AI 代码安全审计如何识别幻觉依赖包？

1. 幻觉依赖包与 slopsquatting 概念

幻觉依赖包指 AI 编程工具"虚构"出来的、并不存在的软件包名。研究者在 USENIX Security 2025 论文中系统量化了该现象，并由此衍生出"slopsquatting"这一软件供应链攻击手法——攻击者预先注册模型高频幻觉出的包名，等待开发者安装时投毒。该术语由 Python 软件基金会研究员 Seth Larson 于 2025 年 4 月提出。

2. 依赖名真实性校验

审计工具将代码中的每个导入（import）语句与公共包注册表（如 npm、PyPI）逐一比对，确认包名真实存在。USENIX Security 2025 研究使用 16 个主流代码生成模型生成 223 万份代码样本，发现 440,445 份（19.7%）至少包含一个幻觉包名，共识别出 205,474 个虚构包名。

3. 注册信息与声誉核查

对每个依赖检查其发布者身份、注册时间、下载量与维护者信息，对"新注册、无历史、无维护者"的可疑包提高风险等级。该研究还发现，重跑相同提示词时，43% 的幻觉包名在每次运行中都重复出现、58% 在多次运行中复现，这种可预测性正是 slopsquatting 可被规模化的根源。

4. 跨注册表一致性校验

研究发现约 8.7% 的 Python 幻觉包名实际存在于 npm 注册表中，存在跨生态系统的混淆风险。因此审计需对目标语言对应的注册表做精确匹配，避免将"同名异构"的包误判为合法依赖。

5. 锁定文件与 SBOM 联动

结合锁文件（lockfile）固化依赖版本，并在每个进入生产的 AI 生成代码库要求生成软件物料清单（SBOM），对新增依赖触发人工确认与哈希校验，从源头阻断幻觉依赖被安装执行。