ABB B&R Automation Runtime
CVE-2025-11044
CISA发布了一份关于ABB B&R Automation Runtime的安全公告，披露了一个中等严重性漏洞（CVE-2025-11044）。该漏洞源于ANSL-Server组件中的资源分配无限制或限流问题（CWE-770），攻击者可利用
2026-05-06 归档
今日共收录 1285 条安全情报，包含 277 个 CVE，391 篇安全通告，以及 322 篇研究论文。
← 返回归档列表Johnson Controls CEM AC2000
CVE-2026-21661
CISA发布了关于Johnson Controls CEM AC2000访问控制系统的安全公告。该产品存在一个DLL劫持漏洞（CVE-2026-21661，CVSS 8.7，高危），攻击者可通过构造恶意DLL文件并诱使系统加载，从而将标准用
Anota: Identifying Business Logic Vulnerabilities via Annotation-Based Sanitization.
业务逻辑漏洞是软件安全中一个关键且难以检测的问题，它们源于应用程序设计或实现中的错误，使攻击者能够触发非预期的行为。传统的基于模糊测试的动态分析工具在检测内存安全漏洞方面表现出色，但往往无法发现业务逻辑漏洞，因为这些缺陷需要理解特定于应用程
Machine Against the RAG: Jamming Retrieval-Augmented Generation with Blocker Documents.
本文研究检索增强生成（RAG）系统在面对不可信知识库时的一种新型拒绝服务攻击——阻塞攻击（jamming）。RAG 系统通过从知识库中检索相关文档，并利用大语言模型（LLM）生成答案。攻击者可以向知识库中添加一个称为“阻塞文档”（block
ExpShield: Safeguarding Web Text from Unauthorized Crawling and LLM Exploitation.
该论文针对大型语言模型（LLM）在训练过程中记忆网络爬取内容，可能导致版权或隐私泄露的问题，提出了一种名为ExpShield的主动防御机制。现有防护手段依赖爬虫或模型开发者的合规性，效果有限。ExpShield通过向文本添加不可见扰动（in
VeriLoRA: Fine-Tuning Large Language Models with Verifiable Security via Zero-Knowledge Proofs.
该论文提出了 VeriLoRA，首个将低秩适配（LoRA）微调与零知识证明（ZKP）相结合的框架，旨在解决大语言模型（LLM）在不可信环境下微调的安全性和可验证性问题。LoRA 通过低秩矩阵分解大幅降低微调所需的计算和存储资源，但标准 Lo
Incident Response Planning Using a Lightweight Large Language Model with Reduced Hallucination.
本文提出一种利用轻量级大型语言模型（LLM）进行事件响应规划的新方法，旨在解决现有基于前沿LLM的提示工程方法成本高且易产生幻觉的问题。该方法包含三个步骤：微调、信息检索和前瞻规划。首先，通过微调使模型适应安全领域；其次，检索相关历史事件和
ReFuzz: Reusing Tests for Processor Fuzzing with Contextual Bandits.
随着处理器设计的不断迭代和复用，不同处理器之间往往存在相似的漏洞。现有的处理器模糊测试工具通常独立测试每个设计，无法利用先前处理器中已知的漏洞知识来指导测试，从而难以高效发现相似或变种漏洞。为解决这一问题，本文提出ReFuzz——一种基于上
Ivanti Endpoint Manager Mobile代码注入漏洞
Ivanti Endpoint Manager Mobile（EPMM）是一款用于企业移动设备管理的软件，近日被披露存在一个代码注入漏洞。该漏洞由知道创宇（Seebug）发现并收录，漏洞编号为SSVID-99967。由于缺乏公开的技术细节，
TOPSEC Firewalls - Remote Exploit (ELIGIBLEBACHELOR)
知道创宇/Seebug 漏洞库收录了一个编号为 SSVID-92331 的漏洞，涉及 TOPSEC（天融信）防火墙产品。该漏洞被命名为 ELIGIBLEBACHELOR，属于远程利用漏洞（Remote Exploit），即攻击者可能通过网络
Nginx-UI: Authenticated settings disclosure exposes node.secret and enables trusted-node authentication abuse, backup exfiltration, and restore-based nginx-ui state rollback
CVE-2026-42220
## Summary An authenticated user can call `GET /api/settings` and retrieve sensitive configuration values, including `no
pgjdbc: Unbounded PBKDF2 iterations in SCRAM authentication allows CPU exhaustion DoS
CVE-2026-42198
## Summary pgjdbc is vulnerable to a client-side denial of service during SCRAM-SHA-256 authentication. ### Impact A ma
Geyser Vulnerable to Server-Side Request Forgery (SSRF) via Player Head Texture URL in Geyser
CVE-2026-42188
### Summary A server-side request forgery (SSRF) vulnerability exists in Geyser’s handling of Bedrock player head textur
Prometheus: Remote read endpoint allows denial of service via crafted snappy payload
CVE-2026-42154
### Impact The remote read endpoint (`/api/v1/read`) does not validate the declared decoded length in a snappy-compress
ABB B&R Automation Studio
CVE-2025-11043
CISA发布ICS咨询，披露ABB B&R Automation Studio版本6.5之前存在一个证书验证不当漏洞（CVE-2025-11043，CVSS 7.4）。该漏洞影响OPC-UA和ANSL over TLS客户端，由于服务器证书
ArcadeDB vulnerable to cross-database authorization bypass and unsecured newly-created databases
CVE-2026-44221
### Impact Authenticated users and API tokens scoped to a specific database could read, write, and mutate schema on any
Memory Backdoor Attacks on Neural Networks.
本论文提出一种针对联邦学习的训练时后门攻击方式，使恶意服务器能够系统性地提取客户端完整训练样本。传统数据提取方法往往只能概率性重建或产生幻觉，无法精确恢复原始数据。该方法通过修改训练过程，在模型中嵌入一个后门触发器，当输入特定索引模式时，模
MVPNalyzer: An Investigative Framework for Auditing the Security & Privacy of Mobile VPNs.
该论文提出并实现了一个名为 MVPNalyzer 的自动化审计框架，旨在系统性地评估移动 VPN（手机端 VPN 应用）的安全性与隐私保护水平。研究背景：移动 VPN 已被广泛用于保护用户网络通信，然而用户很难验证其是否真正做到了加密、不记
PANDORA: Lightweight Adversarial Defense for Edge IoT using Uncertainty-Aware Metric Learning.
该论文提出了PANDORA，一种针对边缘物联网设备的轻量级对抗防御方法。边缘物联网设备资源受限，容易受到对抗样本攻击，导致机器学习模型失效。现有防御方法计算开销大，难以部署在边缘设备上。PANDORA利用不确定性感知的度量学习，通过训练模型
ZKSL: Verifiable and Efficient Split Federated Learning via Asynchronous Zero-Knowledge Proofs.
该论文提出 ZKSL，一个可验证且高效的拆分/联邦学习框架，将训练过程与零知识证明相结合。核心目标是实现联邦学习的隐私保护与可验证正确性，同时避免高昂的证明开销。ZKSL 通过三个设计支柱实现： (i) 层间并行证明，逐层生成证明并聚合；