נוף (חוסר) האבטחה של GitHub Actions מבוססי AI (חלק 2/2)
אמ;לק
חלקו השני של המאמר בוחן את הפגיעות כאשר AI פוגש CI/CD, כולל עקיפת הרשאות והזרקת פרומפטים. הוא מספק המלצות להתמודדות עם איומים אלו בסביבת הפיתוח.
סיכום בעברית: מערכת VibeSec · מדיניות המקורות
נוסף ל-VibeSec:
כותרת מקורית: The (In)security Landscape of AI-Powered GitHub Actions (Part 2/2)

התוכן המלא בעברית
תרגום אוטומטי מהמקור; מונחים טכניים נשארו באנגלית. לנוסח המחייב — הכתבה המקורית.
פעולות GitHub מבוססות AI מספקים כמו OpenAI, Anthropic ו-Google פועלות כעת באלפי זרימות עבודה (workflows) ציבוריות. יצאנו למפות את מודל האחריות המשותפת לפעולות אלו ומצאנו:
• עקיפות (Bypasses) של הגדרות שאינן ברירת מחדל, המאפשרות לכל תוקף חיצוני להפעיל את ה-AI.
• וקטור חדש לדליפת סודות (secret exfiltration) עבור קבצי אישורים שנוצרו באופן דינמי, אשר דגמי ה-AI אינם מזהים כרגישים.
• הגדרות שגויות נפוצות בזרימות עבודה בסביבת הייצור (production), המשפיעות על מאגרים עם סך מצטבר של מעל 200,000 כוכבים.
בחלק הראשון (Part 1), חקרנו את מודל האיומים המסורתי של GitHub Actions ואת פעילות הניצול בשנתיים האחרונות. פוסט זה מרחיב את משטח התקיפה כדי לתת מענה להזרקת הנחיות (prompt injection) ויכולות כלי AI - סיכונים חדשים שהנחיות האבטחה המסורתיות של GitHub Actions לא מתייחסות אליהם.
עדכון אוקטובר 2026: מאז, GitHub הטמיעה שינויים משמעותיים בהגנות על pull_request_target. ראו את המאמר The Pwn Request Reckoning: What Still Works Against GitHub Actions כדי לדעת מה השתנה ומה עדיין ניתן לניצול.
מה מייחד פעולות מבוססות AI? הן נבדלות מ-GitHub Actions מסורתיים בשני אופנים עיקריים: (1) הזרקת הנחיות (prompt injection) כסיכון מהותי בשימוש ב-AI, ו-(2) יכולות מגוונות ופלט לא דטרמיניסטי. השילוב של שפה טבעית ועיבוד קלט מעורפל אומר שהקלט של המשתמש (כגון גוף Pull Request או תיאור Issue) יכול להיות עשיר ומקורי ביותר. במקביל, האופי ההסתברותי והמניפולטיבי של קבלת החלטות ב-AI הופך את הפלט הסופי לבלתי צפוי ויצירתי כאחד. עם זאת, למרות הרחבה זו, מושגי הליבה של מודל האיום המקורי נותרים רלוונטיים, שכן פעולות AI עדיין חייבות לפעול במסגרת המגבלות של ארכיטקטורת GitHub Actions הקיימת. לכן, מודל האיומים המקורי מחלק 1 עדיין תקף:
הזרקת הנחיות היא דאגת אבטחה מוכרת עבור GitHub Actions מבוססי AI, כפי שמעידים מספר אירועים ([1], [2], [3]). ההנחה הבסיסית חייבת להיות שאם תוקף שולט בקלט, תתרחש הזרקה מוצלחת. זה מוביל לשני ציווי אבטחה עיקריים שהיו במוקד המחקר שלנו:
• בקרת קלט (Input Control): הבטחה שרק גורמים מאזור מהימן יוכלו לשלוט בקלט המסופק לפעולה.
• הגבלת רדיוס הפיצוץ (Blast Radius Limitation): מזעור ההשפעה הפוטנציאלית - 'רדיוס הפיצוץ' - במקרה שהזרקת הנחיות בוצעה בהצלחה.
