Le 21 octobre 2026, des distributions officielles de LiteLLM 1.107.0 sur PyPI et dans des registres de conteneurs ont embarqué du code malveillant capable de collecter des secrets. Selon l'analyse définitive publiée par LiteLLM le 23 octobre, l'intrusion a commencé par une clé maîtresse exposée dans un dépôt public dès le 27 mai, puis a progressé vers plusieurs jetons GitHub et la chaîne de publication.
L'intérêt de cet incident dépasse LiteLLM : il démontre qu'une simple clé oubliée peut compromettre une chaîne de livraison malgré les contrôles de signature, les validations et les protections des branches.
Ce qui a été compromis, exactement
L'avis officiel initial de LiteLLM identifie les artefacts suivants :
- PyPI : les sept roues (« wheels ») de
litellm==1.107.0, disponibles le 21 octobre entre 11 h 39 et 13 h 23 UTC. - Docker Hub : les tags
v1.107.0,latest,main-latestetmain-stable, pointant temporairement vers l'index compromissha256:1bbcb1443bc962e45f5aad53fe3d2c30600e0379715fb6c664cdd3ac126c339eentre 11 h 46 et 14 h 20 UTC. - GHCR : plusieurs variantes et tags ont aussi été affectés, puis rendus indisponibles ou corrigés pendant l'intervention.
Les artefacts concernés ont été retirés ou remplacés. Le tag source GitHub officiel v1.107.0 ne contenait pas les fichiers malveillants : les binaires provenaient d'un dépôt contrôlé par l'attaquant. LiteLLM indique que les versions antérieures n'étaient pas affectées par cet incident et que son registre privé Enterprise n'a pas été touché.
Attention : avoir une dépendance déclarée sur LiteLLM ne prouve pas l'exécution du malware. En revanche, avoir installé la roue concernée ou exécuté l'image compromise durant la fenêtre d'exposition justifie une réponse à incident.
Du secret oublié au pipeline de publication
La chronologie révisée de l'éditeur corrige certaines hypothèses de son premier avis :
- 27 mai : une clé maîtresse de la plateforme interne LiteLLM Agent Platform est intégrée à un dépôt GitHub public. Elle n'est pas révoquée.
- 10 octobre : cette clé permet d'interroger l'API de la plateforme ; une réponse expose un jeton GitHub CLI associé à un propriétaire de l'organisation. L'attaquant utilise ensuite des workflows temporaires pour exfiltrer d'autres secrets de publication.
- 21 octobre : un jeton privilégié sert à contourner les protections d'une branche et à modifier le workflow de publication. Celui-ci récupère le code depuis
Berri-AI/litellm, dépôt ressemblant au véritableBerriAI/litellm. - Les étapes de préparation et de validation aboutissent à la diffusion des paquets et images contaminés. Des journaux de workflows sont ensuite supprimés pour gêner la reconstitution.
Il ne s'agit donc pas simplement d'un paquet « piraté sur PyPI » : la chaîne de publication autorisée a été détournée. Des artefacts malveillants ont ainsi été propagés par des canaux habituellement fiables.
Pourquoi le malware peut s'exécuter sans importer LiteLLM
L'analyse de Microsoft Security Research du 23 octobre explique deux chemins d'exécution : un collecteur de secrets et un chargeur distant.
Des fichiers comme cook.pth, cook.py et sitecustomize.py tirent parti des mécanismes de démarrage de l'interpréteur Python. Sur un environnement affecté, lancer Python ou pip peut suffire à activer le code, sans qu'une application fasse explicitement import litellm.
Le collecteur vise notamment les clés et jetons accessibles dans les environnements cloud, les outils de développement, les agents IA et d'autres applications. L'étendue réelle dépend des permissions du processus, des volumes montés et des secrets présents.
Vérifications et réponse à incident
1. Identifier les artefacts sans réactiver le code. Ne commencez pas l'investigation par un pip show ou un pip install lancé dans l'environnement suspect : ces commandes démarrent Python. Depuis un environnement sain, inspectez les inventaires de dépendances, les journaux d'installation, les registres et les digests effectifs des images. Recherchez les traces litellm-1.107.0.dist-info, cook.pth, cook.py et sitecustomize.py. Ces noms sont des indicateurs, pas une preuve exhaustive de propreté en leur absence.
2. Isoler et préserver. Restreignez les accès réseau et documentez les conteneurs, hôtes, volumes, journaux et horodatages concernés. Pour une investigation autorisée, conservez les copies utiles et leurs empreintes avant de supprimer les fichiers suspects. Des conteneurs éphémères peuvent avoir effacé des traces locales.
3. Reconstruire depuis une source saine. Préférez recréer les environnements virtuels et les images à partir d'artefacts vérifiés et de versions explicitement épinglées. L'éditeur recommandait 1.106.2 dans son avis initial ; contrôlez également ses avis les plus récents avant de choisir une version opérationnelle.
4. Révoquer et renouveler les secrets potentiellement accessibles. Examinez les identifiants cloud, jetons GitHub, clés de fournisseurs IA, secrets CI/CD, mots de passe de base de données et identifiants disponibles dans les variables d'environnement, fichiers montés ou gestionnaires de secrets. La rotation doit être réalisée depuis un poste et une infrastructure fiables, puis complétée par une recherche d'usages anormaux.
5. Rechercher les actions postérieures. Corrélez les événements IAM, GitHub, proxy, DNS et réseau sortant avec les heures d'installation et d'exécution. La découverte d'un artefact malveillant indique une exposition ; elle ne prouve pas à elle seule que l'exfiltration a réussi. Inversement, l'absence d'un fichier marqueur ne permet pas d'écarter une fuite.
Les leçons pour les entreprises et leurs agents IA
La leçon principale est la durée de vie des secrets : effacer un jeton d'un commit ne le révoque pas. Il faut inventorier les secrets, privilégier les accès courts, réduire les permissions des applications et des agents, cloisonner les environnements d'exécution et surveiller l'utilisation des jetons.
Les pipelines CI/CD doivent limiter les droits de publication, contrôler les sources et les identités de dépôts, comparer les artefacts compilés au code attendu et conserver des journaux d'audit protégés contre l'effacement. La signature d'une image ou d'un paquet est utile, mais ne garantit pas qu'une chaîne de compilation autorisée n'a pas été détournée.
Ce cas rejoint nos analyses sur les attaques autonomes impliquant des agents IA et sur la nécessité de contrôles indépendants pour les agents. Pour GLOV Consulting, il illustre les sujets de gouvernance des accès, d'inventaire des dépendances et de continuité opérationnelle. Pour GLOV AI, activité en préparation, il constitue un cas concret à prendre en compte dès la conception d'environnements d'IA d'entreprise.
Ce qui reste incertain
Le nombre d'organisations touchées et le volume de secrets effectivement exfiltrés ne sont pas publiquement établis de manière exhaustive. Certaines hypothèses du premier avis ont été corrigées dans le rapport du 23 octobre : l'analyse révisée de la chaîne d'attaque fait référence. Il ne faut confondre ni téléchargement, ni installation, ni exécution, ni exfiltration avérée.
Analyse GLOV Solutions — informations vérifiées au 27 octobre 2026. Aucun incident touchant GLOV Solutions n'est allégué.