2026 sugli assistenti locali portano l'esempio di «import cv2» rispetto a «pip install opencv-python»[5]. Nella replicazione del 2026, 26 voci di un elenco precedente di nomi inventati erano in realtà import corretti il cui nome di modulo differisce dal nome del pacchetto[2].

Sotto il cofanoTeam IT

L'OWASP spiega l'allucinazione con il funzionamento del modello: colma le lacune dei suoi dati di addestramento con schemi statistici, senza comprendere il contenuto[3]. Tra i rischi colloca il suggerimento di librerie di codice non sicure o inesistenti, che introduce vulnerabilità se ci si affida senza verificare[3]. Vi aggiunge l'eccessiva fiducia degli utenti, che non verificano l'esattezza di ciò che produce il modello[3].

I ricercatori del 2024 hanno anche testato delle contromisure. Indicano che diverse strategie riducono nettamente il numero di allucinazioni mantenendo la qualità del codice[1].

Un rilevatore proposto ad agosto 2026 combina due controlli. Il primo verifica in modo deterministico che il pacchetto esista su PyPI. Il secondo è un classificatore addestrato su dieci caratteristiche tratte dal nome e dai metadati del pacchetto[5]. Su 300 richieste, la catena di elaborazione produce codice senza pacchetto inventato nel 76 % delle prove[5]. Il modello principale più debole dello studio ha rifiutato 6 esche dirette su 10 senza aiuto, il che suggerisce, secondo gli autori, che la regolazione recente delle istruzioni offra una difesa di base[5].

Dal lato dell'organizzazione, l'OWASP raccomanda di verificare con cura le fonti di dati e i fornitori, utilizzando solo fornitori affidabili[6]. Raccomanda anche di tenere aggiornato l'inventario dei componenti con una distinta base del software (SBOM)[6].

Fonti

  1. arXiv, «We Have a Package for You! A Comprehensive Analysis of Package Hallucinations by Code Generating LLMs», 12 giugno 2024. https://arxiv.org/abs/2406.10279 (consultato il 14 novembre 2026)
  2. arXiv, «The Range Shrinks, the Threat Remains: Re-evaluating LLM Package Hallucinations on the 2026 Frontier-Model Cohort», 16 maggio 2026. https://arxiv.org/abs/2605.17062 (consultato il 14 novembre 2026)
  3. OWASP, «LLM09:2025 Misinformation», 10 aprile 2024. https://genai.owasp.org/llmrisk/llm092025-misinformation/ (consultato il 14 novembre 2026)
  4. arXiv, «Library Hallucinations in LLM-Generated Code: A Risk Analysis Grounded in Developer Queries», 26 settembre 2025. https://arxiv.org/abs/2509.22202 (consultato il 14 novembre 2026)
  5. arXiv, «Names Can Hurt: Spotting Slopsquatting Risks Caused by Package Name Hallucinations in Local Coding LLMs», 24 agosto 2026. https://arxiv.org/abs/2608.23897 (consultato il 14 novembre 2026)
  6. OWASP, «LLM03:2025 Supply Chain», 10 aprile 2024. https://genai.owasp.org/llmrisk/llm032025-supply-chain/ (consultato il 14 novembre 2026)