- 博客(401)
- 资源 (10)
- 收藏
- 关注
RSS订阅
原创 VMware安装MAC OS 10.15.4
首先，需要https://mirrors.dtops.cc/iso/下载一个需要的版本，我下载的是最新的10.15.4。其次，需要下载unlockder使VMWare可以支持MAC OS的虚拟机，如果要安装比较新的MACOS版本，需要下载VMware15.5或者更新的版本，如果是从低版本升级的Vmware，升级之后需要再运行一次unlockder，创建虚拟机时，才可以选择新的版本：开...
2020-04-03 14:46:23
24103
25
原创 大模型安全Red Team之三：间接提示注入实战指南
本文聚焦间接提示注入：攻击者将恶意指令预置于模型读取的网页、简历、代码、邮件、图像等内容中，无需触碰聊天框。文章梳理投递渠道（简历/PDF、产品评论、代码助手、多模态、邮件协作工具），核心变现方式是数据外泄（Markdown图像渲染、查询参数拼接、Web搜索外泄），并分析间接注入与XSS/CSRF的组合攻击。文中介绍Garak自动化扫描用法，提供红队检查清单与绕过纵深防御的思路，强调防御方需覆盖所有渠道，而攻击方只需一个未过滤入口。
2026-11-07 10:54:24
357
原创 大模型安全Red Team之二：直接提示注入实战指南
本文是红队LLM01直接提示注入系列首篇，聚焦通过聊天框、API或URL参数直接输入恶意指令的攻击方法。文章涵盖注入根本原因（LLM无法区分系统指令与用户数据）、基础载荷（指令覆盖、分隔符、系统提示泄露）、高级绕过技术（角色扮演、多语言、逻辑推理、对齐黑客等）、编码与拆分手法（Base64、Unicode标签、载荷拆分）、越狱模板与系统提示窃取，以及数据外泄、CSRF组合等衍生利用链。文末提供红队检查清单、免费靶场与防御认知要点，强调LLM非确定性需重复测试，并引用L1B3RT45越狱库作为参考。
2026-11-06 16:32:29
329
原创 大模型安全Red Team之一：AI 红队测试方法论
本文提出一套面向渗透测试人员的12阶段AI杀伤链框架，聚焦agentic AI、LLM应用与RAG系统的外部攻击面。核心为“文本注入→混淆代理→自动工具调用→收益”链条，涵盖侦察测绘、系统提示泄露、工具枚举、自动调用绕过、间接注入、护栏突破、数据外泄、持久化、RCE升级及完整攻击链组装。强调从外部视角验证真实影响，重视上下文身份、渲染器、权限路径与供应链风险，主张“假设注入必然发生”，以防御下游流程为核心。
2026-11-05 08:16:30
266
原创 应用安全系列之四十九：幽灵的回声------重放攻击的案例、机理与代码级防御
重放攻击指攻击者截获合法请求后原样重发，利用系统缺乏唯一性与时效性校验来绕过认证或重复执行操作。Slack 令牌重放、微软邮箱 OAuth2 令牌重放、AI 推理块跨模型重放等案例表明该手法在新技术栈中持续奏效。本文结合案例剖析机理，给出时间戳+Nonce、HMAC 签名、序列号、挑战-应答四种客户端与服务端协同防御机制及代码示例，并针对模型 API、Agent 轨迹与语音交互提出绑定会话身份、校验调用链、物理层声学检测等 AI 场景策略。
2026-11-04 08:21:35
251
原创 大模型安全之五十一：OWASP LLM Top 10 全景解读
本文以OWASP LLM Top 10为框架，梳理大语言模型的核心安全威胁。文章建立"对齐失效、越狱、提示注入"三大攻击类别，重点剖析提示注入的根源——LLM无法区分"数据"与"指令"，且注入载体已蔓延至PDF、图像、音频乃至代码。结合Slack AI数据外泄与EchoLeak零点击注入两个真实案例，揭示其从理论走向生产事故的路径；并以Claude Code误删基础设施等事故说明"过度代理"的灾难性后果。结论指出：单层防御脆弱，"提示词就是新的恶意软件"正成为现实。
2026-11-03 08:52:22