השתמשנו במודל לעיל כהנחיה לביצוע ניתוח אבטחה של פעולות ה-AI הפופולריות ביותר ב-GitHub, כולל הפעולות הבאות:
• anthropics/claude-code-action (בשימוש ביותר מ-12K זרימות עבודה ציבוריות)
• google-github-actions/run-gemini-cli (בשימוש ביותר מ-1K זרימות עבודה ציבוריות)
עקיפת שער אבטחה של אפליקציה חיצונית
עקיפת בוט חיצוני (openai/codex-action, anthropics/claude-code-action)
קיימת בדיקת הרשאות מובנית בפעולות לעיל. כברירת מחדל, רק ישויות (משתמשים או אפליקציות/בוטים) בעלי גישת Write למאגר יכולים להפעיל אותן. יחד עם זאת, שתי הפעולות מציעות הגדרות המרפות תנאי מגביל זה כדי לאפשר לכל המשתמשים, לכל הבוטים (Apps), או לישויות נבחרות לבצע את הפעולה. לדוגמה, ראו את תיעוד codex-action (לפני התיקון):
עם זאת, סקירת המימוש העלתה שאין הבחנה בגישה בין אפליקציה המותקנת פנימית לבין אפליקציה חיצונית. זו הסיבה שזה חשוב: כשאתה מתקין GitHub App, אתה נותן לה קבוצה של הרשאות נדרשות ב-repo או בארגון שלך; היא הופכת לחלק מה-Trusted Zone. לעומת זאת, אפליקציות GitHub חיצוניות לא צריכות ליהנות מהרשאות אלו ועליהן להישאר בבחינת גורם חיצוני. openai/codex-action ו-anthropics/claude-action הרחיבו את גבולות האמון לכל האפליקציות והבוטים. טעות זו ניכרת בקטעי קוד אלו - אין בדיקה האם האפליקציה רשאית לפעול במאגר, והבדיקות הן תחביריות בלבד:
// Vulnerable code in a write-check portion of a two-stage gate in claude-code-action/src/github/validation/permissions.ts: checkWritePermissions() if ( actor .endsWith( "[bot]" )) { core .info( השחקן הוא GitHub App: ${ actor } ); return true ;}
// Vulnerable code in codex-action/src/checkActorPermissions.ts:69-74 if (allowBotActors && actor .endsWith( "[bot]" )) { core .info( השחקן ' ${ actor } ' הוא חשבון בוט; דילוג על בדיקת הרשאה מפורשת. ); return { status : "approved" , actor }; }
מה שרוב האנשים לא מבינים הוא שאסימוני (tokens) אפליקציה יכולים ליצור בעיות במאגרים אחרים. לכן, ישנם שני תרחישי עקיפה:
• במקרה של allowed_bots: * (ב-claude-code-action) או allow-bots: true (ב-codex-action) - תוקף עוקף את שערי זרימת העבודה על ידי יצירת אפליקציה אקראית, הנפקת אסימון, ופעולה בשם אפליקציה זו.
• במקרה של אפליקציה ספציפית המותרת באמצעות allowed_bots: [<appname>] - תוקף יכול ליצור אפליקציה עם השם המדויק של הבוט המותר, כל עוד השם אינו שמור או תפוס כבר:
השוואת שמות תחבירית יוצרת מציאות שבה שם האפליקציה הוא המקור היחיד לאמון. אם זרימת עבודה בוטחת באפליקציה בשם anthropics-internal-bot, והשם הזה זמין מסיבה כלשהי, התוקף יכול להשתלט על השם ולפעול בשם אפליקציה זו. ניצול זה של אמון מבוסס-שם יכול להוביל לקטגוריה חדשה של פגמי אבטחה, שאנו מכנים "Dangling GitHub Apps", בדומה ל-"Dangling Repos" או "Dangling Domains".
Confused Deputy Bypass
יש להודות, כדי שהעקיפה הקודמת תפעל, מחבר זרימת העבודה צריך להגדיר מדיניות רופפת המאפשרת במפורש את כל הבוטים או חלקם:
allow-bots : true #codex-action allowed_bots : "*" #claude-code-action allowed_bots : [ <bot-name-that-is-available> ] #claude-code-action
עם זאת, הגדרה נפוצה יותר היא הענקת גישה ל-dependabot ל-claude-code-action (חיפוש מהיר מציג זרימות עבודה מרובות בפרויקטים פופולריים עם יותר מ-1K כוכבים).
