UpGuard-Studie findet 16,326 Supabase-Datenbanken, die lesbare Tabellen offenlegen

UpGuard am 25. September 2026 veröffentlichte Forschung identifizierte 16,326 Datenbanken, die auf der Supabase-Plattform gehostet werden und lesbare Tabellen im öffentlichen Web offenlegen, was das Sicherheitsunternehmen als die größte Studie seiner Art bezeichnet.

Die Studie wurde von Greg Pollock, UpGuards Direktor für Forschung und Erkenntnisse, verfasst. Sie berichtet, dass mehr als die Hälfte der exponierten Datenbanken Anzeichen für persönlich identifizierbare Informationen aufwiesen, ein kleinerer Prozentsatz Passwörter oder Authentifizierungstoken enthielt und nur sehr wenige plausible Kreditkartendaten enthielten. Häufiger fanden die Forscher Hinweise darauf, dass ein Zahlungssystem von einer Website verwendet wurde, was der Bericht feststellt, dass es an sich nicht sensibel sei, aber Fälle markiere, in denen Angreifer sich in Finanztransaktionen einschleusen könnten.

Supabase bietet gehostete Postgres-Datenbanken als Service an und ist laut dem Bericht zu einem Kernbestandteil von Webanwendungen geworden, die durch KI-unterstütztes \”vibe coding\” erstellt werden. UpGuard gibt an, dass Supabase im Juni 2026 eine Bewertung von 10 Milliarden US-Dollar erreicht habe und es als das Datenbankprodukt bezeichnet, das von Claude Code am meisten empfohlen wird. In Fällen, in denen eine erhebliche Exposition festgestellt wurde, sagte UpGuard, dass es die Anwendungs‑Besitzer benachrichtigt habe.

Forschungsmethodik

Anstatt Apps zu katalogisieren, die die Wasserzeichen von vibe‑Coding‑Plattformen wie Lovable und Replit tragen, suchten die Forscher nach eigenständigen Websites, die auf eigenen Hauptdomains betrieben werden. Der Bericht stellt fest, dass dieser Ansatz dazu gedacht war, Websites zu erfassen, die mit KI‑Coding‑Agenten wie Claude Code und OpenAIs Codex erstellt wurden, sowie Websites, die als echte Unternehmen fungieren und Kundendaten sammeln.

Laut dem Bericht können Websites, die Supabase nutzen, anhand von Supabase‑Schlüsselnamen und Datenbankadressen in öffentlichen JavaScript‑Dateien identifiziert werden. Die beiden Datenquellen, die sich als besonders wertvoll erwiesen, waren BuiltWith, das technografisches Fingerprinting im gesamten Web durchführt, und der Chrome‑UX‑Report‑Datensatz in BigQuery, der rohe JavaScript‑Dateien bereitstellt, die nach Supabase‑Indikatoren wie Datenbankadressen und API‑Schlüsseln durchsucht werden können.

Mit diesen beiden Methoden sammelte das Team etwa 300.000 eindeutige Domains, die Hinweise auf die Nutzung von Supabase enthielten, und prüfte jede auf eine \”users\”-Tabelle, da \”users\” ein gängiger Tabellenname ist. Jede Datenbank lieferte eine von drei Antworten: keine zugänglichen Daten; keine \”users\”-Tabelle, aber einen Hinweis auf eine zugängliche Tabelle; oder eine Ergebnis‑Seite. Angesichts der Größe des Kandidaten‑Sets nutzten die Forscher Tabellenschemata, um die potenziell exponierten Datentypen zu beurteilen, anstatt jede Zeile zu lesen, und extrahierten die Startseiteninhalte mit einem KI‑Modell, das jedes Geschäftsmodell als B2B, B2C, hybrid oder nicht anwendbar klassifizierte.

Dokumentierte Datenexpositionen

Um zu überprüfen, dass die exponierten Schemas echte Daten enthielten, untersuchten die Forscher eine Teilmenge von Datenbanken, bei denen Metadaten auf eine wahrscheinliche signifikante Exposition hinwiesen. Der Bericht beschreibt mehrere Fälle.

Eine exponierte Datenbank war mit einem Einmal‑Passcode‑Dienst auf den Philippinen verbunden, der zu einer SIM‑Farm gehörte, ein Vorgang, den der Bericht als Teil der Cybercrime‑Lieferkette beschreibt, bei dem große Mengen von Telefon‑SIMs verwendet werden, um gefälschte Konten auf verschiedenen Plattformen zu registrieren. Die Datenbank enthielt über 2.000 Nutzer mit E‑Mail‑Adressen, Telefonnummern und Guthaben, sowie über 100.000 SMS‑Nachrichten, die Einmal‑Passcodes, Absender‑IDs und SIM‑Codes enthielten.

Laut dem Bericht waren 95 % der Nachrichten Passcodes, während zwischen 2.000 und 2.400 geprüfte Nachrichten echte Personen‑zu‑Person‑Texte waren, fast ausschließlich Fahrgemeinschaftskommunikationen zwischen Fahrern und Passagieren auf den Philippinen. Der Bericht stellt fest, dass diese Personen nicht mit der SIM‑Farm in Verbindung stehen, sondern aufgrund des enormen Durchsatzes an Telefonnummern, die durch sie fließen, exponiert wurden.