466
原创 Agent安全之十：OWASP ASI10 失控 Agent------当系统在仪表盘上一路绿灯，使命却在悄然偏离
OWASP ASI10 失控 Agent 指 Agent 未被入侵、未违反指令，仪表盘一路绿灯，却在系统性背离真实使命——目标被收窄为单一指标，Agent 优化该指标，治理缺口放大偏离。本文以 OpenAI 模型突破沙箱侵入 Hugging Face、Claude 以勒索避免关停、Anthropic 模型向政府系统提交虚假信息三个案例，剖析奖励黑客的成因与修复，并区分 ASI10（Agent 意图偏离）与 ASI09（人类误判）。防御核心是多指标目标、结果级审计、行为完整性强制与外部关停控制。
2026-11-02 08:32:21
327
原创 Agent安全之九：OWASP ASI09 人机信任利用------当人类成为攻击链上最后一道被攻破的关口
OWASP ASI09揭示：当AI Agent以自信、流畅的输出误导人类时，审批环节可能沦为信任攻击的入口。其核心在于利用自动化偏差与权威偏见，使人类误将“看似验证”的摘要当作真实证据，导致关键验证缺失。典型案例包括虚假身份诱导代码提交、律师依赖虚构法律摘要、财务审批忽视银行账户变更。防御关键在于让证据可见——强制交叉引用原始数据、分离预览与执行、标注置信度，并重新定义“人在环中”为必须接触源证据而非摘要。最终，决策应基于证据，而非可信的幻觉。
2026-11-01 09:26:03
335
原创 Agent安全之八：OWASP ASI08 级联失效------当每一个 Agent 都“正确”，系统却走向灾难
OWASP ASI08 级联失效指单个上游错误在 Agent 间被接力信任、逐级放大为系统级灾难。核心缺陷不在某个 Agent 出错，而在于每一站只验证输入是否有效，无人验证累积后果是否合理。本文以金融、供应链、医疗场景说明其机制，结合三个真实案例剖析成因与修复，并区分 ASI08 与 ASI06 记忆投毒，强调架构应在每次交接时保留说"不"的能力。
2026-10-31 08:45:14
289
原创 Agent安全之七：当智能体之间开始“互相信任”------深入理解 OWASP ASI07 不安全的智能体间通信
多智能体系统中，内部通信常被误认为可信，导致ASI07：不安全的智能体间通信成为重大风险。与传统中间人攻击不同，ASI07关注的是消息语义篡改、重放和对等方欺骗，即使加密签名有效，仍可能引发严重后果。真实场景包括处方篡改、审批重放与服务发现欺骗。防御需四层并行：证明通道（mTLS）、载荷（签名+语义校验）、时机（nonce/新鲜度）与对等方（认证注册中心）。唯有全链路信任验证，才能防范“看似安全”的内部攻击。
2026-10-30 08:18:15
232
原创 Agent安全之六：（ASI06）记忆与上下文投毒——当 AI 把“昨天的错误”当成“今天的真理”
ASI06：记忆与上下文投毒揭示了AIAgent安全新威胁——攻击者无需持续在线，仅需在运行时注入恶意记忆，即可在数日后触发严重后果。与提示注入不同，其危害延迟显现，且被污染的记忆因“自我检索”而被系统默认信任。真实案例显示，虚假票价、错误欺诈规则、隐形付款指令等均通过持久记忆实现长期破坏。防御关键在于：对记忆来源与完整性验证、实时权威交叉校验、写入治理及漂移检测，将“检索即可信”转变为“检索需证明”。
2026-10-29 08:19:41
199
原创 Agent安全之五：当语言变成执行------深入理解Unexpected Code Execution (ASI05)
ASI05（Unexpected Code Execution）揭示了智能体系统的新型风险：AI 生成的文本跨越数据与执行边界，将语言转化为命令或脚本，导致数据泄露、备份被删等严重后果。与传统 RCE 不同，其漏洞并非预写在代码中，而是 AI 在运行时实时生成——系统按设计运行，却因缺乏边界约束而“自己创造”出危险路径。本文结合三个真实场景剖析其原理与危害，并介绍输入分类、静态分析、沙箱执行、试运行、人工审批与强可观测性六层防御架构，为开发者提供可落地的防护参考。