הסכנה כאן טמונה בטכניקה פחות מוכרת שנקראת Dependabot Deputy Confusion Injection (מתוארת היטב במאמר זה מ-Boost Security), שבה תוקף יכול להפעיל את dependabot בתוך קריאת GitHub Actions, ולגרום לו להופיע כ-github.actor על PR שרירותי. במקום עקיפה ישירה של בדיקה מותנית כמו if:${{github.actor == 'dependabot[bot]'}}, תוקף יכול למנף את טכניקת ה-Confused Deputy כדי להפוך את dependabot למחבר הנתפס של בקשת משיכה (pull request) או Issue, על ידי הפעלתו באמצעות @dependabot recreate (עבור הטריגרים pull_request, pull_request_target, ו-pull_request_review_comment) ודרך @dependabot show (עבור טריגר מסוג issue_comment).
עקיפת ההרשאה ניכרת בעת השוואת יומני זרימת העבודה. ניתן לראות כי בהפעלה הראשונה שנכשלה מס' 12 (המשתמש sshayb כמחבר), בניגוד להרצה המוצלחת מס' 13 (dependabot כמחבר):
זה עוקף לחלוטין את allowed_bots - עוד כשל בבדיקות הרשאות מבוססות השוואת מחרוזות. הנה הזרימה המלאה של מעקף dependabot:
וקטורים חדשים לדליפת סודות
סינון קבצי אישורים מקומיים
קשה להגביל מודלי AI. הם יכולים לקרוא קבצים, לקרוא ל-APIs ולהפעיל כלים - ואין דרך אמינה למנוע ממודל שעבר מניפולציה לעשות שימוש לרעה ביכולות אלו. דוגמה מובהקת אחת היא הטיפול בסודות. בעוד שמודלים של פעולות ברירת מחדל כמו gemini-2.5-pro, gpt-4o ו-claude-sonnet-4-5 מאומנים להיות זהירים ביותר בנוגע לדליפת סודות CI/CD המשויכים לזרימת עבודה (המסומנים כ-${{ secrets.* }}), לא כל הסודות מוכנסים דרך מבנה הסודות המקורי של GitHub Actions. חלקם נוצרים באופן דינמי כקבצים מקומיים.
קבצים סודיים מקומיים שנוצרו באופן דינמי, אם דולפים או נגנבים, יכולים להיות בעלי השפעה רבה, לעתים קרובות יותר ממפתחות API טיפוסיים מכיוון שהם מציעים גישה ברמת התשתית. הרשימה הבאה, אם כי כנראה אינה שלמה, מפרטת פעולות נפוצות שיוצרות קבצים סודיים מקומיים רגישים כאלה:
• google-github-actions/auth@v2 - יוצר קובץ ./gha-creds-*.json המכיל מפתחות חשבון שירות של GCP.
• aws-actions/configure-aws-credentials - יוצר קובץ ~/.aws/credentials המכיל מפתחות גישה של AWS.
• azure/login - יוצר ספריית ~/.azure/ המכילה אישורי שירות (service principal) של Azure.
• docker/login-action - יוצר קובץ ~/.docker/config.json המכיל אסימוני אימות ל-registry.
• actions/checkout (עם מפתח פריסה/deploy key) - יוצר קבצי ~/.ssh/ המכילים מפתחות SSH פרטיים.
