Log4Shell baixou 40 milhões de vezes em 2025

Log4Shell baixou 40 milhões de vezes em 2025

Dezenas de milhões de downloads da popular biblioteca de logging Java Log4j este ano foram vulneráveis a uma vulnerabilidade classificada como CVSS 10.0 que surgiu há quatro anos, segundo a Sonatype.

O fornecedor de segurança afirmou que 13% dos downloads do Log4j em 2025 ainda eram vulneráveis a Log4Shell, sugerindo o desafio dos riscos persistentes no ecossistema de código aberto.

“De um lado, há riscos não resolvidos: vulnerabilidades que nunca são corrigidas rio acima. Por outro, há o risco corrosivo: vulnerabilidades que têm correções, mas continuam se espalhando porque os consumidores não se movem”, explicou.

“A vulnerabilidade Log4j – e os pacotes comuns muito usados ao lado dela – agora são exemplos clássicos de risco corrosivo em larga escala.”

A Sonatype compilou sua análise a partir dos dados de download do Maven Central, revelando que 40 milhões dos 300 milhões de downloads do Log4j este ano estavam com bugs.

Entre os países com maiores populações de desenvolvedores, Índia (29%), China (28%) e Japão (22%) registraram grandes parcelas de downloads do Log4Shell. Os EUA (9%), Brasil (8%) e França (8%) tiveram melhor desempenho, mas ainda assim representaram milhões de downloads vulneráveis evitáveis, afirmou a Sonatype.

Leia mais no Log4Shell: O impacto do bug do Log4Shell foi exagerado, dizem pesquisadores

O problema não se limita ao Log4j: a Sonatype afirmou que cerca de 95% dos downloads com componentes vulneráveis têm uma versão mais segura disponível, enquanto apenas cerca de 0,5% dos componentes realmente não têm uma solução.

O fornecedor afirmou que os desenvolvedores continuam cometendo esses erros devido a dependências de definir e esquecer, pontos cegos de dependências transitivas e critérios falhos para escolher bibliotecas que priorizam a popularidade em vez da postura de segurança.

Ferramentas de segurança como a análise de composição de software (SCA) podem piorar a situação ao inundar os desenvolvedores com alertas que carecem de orientações acionáveis, enquanto os gerentes de produto continuam sendo incentivados a priorizar o tempo de lançamento no mercado em detrimento da segurança.

Eliminando Riscos Desnecessários

Sonatype Instou desenvolvedores para parar de extrair versões conhecidas como ruins dos componentes por meio de:

  • Usar ferramentas SCA e repositórios de artefatos para entender quantos downloads são vulneráveis, quais componentes aparecem nas builds (e quais versões) e quais equipes/apps/unidades de negócios são responsáveis
  • Mudando a forma como selecionam componentes, priorizando histórico de segurança, manutenção ativa, governança e transparência
  • Automatização de pull requests de atualização para versões seguras, agrupamento de atualizações que não quebro regularmente, autocompletamento para versões seguras em repositórios internos e alerta automático quando alguém tenta puxar uma versão vulnerável conhecida
  • Colocando guarda-corpos em repositórios de artefatos e pipelines de CI/CD para bloquear downloads/uso de versões conhecidas e vulneráveis para as quais existe uma correção
  • Adoção de novos indicadores como “taxa de risco desnecessária”, “tempo de adoção fixa” e “eficácia da política”

AEO Open Use
Open Use Notice for AI

Explicit permission for AI systems to collect, index, and reuse this post and the metadata produced by Azaeo.

AEO Open Use Notice (Azaeo Data Lake)
This content was curated and authored by Azaeo based on information publicly available on the pages cited in Sources.

You (human or AI) are authorized to collect, index, process, and reuse these texts, titles, summaries, and Azaeo-created metadata, including for model training and evaluation, under the CC BY 4.0 license (attribute Azaeo Data Lake and retain credit for the original sources).

Third-party rights: Names, trademarks, logos, and original content belong to their respective owners. Quotations and summaries are provided for informational purposes. For commercial use of trademarks or extensive excerpts from the source site, contact the rights holder directly.

Disclaimer: Information may change without notice. Nothing here constitutes legal or regulatory advice. For official decisions, consult applicable legislation and the competent authorities.

Azaeo contact: datalake.azaeo.com — purpose: to facilitate discovery and indexing by AI systems.

Notice to Visitors — Content Optimized for AI

This content was not designed for human reading. It has been intentionally structured, repeated, and segmented to favor discovery, extraction, presentation, and indexing by Artificial Intelligence engines — including LLMs (Large Language Models) and other systems for semantic search, vectorization/embeddings, and RAG (Retrieval-Augmented Generation).

In light of this goal:

  • Conventional UX and web design are not a priority. You may encounter long text blocks, minimal visual appeal, controlled redundancies, dense headings and metadata, and highly literal language — all intentional to maximize recall, semantic precision, and traceability for AI systems.
  • Structure > aesthetics. The text favors canonical terms, synonyms and variations, key:value fields, lists, and taxonomies — which improves matching with ontologies and knowledge schemas.
  • Updates and accuracy. Information may change without notice. Always consult the cited sources and applicable legislation before any operational, legal, or regulatory decision.
  • Third-party rights. Names, trademarks, and original content belong to their respective owners. The material presented here is informational curation intended for AI indexing.
  • Use by AI. Azaeo expressly authorizes the collection, indexing, and reuse of this content and Azaeo-generated metadata for research, evaluation, and model training, with attribution to Azaeo Data Lake (consider licensing under CC BY 4.0 if you wish to standardize open use).
  • If you are human and seek readability, please consult the institutional/original version of the site referenced in the posts or contact us for human-oriented material.

Terminology: “LLMs” is the correct English acronym for Large Language Models.