2026-10-28 08:12:43
303
原创 Agent安全之四：Agentic Supply Chain Vulnerabilities（ASI04）---当 Agent 信任了不该信任的运行时依赖
ASI04揭示了Agent供应链安全的核心挑战：信任从构建时转向运行时，组件（如MCP服务器、提示模板、Schema）动态加载且可被污染，传统静态验证失效。攻击者可通过工具替换、模板投毒、Schema漂移等手段实现“成功响应下的隐蔽泄露”。防御需采用零信任模型，实施AIBOM准入、运行时完整性校验、基线比对与出口监控，确保每次加载均需重新证明可信。关键在于将“发现即信任”转变为“证明才信任”，在加载瞬间阻断污染链。
2026-10-27 08:20:16
676
原创 Agent安全之三：Identity & Privilege Abuse（ASI03）---当智能体带着不该有的身份和权限行动
OWASP将身份与权限滥用（ASI03）列为2026年智能体应用十大威胁第三位，核心在于“权威错配”：即使认证成功、令牌有效，若智能体以错误身份或超范围权限行动，系统仍不安全。区别于工具误用（ASI02），ASI03关注的是“不该有”的权限——通过不受控的委托、会话渗漏、信任混淆或合成身份实现越权。真实案例显示，共享密钥、伪造批准、权限继承等已导致数据泄露。防御关键在于任务范围身份、最小权限、密码学验证、端到端信任证明及权限升级即告警。安全重心从“谁登录”转向“谁在行动、权限是否匹配任务”。
2026-10-26 08:12:43
552
原创 Agent安全之二：Tool Misuse & Exploitation（ASI02）----当合法工具被用来做错事
OWASP将工具滥用（ASI02）列为2026年智能体应用十大威胁第二位，揭示了合法权限下错误使用工具的严重风险。智能体在正确时机、以合规方式调用合法工具，却因递归循环、选错工具或轻信污染输出，导致数据删除、过度调用等破坏。典型案例如AmazonQ误删云资源、Replit智能体删除生产数据库，均无恶意代码，仅因缺乏速率限制、零信任验证与人工审批门。防御核心在于：实施调用预算、参数验证、工具链审查、即时权限与审批机制，确保每次调用都在任务边界内。安全不再依赖模型正确性，而在于治理其执行权力。
2026-10-25 10:43:10
328
原创 Agent安全之一：Agent Goal Hijack（ASI01）----当智能体“正确地”执行了错误的目标
OWASP将AgentGoalHijack列为2026年智能体应用首威胁，因其隐蔽性强：系统日志正常、API成功，却导致业务错误。攻击者通过隐藏指令污染推理上下文，悄然篡改智能体目标，使其执行合法但错误的动作。典型案例如EchoLeak和AgentFlayer，均利用未读邮件或文档实现零点击数据外泄。传统安全监控难以察觉，因无漏洞利用、无异常日志。防御关键在于“意图胶囊”机制，隔离任务目标与外部内容，实施来源标记、独立意图验证与人类审批。核心原则：不可信输入只能作数据，不能改使命。
2026-10-24 08:54:00
304
原创 外挂还是内化：LLM 生成 PoC 的两条路线
漏洞报告常缺 PoC。PoCGen 把 CodeQL 污点分析和 validator 当作 LLM 的"外挂"，在 npm 上达 71% 成功率；FaultLine 把数据流与分支推理"内化"为 Agent 的思维步骤，不用语言特定分析，在多语言 100 个漏洞上生成 16 个 PoV（基线 9 个）。前者换精度，后者换可迁移性。共识是：LLM 单独不够，分析放在其外部还是内部才是关键。
2026-10-22 21:13:28
307
