Uber 司机数据泄露：AI 供应商登录凭据失窃如何导致身份记录曝光

Uber 并非因自身网络漏洞而丢失司机数据，而是因为他人持有的“钥匙”失守。攻击者利用属于一家技术供应商的失窃登录凭据，获取了包括驾照详情在内的个人记录。

今天是 2026 年 11 月 15 日，Uber 正在向受影响的司机发送数据泄露通知函。该供应商 Fireworks AI 是一家 AI 服务提供商，这也是为什么此案件的影响远远超出了 Uber 本身。如今许多公司都将自己的数据连接至外部 AI 服务，却鲜有公司排查过一旦这些服务的自身登录信息失窃，它们究竟能访问到哪些内容。

事件经过逐步梳理

根据 Uber 向加利福尼亚州总检察长提交的通报，时间线如下：

1. 10 月 6 日： Fireworks 检测到其内部凭据遭到未授权使用。
2. 10 月 7 日： 加州数据泄露登记簿上记录的数据泄露日期。
3. 10 月 9 日： Fireworks 告知 Uber，有未授权方使用这些凭据访问了 Uber 在该服务商处的账户。
4. Uber 表示已立即切断与该供应商的数据连接并展开调查。
5. 10 月 13 日： 调查人员确认这些凭据已被用于访问 Uber 信息，包括当前收到通知的人员的个人记录。
6. 11 月 10 日： Uber 通知函上标注的日期。

关键在于攻击者的入侵途径：是通过供应商的访问权限，而非通过 Uber 自身的大门。披露的信息并未显示攻击者进入了 Uber 更广泛的企业网络，或对其服务拥有无限制的访问权限。

有多少人受到影响？

相关数字仍处于动态变动中，因此请审慎看待。

• 早期的州级申报列出了 2,567 马萨诸塞州的人数、 3,430 南卡罗来纳州的人数，以及 1,873 罗德岛州的人数。这相当于 7,870 三个州的总人数，并非全美总计。
• 数据泄露追踪网站 BreachTally 上的一条更新记录引用了 11 月 13 日得克萨斯州总检察长的备案文件，其中列出了 149,346 受影响的总人数，其中包括 4,296 位于得克萨斯州的人数。另一家追踪平台 DisclosureLens 也显示了相同的数字。

两家追踪平台列出的涉事数据均包括姓名、地址、出生日期、驾照号码和政府身份证件号码。然而，由于无法从得州门户网站独立检索到 Uber 的原始条目，因此请将该较大数字视为追踪平台的报告，而非 Uber 确认的声明。此外，申报文件中列出的数据类型并不意味着每个受影响者都泄露了所有类型的信息。

失窃机密与失窃数据

Fireworks 的首份安全公告称，攻击者泄露了 环境变量 ，涉及少数客户账户的评估作业。环境变量是程序在启动时读取的设置，它们通常保存着 机密凭据 ，例如 API 密钥和令牌，这些凭据的作用相当于其他系统的密码。

在那一阶段，Fireworks 表示尚未在其自身的安全边界内发现对客户个人信息、模型、数据集或推理流量的未授权访问。这听起来让人安心，但却忽略了一个关键点：一把失窃的钥匙不仅仅是数据，它还是通往该钥匙所能解锁之物的门径。因此，调查必须回答两个问题：攻击者拿走了什么？以及这些钥匙随后让他们能够触及什么？

Fireworks 告知受影响的客户应联系相关凭据签发方轮换已泄露的凭据，并排查近期的活动。该公司还警告称， 删除存储的机密凭据并不会使其失效。只要签发方未将其撤销，该密钥就会一直有效。

第二起独立的入侵事件

Fireworks 在 11 月 9 日的更新通报中披露了更多情况。通报指出，少数账户的账户与账单信息、机密凭据、数据集以及未完成的模型受到了影响。

通报中还描述了另一起不同的事件。10 月 23 日，一家托管 Fireworks 研发机器的云服务商自身发生了安全事件。次日，攻击者触及了这些机器并运行了未授权的工作负载，造成了更多的客户数据受到波及。

这起事件发生在 Uber 已获知并确认受到泄露影响之后，因此它并不能解释 Uber 最初的时间线。公开披露的信息也未表明每位 Fireworks 客户都受到了相同程度的波及。Fireworks 表示，公司正在与 Palo Alto Networks Unit 42 合作，已经收紧了凭据控制、限制了网络访问、改进了监控，并暂时关闭了部分自助式数据集上传和下载功能。

背后的利益驱使：LLMjacking

Fireworks 将这一活动与不法分子企图通过盗取大语言模型访问权限来谋利的行径关联起来，这种做法被称为 LLMjacking。可以把它想象成偷电行为，只不过被盗的“电”是昂贵的 AI 算力。

Google 威胁情报团队（Google Threat Intelligence Group）与 Mandiant 于 11 月 2 日发布的一份报告对这一黑灰产市场进行了描述。不法分子搜集有效凭据或寻找暴露的模型服务，然后通过非法网关倒卖这些算力，将请求分散到多个被盗账户中。真正的账户持有者却收到了账单。Mandiant 报告称，曾有案例在单日内产生了超过 100,000 美元的欺诈性费用，某些机构在切断访问权限前累计损失高达 1,000,000 美元。这些数字来自其他调查，并非来自 Uber。

同一项研究还指出，攻击者一旦潜入内部，就会在代码仓库、云环境和数据存储中搜寻更多凭据。这就是为什么最初旨在窃取免费 AI 算力的攻击，最终仍可能导致个人数据泄露。但这并不能证明攻击者对 Uber 使用了哪些具体手段；通报中仅提及了被攻陷的供应商凭据。

司机目前应采取的措施

假设网约车司机 Rohit 收到了一封数据泄露通知函。收到通知并不等同于身份已被盗用，但绝对是采取行动的充分理由。以下是一套明智的应对方案。

第 1 步：仔细阅读你的通知函

核对信函中说明涉及了你的哪些具体数据类型。后续步骤将取决于这些内容。

第 2 步：注册免费的监测服务

Uber 通过 TransUnion 旗下的 Cyberscout 提供免费的信用监测与反欺诈协助。你必须在信函发出之日起 90 天内进行注册。公开发布的模板中并未说明监测服务持续多久，因此请查看你收到的具体通知。

第 3 步：了解监测服务的局限性

加利福尼亚州的指引指出，信用监测能发现信用档案中的某些变更，但它无法捕获所有类型的欺诈行为（例如针对已有支付账户的滥用盗刷）。请务必自行持续核对银行和银行卡账单。

第 4 步：保护你的驾照和身份信息

怀疑自身驾照信息被滥用的加州居民，可联系该州的驾照欺诈调查部门。其他地区的居民请联系当地的牌照管理机构。

第 5 步：若出现异常，寻求官方援助

美国联邦贸易委员会（Federal Trade Commission）建议用户访问 IdentityTheft.gov，根据泄露的数据获取针对性的应对措施，并在发现信息被盗用时进行举报和申请恢复。

第 6 步：警惕诈骗信息

不法分子往往会在数据泄露后伪造“验证你的账户”等欺诈信息。请仅通过官方 App 或网站联系相关公司。

企业应吸取的教训

截至撰写本文时，Uber 表示尚未发现受通知者信息遭到滥用的情况。然而，仍有若干未决疑问：为何可以通过供应商触及身份信息？是何种权限允许了此操作？以及这些权限存在了多久？此外，涉及 AI 供应商并不意味着这些文档被用于训练模型，也不代表是模型本身导致了泄露。

对于任何使用 AI 服务的企业而言，切实可行的教训在于：供应商审查必须覆盖凭据、存储的数据集、开发机器以及互联系统，而不能仅仅局限于模型本身。仅仅承诺“不保留你的提示词（prompts）”，只覆盖了潜在风险中极小的一部分。

结语

Uber 司机数据泄露事件本质上首先是一起供应商访问权限问题，其次才与 AI 相关。第三方处失窃的“钥匙”触及了敏感的身份数据，实际泄露规模目前尚不明确，而攻击者的动机似乎是为了窃取 AI 算力。司机应认真阅读通知函并利用所提供的援助服务；企业则应彻底梳理各供应商凭据能够访问的范围，并果断切断一切不必要的权限。

可取之处

• Uber 在接到通知后迅速切断了与供应商的连接。
• 为受影响者提供了免费的信用监测和防欺诈协助。
• Fireworks 及时发布了公告，并给出了轮换已暴露密钥的明确建议。
• 此事件为各安全团队审查供应商访问权限提供了切实具体的契机。
• 关于 LLMjacking 的公开报道有助于企业及早发现异常的 AI 使用账单。

不足之处

• 敏感身份数据可通过第三方连接直接触及。
• 各方公布的受影响人数差异巨大，且尚未得到充分证实。
• 信用监测无法涵盖所有类型的欺诈行为。
• Fireworks 的两起独立事件极易导致对时间线的误读。
• 关于如何访问到 Uber 数据的核心技术细节尚未公开。

注意事项

本文仅供参考与科普。文中所举人物 Rohit 代表任何可能受影响的司机，具体应对步骤必须根据你收到的通知及所在地区进行调整。文中所述事实均基于撰稿时公开的通报、企业公告以及第三方追踪平台的信息汇总，包括受影响总人数上限在内的部分数据尚未得到独立核实。采纳相关信息前，请务必以官方通报和主管机构发布的内容为准。

常见问题解答

• Uber 司机数据泄露事件到底是怎么回事？ — 攻击者利用属于 Uber 的 AI 供应商 Fireworks AI 的受损凭据访问了 Uber 的数据，包括司机的个人记录。
• 有多少名 Uber 司机受到了影响？ — 早期三个州的申报覆盖了 7,870 人，而引用得克萨斯州申报的追踪平台列出的数字为 149,346 人，该数字尚未得到独立证实。
• Uber 泄露事件中暴露了哪些数据？ — 申报文件和追踪平台列出的信息包括姓名、地址、出生日期、驾照号码和政府身份证件号码，不过并非每个人的所有字段都被泄露。
• Uber 自身的网络被黑客入侵了吗？ — 披露的信息表明访问是通过供应商账户进行的，并非 Uber 更广泛的企业网络遭到攻陷。
• 什么是 LLMjacking？ — 它是指盗取大语言模型服务的访问权限并进行转售，而让真正的账户所有者承担算力账单的黑客行径。
• 受影响的司机应该怎么做？ — 仔细阅读通知，在 90 天内注册免费的 Cyberscout 监测服务，留意银行对账单，并在发现身份被盗用时利用 IdentityTheft.gov 进行应对。
• 删除已暴露的 API 密钥能确保安全吗？ — 不能。仅删除存储的机密凭据并不会注销它，签发方必须撤销或轮换该密钥。
• 司机的证件材料被用于训练 AI 模型了吗？ — 公开披露中没有任何迹象表明存在这种情况；仅凭供应商的参与并不能证明这一点。

标签

#databreach #uber #cybersecurity #thirdpartyrisk #supplychainsecurity #llmjacking #identitytheft #aisecurity #credentialsecurity #privacy