[论文解读] SpellBound: Defending Against Package Typosquatting

Matthew Taylor, Ruturaj K. Vaidya+3 more|arXiv (Cornell University)|Mar 6, 2020

Advanced Malware Detection Techniques参考文献 26被引用 9

一句话总结

SpellBound 提出了一种轻量、高效的工具，通过分析词汇相似性和包的流行度，检测并警告开发者 npm 和 PyPI 中潜在的包拼写劫持（typosquatting）行为。该工具将误报率降低至安装总量的 0.5%，性能开销仅增加 2.5%，成功识别出已知的以及一个未知的高调拼写劫持案例，促成相关包被下架。

ABSTRACT

Package managers for software repositories based on a single programming language are very common. Examples include npm (JavaScript), and PyPI (Python). These tools encourage code reuse, making it trivial for developers to import external packages. Unfortunately, repositories' size and the ease with which packages can be published facilitates the practice of typosquatting: the uploading of a package with name similar to that of a highly popular package, typically with the aim of capturing some of the popular package's installs. Typosquatting has serious negative implications, resulting in developers importing malicious packages, or -- as we show -- code clones which do not incorporate recent security updates. In order to tackle this problem, we present SpellBound, a tool for identifying and reporting potentially erroneous imports to developers. SpellBound implements a novel typosquatting detection technique, based on an in-depth analysis of npm and PyPI. Our technique leverages a model of lexical similarity between names, and further incorporates the notion of package popularity. This approach flags cases where unknown/scarcely used packages would be installed in place of popular ones with similar names, before installation occurs. We evaluated SpellBound on both npm and PyPI, with encouraging results: SpellBound flags typosquatting cases while generating limited warnings (0.5% of total package installs), and low overhead (only 2.5% of package install time). Furthermore, SpellBound allowed us to confirm known cases of typosquatting and discover one high-profile, unknown case of typosquatting that resulted in a package takedown by the npm security team.

研究动机与目标

• 为应对 npm 和 PyPI 等软件包仓库中日益严重的拼写劫持威胁，攻击者利用名称相似性诱骗开发者安装恶意或过时的包。
• 降低开发者因包名拼写错误而意外安装恶意或不安全包的风险。
• 提供一种实用、低开销的解决方案，集成到包安装工作流中，在安装前标记可疑的名称混淆。
• 检测既恶意又无害但具有安全风险的拼写劫持包，这些包可能不执行恶意代码，但因未及时更新而危及安全。

提出的方法

• 该工具使用词汇相似性模型，识别因常见拼写错误（如字符互换、遗漏或替换）而容易混淆的包名。
• 结合包的流行度指标，优先对低流量包被误安装为高人气包的情况发出警告。
• 系统分析依赖树，并将请求的包名与精心筛选的高人气目标列表进行对比，以检测潜在的拼写劫持。
• 利用 npm 和 PyPI 的元数据构建检测模型，标记名称相似度高但使用量低的包作为潜在拼写劫持候选。
• 检测逻辑集成到包安装流程中，以极小的性能影响在安装时生成警告。
• 该工具在真实世界的 npm 和 PyPI 数据上进行了评估，包括与包维护者的手动确认以及与 npm 安全部队的协作。

实验结果

研究问题

• RQ1 轻量级、实时检测系统能否有效识别 npm 和 PyPI 等主流包仓库中的拼写劫持包？
• RQ2 如何结合词汇相似性和包流行度以减少拼写劫持检测中的误报？
• RQ3 将此类检测系统集成到标准包安装工作流中，其性能开销有多大？
• RQ4 该工具能否检测出既恶意又无害但存在安全风险的拼写劫持包，即与热门包相似但未更新的克隆包？
• RQ5 此类系统在多大程度上能预防真实世界中的拼写劫持事件，避免其造成实际危害？

主要发现

• SpellBound 将误报率降低至总安装量的 0.5%，表明其在识别真实拼写劫持风险方面具有极高的精确度。
• 该工具平均仅引入 2.5% 的性能开销，使其可实际集成到现有包工作流中。
• 系统成功确认了已知的拼写劫持案例，例如 loadsh 包，该包是 lodash 的近乎完全相同的克隆，仅有一个字符拼写错误。
• 通过手动联络，三位依赖 loadsh 包的维护者确认其本意是使用 lodash，从而验证了该工具检测准确性的可靠性。
• 该工具发现了一个未知的、高调的拼写劫持案例，促使 npm 安全部队将其下架，证明了其在现实世界中的实际影响。
• 该方法能有效识别出既恶意又无害但不安全的拼写劫持包，这些包因未接收安全更新而存在风险。