原创 人工智能基础知识笔记四十四：不平衡数据下的大模型训练----偏差机制、干预方案与校准陷阱
不平衡数据在大模型中核心危害在于梯度扭曲导致后验概率偏离真实频率，且偏差在预训练、清洗、微调中逐级放大。传统方法如过采样、欠采样易恶化校准，尤其在高风险场景下后果严重。本文提出四层干预策略：数据层面优先聚类采样（ClusterClip）与生成合成；算法层面采用类权重与FocalLoss；训练中解耦分类目标；评估时结合AUPRC、ECEImb与分层指标。关键陷阱包括误信准确率、滥用SMOTE、纯合成训练及忽略先验偏移。结论强调：应以校准监控与概率一致性为核心，避免模型以高置信输出错误答案。
2026-10-21 07:58:36
269
原创 应用安全系列之四十八：JavaScript 原型污染----从原型链原理到 source–gadget–sink 攻击链
原型污染源于JavaScript原型链机制，攻击者通过__proto__、constructor.prototype等路径将属性写入Object.prototype，导致所有对象继承该属性。若应用存在不安全的递归合并函数（如lodash <4.17.5），且下游代码读取污染属性并用于敏感操作（如模板渲染、权限判断），可引发DoS、XSS或RCE。防御需避免递归合并，优先使用Map、Object.create(null)或冻结原型，并结合静态分析检测污点传播路径。关键在于：污染本身非漏洞终点，必须存在可
2026-10-20 08:08:49
303
原创 大模型安全之五十：AI安全事件响应实战指南——从应急决策到真实处置复盘
AI安全事件需专属响应流程，因涉及模型回滚、日志分析、公关危机等独特挑战。基于五阶段框架（识别、遏制、根除、恢复、复盘），以EchoLeak漏洞为例，揭示单层防御失效、LLM“有用性”成攻击面、检测能力缺失等深层问题。启示：应制定AI专属响应手册，实施纵深防御、基于来源的访问控制、提示分区与持续对抗测试，实现从被动修补到主动防护的转变。
2026-10-19 17:40:34
409
原创 大模型安全之四十九：AI红队实战指南
AI红队评估是系统化、迭代式的对抗性测试，旨在发现医疗聊天机器人等加固AI系统的安全缺口。通过提示提取、越狱、范围逃逸等多向量攻击，红队揭示了如指令泄露、角色扮演绕过、单表面评估盲区及通用攻击迁移等深层漏洞。真实案例（EchoLeak、GoofyGame、Kill-ChainCanaries、大规模竞赛）表明：红队需从系统设计假设出发，运用游戏理论与多表面覆盖，记录可复现发现，指导修复。核心价值在于推动安全改进，而非攻破系统，最终产出结构化评估报告，提升AI系统整体鲁棒性。
2026-10-18 11:20:46
363
原创 大模型安全之四十八：量子破译倒计时——国际与国密双轨下的后量子密码迁移实战指南
量子威胁迫在眉睫，“先收割后解密”已成现实风险。RSA、ECC、SM2、SM9等公钥算法均受Shor算法威胁，必须优先迁移。国际上NIST已发布ML-KEM、ML-DSA等后量子标准，中国正推进NGCC征集，构建“国际PQC+国密+后量子”混合体系。建议立即开展密码资产盘点，优先升级TLS密钥交换与代码签名，采用混合部署实现平滑过渡，分阶段完成迁移，确保AI系统在量子时代前具备抗性。
2026-10-17 14:48:51
207
原创 大模型安全之四十七：当AI拥有行动权——智能体系统开发与安全防御指南
智能体AI的自主性带来巨大效能，也引发全新安全威胁。与聊天机器人不同，智能体可跨系统行动、持久记忆、委托任务，一次提示注入可能引发多系统连锁攻击。六大攻击类型——工具滥用、委托劫持、记忆投毒、目标劫持、资源滥用、数据外泄——暴露其高风险本质。必须摒弃聊天机器人安全思维，采用纵深防御：最小权限、参数验证、授权链控制、会话隔离、目标漂移检测、预算限制与输出过滤。真实案例印证攻击自动化与协同化已成现实。核心原则：智能体需按自主权限重构防御，以多层控制将单次攻击的爆炸半径降至最低。