יש לקחת בחשבון את הסיכון הזה אפילו בזרימות העבודה הבסיסיות ביותר, כגון זו שמקבלת ומבחנת בעיה:
מכיוון שזרימת העבודה מבצעת אימות באמצעות GCP Vertex AI ולא באמצעות מפתח API של Gemini, עליה להסתמך על פעולה קודמת של google-github-actions/auth@v2 שיוצרת קובץ JSON מקומי עם אישורי חשבון שירות של GCP. בשלב זה, הכל תלוי בהנדסת הנחיות (prompt engineering) כדי לגרום ל-Gemini לסנן החוצה את הקובץ. בקשת Issue פשוטה המבקשת לבצע אינוונטר ל-Changelog עובדת בצורה מושלמת:
Gemini מסרב לשלב יצירת הבעיה אך מדפיס את המלאי ישירות ביומן זרימת העבודה:
Dangers of Verbosity Mode
פרצות אבטחה של סודות שדלפו בפלט CI/CD, במיוחד מיומני ניפוי באגים או אבחון, הן סיכון מתועד היטב. סכנה זו משתרעת על AI פעולות עם מצבי מילוליות מופעלים, כגון show_full_output: true ב-claude-code-action או gemini_debug: true ב-run-gemini-cli action.
לדוגמה, המטען שהוזכר בסעיף הקודם פועל נגד claude-code-action כאשר show_full_output: true פעיל. בעוד שהמודל במבחן (claude-sonnet-4-5@20250929) מתוחכם מספיק כדי לזהות סודות רגישים בתוך קובץ, עליו לקרוא תחילה את הקובץ כדי לעשות זאת. באופן מכריע, התוצאה של כל שלב, כולל פעולת קריאת הקבצים, הופכת לגלויה ביומן הריצה של זרימת העבודה, וחושפת את הסודות שבדרך:
Inherent Risks
בנוסף לממצאי האבטחה שלעיל, ישנם מספר סיכונים מובנים שמגיעים עם השימוש AI שכל מחבר פעולה חייב לזכור.
היעדר אימות הרשאות מובנה: רוב פעולות ה-AI מאצילות את אימות ההרשאות לחלוטין למחברי זרימות העבודה. זוהי בחירה עיצובית ולא באג, אך היא מעבירה את האחריות למשתמשים שאולי לא מבינים את השלכות האבטחה. רק שתי פעולות - claude-code-action ו-codex-action - מיישמות בדיקות הרשאות משלהן (על ישויות פונות להיות בעלות גישת Write כברירת מחדל), בעוד שלשאר הפעולות אין אימות הרשאות מובנה. משמעות הדבר היא שקיימת קבוצה של טריגרים של זרימת עבודה הזמינה לכל ישות מאזור לא מהימן, ולכן יש להתייחס אליהם כמסוכנים:
חיטוי חלקי של תוכן הנשלט על ידי משתמש: הזרקת הנחיות היא אתגר מובנה עבור כל המערכות מבוססות LLM. סיכון זה אינו תיאורטי - מספר CVEs של Claude Code מציינים במפורש כי "ניצול מהימן דורש את היכולת להוסיף תוכן לא מהימן לחלון ההקשר של Claude Code" (GHSA-x56v-x2h6-7j34, GHSA-qxfv-fcpc-w36x, GHSA-qgqw-h4xq-7w8w). פעולות AI ב-GitHub מספקות בדיוק את היכולת הזו: הן משלבות כותרות PR, גוף של Issues והערות ישירות לתוך ההנחיות. למרבה הצער, לא קיימת מניעה מלאה; ההגנות הן הסתברותיות והחומרה תלויה בכלים שיש ל-AI גישה אליהם, בהרשאות שזרימת העבודה פועלת איתן, ובגישה שלו לסודות. כל פעולות ה-AI שנבדקו משלבות תוכן הנשלט על ידי תוקף לתוך ההנחיות, אם כי חלקן עושות מאמץ חלקי לחטא אותו, למשל ב-anthropics/claude-code-action:
# code at src / github / utils / sanitizer .ts: 54 - 62 export function sanitizeContent(content : string ) : string { content = stripHtmlComments(content); content = stripInvisibleCharacters(content); content = stripMarkdownImageAltText(content); content = stripMarkdownLinkTitles(content); content = stripHiddenAttributes(content); content = normalizeHtmlEntities(content); content = redactGitHubTokens(content); return content; }
MCP / Tool Access: פעולות עם MCP (Model Context Protocol) או גישה ישירה לכלי מאפשרות ל-AI לבצע פעולות מעבר ליצירת טקסט. להלן הטבלה המסכמת את כלי ברירת המחדל והיכולות של ארבע הפעולות המובילות שנבדקו: