Cisco通过Shodan搜索引擎搭配自制Python工具，检测到1,139台Ollama服务器对外开放，其中214台能在无任何认证下回应请求并执行模型推论，约占18.8%。不少企业与个人部署大型语言模型（LLM）时忽视访问控制与网络隔离，形成可被滥用的攻击面。

Shodan是一个专门索引网际网络上公开连接设备与服务的搜索引擎，能发现对外开放的端口号与服务器横幅资讯（Banner Information），经常被研究人员用来盘点外曝系统。Ollama则是一套能在本地端执行大型语言模型的热门开源框架，可方便开发者下载与操作各式模型，并支持OpenAI兼容的API界面，默认运行于11434连接端口。

研究人员采取被动式检测，以降低触发入侵侦测或侵犯使用政策的风险。第一阶段使用Shodan查询，锁定Ollama常见的11434端口号与服务横幅，再结合关键字比对，研究人员发现，许多实例在HTTP标头中显示Server为Uvicorn，这一举标被用来强化指纹识别。第二阶段，研究团队以极简测试，请求验证服务器是否要求认证，当服务器回应HTTP 200并正确回复测试结果，表示可在未经认证下接受并执行模型推论请求，安全风险极高。

结果显示，这些外曝服务器分布广泛，美国占36.6%，中国占22.5%，德国占8.9%，其中约8成虽未加载模型，但仍能对外置受连接，潜在风险包括被未授权上传模型、配置修改或进行资源耗竭攻击。另一项值得注意的是，88.89%端点使用OpenAI兼容路径，如v1/chat/completions，而这样的标准化虽有利于应用集成，但也使攻击者能快速横向滥用不同平台。

外曝的大语言模型服务器可能遭遇多种攻击，包括未授权API使用、模型抽取、提示词注入产生不当内容、资源劫持导致成本上升，甚至通过模型上传机制注入后门。对于目前尚未激活模型的服务器，攻击者同样能利用其开放端点进行破坏或滥用。

研究人员建议企业采取分层式防护措施。首先，必须强制激活API密钥或OAuth2认证，并搭配角色导向访问控制（RBAC）。其次，应将服务器部署于私有子网，并通过VPN或防火墙限制来源。对于API流量，需导入速率限制、异常行为侦测与审核记录保存。

同时，也建议调整默认端口号并隐藏服务横幅，以降低识别风险。针对模型上传功能，应加入签章或散列验证，避免恶意文件被植入，最后，企业应通过Shodan或自动化工具持续检测与审核暴露端点，确保服务不会意外对外公开。