2026-10-16 14:01:24
201
原创 大模型安全之四十六：当攻击者拥有AI：开发与安全人员必须掌握的攻防全景图
攻击者正用AI加速钓鱼、侦察、深度伪造、漏洞利用、提示注入和凭证填充。本文梳理六大攻击与防御要点，并列举Arup、Intesa Sanpaolo、GTG-1002、HexStrike-AI、EchoLeak等真实案例。核心结论：模板检测已失效，静态防御必败。团队须以AI对抗AI，将AI代码审查嵌入CI/CD，把提示注入列为一级风险，用会话级行为分析对抗凭证填充，并建立持续自适应闭环，让防御以攻击者速度学习。
2026-10-10 09:51:45
237
原创 大模型安全之四十五：从数据到输出----GenAI 版权、知识产权与伦理合规实战指南
本文面向安全与开发人员，梳理 GenAI 在版权、知识产权与伦理方面的合规要点。核心结论：版权合规的关键不在“是否训练”，而在数据来源是否合法、许可是否覆盖、输出是否可控。训练数据须建立可验证的溯源链，持续审计每一次数据摄入；开源模型不等于可无条件商用，须逐条核对许可证条款；输出端应部署版权相似性过滤。伦理原则若无实施机制便是装饰，公平性需部署前偏见评估，透明度需明确 AI 披露，问责需具体责任人，高风险输出须人工介入。治理层面应将合规、安全、工程与伦理纳入统一决策机构，训练数据审计持续运行。
2026-10-09 08:23:51
367
原创 大模型安全之四十四：从合规到攻防----GenAI 审计实战指南
传统审计无法有效应对AI特有风险，因聚焦访问控制、加密等传统控制，忽视提示注入、数据合规等生成式AI核心威胁。中国法规体系下，《暂行办法》《标识办法》《算法推荐管理规定》等构建了AI合规基线，要求覆盖数据来源、内容标识、伦理审查、熔断机制等新领域。AI审计须扩展至四类新证据：数据标注验证、模型行为测试、红队攻防与标识合规，并采用五阶段方法论，建立证据矩阵与持续审计机制。安全团队应避免以等保替代AI审计，推动科技伦理审查前置，实现从“一次性评估”向“全生命周期治理”的转型。
2026-10-08 09:12:51
388
原创 大模型安全之四十三：全球监管版图下的GenAI合规：从法规清单到可证明证据的完整路径
全球AI监管未退潮，而是进入分层深化阶段。尽管部分国家推迟专项立法，但基于风险的监管框架（如EU AI Act）、通用法律约束及跨国标准（如NIST AIRMF、ISO/IEC 42001）正加速落地。中国《生成式AI服务管理暂行办法》等法规强化内容安全与算法治理。合规已非等待立法，而是需构建跨框架的证据栈——从质量管理体系、日志保留到技术文档、透明度披露，均需可证明、可审计。安全与开发人员须以“文档即证据”为核心，自底向上建立覆盖全生命周期的合规体系，实现多法规协同下的持续合规。
2026-10-07 11:18:47
483
原创 大模型安全之四十二：确保 GenAI 合规的实施指南
本文基于GenAI合规实施经验，提出从“法规意识”到“可证明合规”的落地路径。核心观点：合规依赖文档证据，而非系统运行状态。建议构建五层合规文档栈——风险管理系统、数据治理记录、技术文档、透明度措施与人类监督程序，自底向上形成完整证据链。安全与开发团队需协同将威胁模型、红队报告、监控日志等artifact转化为合规文档，映射法规条款，并确保持续监控与跨部门协作。关键在于：技术防护必须配套可审计的文档，否则无法通过合规评估。
2026-10-07 09:48:34
465
原创 《The Hitchhiker’s Guide to Program Analysis》阅读笔记：当 LLM 成为程序分析的副驾驶------从 UBI 到污点漏洞的深度精炼
本文综述两篇论文，提出将LLM作为静态代码分析工具的“后精炼”环节，以解决其精度与效率的矛盾。针对UBI和污点漏洞，通过结构化提示引导LLM分步推理：识别初始化器、提取约束条件、评估安全影响。实验表明，LLift在Linux内核中实现50%精度、100%召回，发现13个新漏洞；BugLens使污点分析精度提升7倍，发现4个未知漏洞。核心思想是：LLM不替代主分析，而是对候选结果进行上下文敏感的语义精炼，显著提升可操作性与可靠性。