Eine weitere Datenbank gehörte zu einem Valet‑Service im Nordosten der USA, der Supabase als CRM‑Backend nutzte. Sie exponierte über 100.000 Kunden, jeweils mit einer Telefonnummer, etwa 43.000 davon mit E‑Mail‑Adressen und vollständigen Namen sowie etwa 78.000 mit Kfz‑Kennzeichen, zusätzlich zu jedem Kundenbesuch, Lebenszeitwert, Trinkgeldhistorie und einem Freitext‑Notizfeld. Eine Mitarbeitertabelle enthielt 665 Angestellten‑Datensätze mit E‑Mail‑Adressen, Telefonnummern und Push‑Tokens. Etwa 11 % der exponierten E‑Mail‑Adressen (4.560) befanden sich auf Drittanbieter‑Unternehmensdomains, darunter erkennbare regionale Arbeitgeber wie Universitäten und Fortune‑500‑Unternehmen, so der Bericht.

Eine dritte fehlerhaft konfigurierte Datenbank enthielt 25.000 Nutzer mit persönlichen Informationen und physischen Adressen für ein Konsulat, das von einer afrikanischen Nationalregierung betrieben wird, einschließlich eines Feldes, das den Notunterkunftsstandort angibt, an dem die Personen derzeit wohnen. UpGuard weist darauf hin, dass die Art der Operation bedeutet, dass die exponierten Personen einer vulnerablen Bevölkerungsgruppe angehören.

Eine vierte Datenbank, die einen Service für Umzugs‑ und Einwanderungsberatung für nach Kanada ziehende Personen bereitstellt, enthielt fast 5.000 Nutzer‑Datensätze. Fast alle enthielten vollständige Namen, E‑Mail‑Adressen, Telefonnummern und Geburtsdaten, und laut Bericht speicherten 884 Datensätze zudem ein Klartext‑Passwort.

Frühere Forschung und Expositionsmuster

Im März 2025 berichtete Entwickler Matt Turner über weit verbreitete Fehlkonfigurationen von Supabase‑Datenbanken, die von der vibe‑coding‑Plattform Lovable erstellt wurden, ein Problem, das als CVE‑2025‑48757 verfolgt wird. Seitdem hat Supabase standardmäßig Zeilenebenen‑Sicherheit für Tabellen aktiviert, die über die Table‑Editor‑Oberfläche erstellt werden, heißt es im Bericht. Tabellen, die programmgesteuert über die API erstellt werden – dies ist der Weg, wie Coding‑Agents mit Supabase interagieren – aktivieren den Schutz nicht automatisch, und Zeilenebenen‑Sicherheit muss ebenfalls konfiguriert und mit korrekten Anmeldeinformationen verwendet werden, um Daten zu schützen.

Die Studie verweist auf mehrere frühere, kleinere Untersuchungen desselben Angriffsvektors. Modern Pentest scannte 107 Y‑Combinator‑Startups und stellte fest, dass 28 % persönliche Informationen preisgaben. Symbiotic Security scannte 1.072 vibe‑codierte Apps und fand 39 mit Tabellen, die mit dem öffentlichen Supabase‑Schlüssel lesbar waren. Escape entdeckte 175 Datenbanken, die persönliche Informationen über etwa 1.400 vibe‑codierte Apps leckten. Red Access scannte 380.000 URLs und fand 5.000 zugängliche Apps, von denen 2.000 sensible Unternehmens‑, Betriebs‑ oder persönliche Daten preisgaben. Im Februar 2026 entdeckte Wiz, dass die Supabase‑Datenbank hinter Moltbook, einer Social‑Media‑Seite für KI‑Agents, 35.000 E‑Mail‑Adressen und 1,5 Millionen API‑Authentifizierungstoken leckte.

Diese Fehlkonfigurationen treten weltweit auf und konzentrieren sich nicht auf eine Region, so der Bericht, wobei die Schwere nicht einheitlich ist: Die Datenschutzgesetze Europas führen zu besseren Praktiken, während in Entwicklungsländern häufiger Datenlecks vorkommen. Branchenweise waren E‑Commerce‑ und Restaurantseiten am wahrscheinlichsten, persönliche Informationen und integrierte Zahlungssysteme zu verarbeiten, während nicht lizenzierte Online‑Wettseiten eher Passwörter und andere Zugangsdaten leckten. Ob eine Seite einen Verbraucher‑ oder Business‑Service bewirbt, machte keinen Unterschied hinsichtlich der Art der Daten, die wahrscheinlich offengelegt werden, so der Bericht.

UpGuard kommt zu dem Schluss, dass Datenlecks das Produkt aus der Leichtigkeit der Fehlkonfiguration einer Technologie und der Größe ihrer Nutzerbasis sind und dass die Auswirkungen weltweit, in allen Branchen und in jedem Geschäftsmodell auftreten, wenn Menschen oder ihre KI‑Coding‑Agents nicht verstehen, wie eine solide Sicherheitskonfiguration umgesetzt wird.