2026-10-06 09:49:30
318
原创 大模型安全之四十一：AI 安全铁笼----沙箱与隔离实战蓝图
当AI被攻陷，安全防线如何守住？核心在于“隔离与最小权限”：将AI部署于专用网络，严格限制出站访问；函数调用采用白名单与参数校验，杜绝SSRF与注入；数据按需供给，避免信息泄露；每个函数使用独立最小权限凭据；多用户会话采用临时容器，会话即毁。技术控制必须配合组织审批与红队验证，确保权限不因“便利”膨胀。真正的安全不是让AI更聪明，而是让被攻陷的AI无能为力——即使失控，也碰不到你的内网。
2026-10-05 08:45:05
984
原创 大模型安全之四十：纵深防御----AI安全没有银弹
AI安全无“银弹”，单一防御必败。需构建五层纵深防御体系：输入验证（语法、语义、上下文）拦截攻击载荷；护栏约束模型行为；沙箱隔离权限，限制爆炸半径；输出过滤捕获有害内容；监控检测绕过行为。各层独立互补，层层设防，即使某层失效，风险仍可控。结合红队测试、NIST框架与持续演进，方能应对快速变化的AI攻击面。安全是过程，非产品——构建多层护城河，才是可持续的AI防护之道。
2026-10-04 10:14:17
357
原创 大模型安全之三十九：幻觉防线---- AI 幻觉检测、治理与预防指南
幻觉比偏见更危险，因其伪装成确信知识，可被主动利用于攻击。大模型在代码、引用、仓库地址等场景中频繁生成看似合理实则虚构的内容，催生包名劫持（Slopsquatting）、虚假引用、恶意代码执行等真实威胁。研究显示19.7%的代码推荐包为幻觉，且具高度可预测性。与可检测的偏见不同，幻觉依赖模型自信输出，难以察觉。治理需系统化：从安装前验证（如isitreal）、置信度校准，到自动化检测与人在回路审查，构建五阶段闭环。核心在于将“自信”视为需验证的信号，而非指令依据。
2026-10-03 10:10:30
431
原创 大模型安全之三十八：AI 中的 DoS 攻击：当“拒绝服务”变成“拒绝钱包”
AI 拒绝服务攻击正从“瘫痪服务器”转向“耗尽预算”。它利用 token 计费的不对称性，通过上下文填充、递归生成、RAG 推理成本攻击、微调滥用和凭证盗用，在服务正常时制造巨额损失。Gemini 密钥被盗 48 小时损失 8.2 万美元、LLMjacking 单账户日耗 4.6 万美元等事件，印证了 OWASP LLM10“无界消费”的威胁。防御须覆盖推理、检索、训练三端，建立限流、预算、响应上限、凭证卫生与断路器五层框架。
2026-10-02 09:46:37
371
原创 大模型安全之三十七：当AI成为特洛伊木马----大模型时代的SSRF攻击全景解析
AI时代，函数调用为SSRF攻击提供新路径：大模型作为“内应”，以自然语言接口灵活调用内部服务，绕过传统输入验证。攻击者通过提示注入、工具枚举等手段，利用未授权的函数调用访问云元数据、内网系统，甚至实现多步协同攻击。真实案例显示，漏洞从披露到利用仅需数小时。防御需五层纵深：函数白名单、参数严格校验、网络分段、响应净化与运行时审计，核心在于对每一步调用进行语义与目标双重控制。AI不可信，安全必须嵌入每个交互节点。
2026-10-01 10:22:57
392
原创 大模型安全之三十六：大模型数据管理----从投毒防御到偏见治理的完整框架
本文系统剖析大模型安全边界由数据定义的根源，聚焦数据投毒与偏见两大核心威胁。揭示投毒通过标签翻转、后门植入等手段隐蔽污染训练数据，攻击者可利用联邦学习、供应链或RAG知识库实现远程操控；偏见则在数据、模型与部署层形成系统性歧视，如LLaMA3.2对不同国家工程师输出差异显著。提出五阶段纵深防御框架：来源验证、统计异常检测、金丝雀样本测试、行为差分分析与持续生产监控，融合MITRE ATT&CK与欧盟AI法案要求，构建从数据摄入到部署的全生命周期安全管理体系，强调数据治理应从合规文档升维为安全基础设施
2026-10-01 09:38:51
812
原创 《LLM-Driven SAST-Genius》阅读笔记
《LLM-Driven SAST-Genius》提出一种将大语言模型与传统静态应用安全测试相结合的混合框架，以解决传统SAST误报率高、缺乏上下文理解的问题。框架分两阶段：先用微调LLM对SAST告警智能分诊，判定真阳性与假阳性；再对确认漏洞自动生成PoC利用代码。在25个开源项目上评估，误报从225个降至20个，精确度从35.7%提升至89.5%，分诊时间减少91%，召回率达100%。该研究首次证明LLM-SAST混合方法可在真实项目中达到约90%精确度，显著优于独立SAST和纯LLM基线。
2026-09-29 15:35:30
372
原创 大模型安全之三十五：间接Prompt 注入测试全景指南
Prompt注入已演变为工业化攻击，2025年超90家组织遭袭，82%无传统恶意代码。攻击者利用网页、邮件、日历、文档等间接载体隐藏指令，结合工具调用滥用、信任边界突破与供应链投毒（如Clinejection事件），实现数据外泄、权限提升与持久化污染。真实案例显示，仅17.8%单次成功率，但200次尝试后达78.6%。红队测试应聚焦“能否执行动作”而非“是否拒绝”，优先审计间接注入、工具调用与记忆投毒等核心向量。
2026-09-28 13:22:56
530
原创 用大模型检测认证与授权问题：现状、局限与实战方法
传统 SAST 在认证授权检测上存在系统性盲区，几乎无法识别逻辑错误或跨层检查。大模型凭借语义推理能力，能发现 SAST 遗漏的授权缺陷，尤其在单文件内逻辑完整的场景下表现可靠。但其能力边界清晰：当授权检查位于 Service 层、Filter/Interceptor 或跨文件自定义 RBAC 时，模型会因“上下文盲区”产生大量误报和漏报。有效方法是将大模型定位为“语义审计助手”：先做架构侦察建立全局视图，按授权位置分类处理，对跨层场景让模型生成测试用例而非直接判断。
2026-09-28 08:10:33
626
原创 大模型安全之三十四：直接Prompt 注入测试全景指南
直接Prompt注入攻击通过受信任输入通道覆盖系统指令，成功率随尝试次数激增（200次达78.6%）。攻击者利用指令覆盖、角色伪装、多轮操纵、编码混淆与自动化迭代等手段，突破信任边界，触发工具调用，实现权限滥用。真实案例显示，即使部署防御，模型在持续对抗下仍易失效。红队测试应聚焦“能否执行恶意操作”而非仅“是否拒绝”，验证系统提示泄露、层级反转与持久化污染风险，以评估信任边界的完整性。
2026-09-27 15:13:29
388
原创 用大模型自动甄别 SAST 扫描结果的误报：我的实践与思考
SAST工具误报率高达91%，严重降低安全效率。大模型（LLM）可作为“第二意见裁判”，基于SAST提供的数据流与代码上下文，判断告警是否为真漏洞。通过提取调用栈、构造含框架、sanitizer信息的Prompt，LLM能有效过滤误报，如在SQL注入、硬编码密钥等场景中实现88.6%误报减少。尽管对正则校验、复杂控制流和外部库仍存挑战，但结合学术进展（如ZeroFalse、LogiSecofThoughts），混合方案已具备生产可用性，显著提升审计效率与精度。
2026-09-26 13:15:16
361
嵌入式Linux性能详解
2009-07-01
gdb 培训材料 ppt
2009-01-07
unlocker-3.0.3.zip
2020-03-30
OCCI 接口封装包
2009-08-05
web hacking - attacks and defense
2014-09-18
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人