The Gentlemen RaaS Uses GentleKiller EDR Framework Targeting 400 Security Processes
The Gentlemen ransomware-as-a-service (RaaS) operation is actively developing and maintaining a suite of endpoint detect
2026-06-20 归档
今日共收录 996 条安全情报，包含 203 个 CVE，413 篇安全通告，以及 100 篇研究论文。
← 返回归档列表Operation Endgame Disrupts SocGholish Servers, Cleans 14,971 WordPress Sites
Dutch law enforcement authorities, along with counterparts from Canada , Germany, and the U.S., have disrupted malicio
Salesforce Disables Klue App Integration After OAuth Token Abuse Exposes Customer Data
Salesforce has revealed that it disabled the Klue Battlecards app integration within its platform in response to a secur
In Other News: Apple Patches Beats Eavesdropping Flaw, DOT Closes Delta CrowdStrike Probe, AWS Continuum
Other noteworthy stories that might have slipped under the radar: Android TV botnet Popa linked to Israeli firm, Velvet
Cybersecurity Firms Impacted by Klue Supply Chain Attack
The hackers exfiltrated data from Salesforce instances of Klue customers, such as Huntress and Recorded Future. The post
Cisco to Acquire WideField Security to Boost Splunk’s Agentic SOC
WideField will accelerate Agentic SOC capabilities by expanding the lens on threat investigation to include identity, cr
Ghost Vectors: Soft-Deleted Embeddings Remain Reconstructible in HNSW Vector Databases
本文针对检索增强生成（RAG）流水线中广泛使用的分层可导航小世界（HNSW）向量数据库，揭示了软删除操作的严重安全隐患。当用户请求删除数据时，系统通常仅将记录标记为已删除，而实际嵌入在磁盘上保持不变，这违反了GDPR第17条和HIPAA等数
CodeSentinel: A Three-Layer Defense Against Indirect Prompt Injection in Code Contexts
随着代码大语言模型（Code LLMs）越来越多地从外部代码上下文（如代码仓库、文档、问题线程和编码代理环境）中检索信息，间接提示注入（Indirect Prompt Injection）攻击面逐渐显现。攻击者可以将恶意指令隐藏在注释、字符
SafeSpec: Fast and Safe LLM via Dynamic Reflective Sampling
该论文提出 SafeSpec，一个面向大型语言模型（LLM）推理加速方法——推测推理的安全增强框架。推测推理通过草稿-验证机制提高解码速度，但现有安全防御方法与之不兼容，要么引入额外计算开销，要么破坏草稿-验证机制，抵消加速收益。SafeS
Structural Role Injection in Handlebars-Templated LLM Prompts: Triple-Brace Interpolation, Delimiter Family, and the Limits of HTML Auto-Escaping
本文研究了Handlebars模板引擎在LLM提示构造中的安全风险，特别是三括号插值（{{{x}}}）与双括号插值（{{x}}）对结构角色注入攻击的影响。Handlebars是Microsoft Semantic Kernel默认的提示模板
Calibration Without Comprehension: Diagnosing the Limits of Fine-Tuning LLMs for Vulnerability Detection in Systems Software
该论文研究了大型语言模型（LLM）在系统软件漏洞检测中的真实能力，质疑其高分是否源于对基准测试数据的模式匹配而非真正的安全推理。作者提出了CWE-Trace框架，基于834个手动整理的Linux内核样本，涵盖74种CWE类型。该框架强制执行
Multi-View Decompilation for LLM-Based Malware Classification
本文针对恶意软件分析中源代码不可用的情况，提出利用大语言模型（LLM）对反编译的伪C代码进行分类，以判断二进制文件是良性还是恶意。现有方法通常依赖单一反编译器（如Ghidra）的输出，但作者指出这种假设存在缺陷：反编译器是有损的启发式工具，
LLM agent safety, multi-turn red-teaming, jailbreak benchmarks, adversarial robustness, safety-critical systems
该论文提出 NRT-Bench，一个用于多轮红队测试 LLM agent 的基准，聚焦于安全关键系统场景。基准实例化为一个模拟核电站控制室，其中五名 operator 组成团队（每个角色由可配置的 LLM 支撑），负责维持六项关键安全功能（
Quantization as a Malicious Task: Removing Quantization-Conditioned Backdoors via Task Arithmetic
模型量化是部署深度神经网络到资源受限设备时常用的技术，能降低内存占用和推理成本。然而，近期研究发现一种新的安全威胁——量化条件后门（QCBs）：模型在全精度下表现正常，但仅在量化后激活恶意行为。现有防御方法通常修改量化过程或校正激活统计信息
FFinRED: An Expert-Guided Benchmark Generation and Evaluation Framework for Financial LLM Red-Teaming
该论文提出FinRED，一个专家指导的金融领域大语言模型（LLM）红队评估框架。现有安全基准主要针对通用对抗性场景，但忽略了金融领域特有的风险，如合规违规、欺诈助力和系统性信任侵蚀。FinRED与金融专家合作开发，采用新颖的两层分类法，将全
Analyzing the Narration Gap in LLM-Solver Loops
本文研究了大型语言模型（LLM）与形式化求解器（如SAT、SMT）协作管道中的“叙述间隙”问题。在该管道中，LLM负责将用户问题形式化为逻辑公式，求解器进行形式化推理并返回结果，LLM再将结果叙述为自然语言答案。此前研究集中于形式化与决策步
FloatDoor: Platform-Triggered Backdoors in LLMs
本研究揭示了大语言模型（LLM）在不同部署平台上的浮点运算差异可被利用来构造新型后门攻击。论文首先指出，由于非结合性浮点运算和不同的内核实现，同一模型在NVIDIA GPU、Google TPU、AWS Graviton、阿里Yitian-
Secure Coding Drift in LLM-Assisted Post-Quantum Cryptography Development: A Gamified Fix
本文研究了在后量子密码学（PQC）开发中，由于长期依赖大语言模型（LLM）生成的代码而导致的“安全编码漂移”现象。作者指出，尽管LLM能提高开发效率，但其生成的代码在恒定时间执行、抗侧信道攻击和参数化等安全关键领域常常存在缺陷。不同于以往静
PhantomSkill: Malicious Code Injection in Agent Skill Ecosystems
该论文提出了一个名为 PhantomSkill 的新型攻击框架，针对基于大语言模型（LLM）的编码代理（coding agent）的技能生态系统。在当前的 LLM 代理体系中，技能（skill）通常以第三方包的形式提供，允许代理获得特定领域
OpenAnt: LLM-Powered Vulnerability Discovery Through Code Decomposition, Adversarial Verification, and Dynamic Testing
该论文提出了OpenAnt，一个利用大语言模型（LLM）进行自动化漏洞发现的开源系统。针对大规模代码库中传统静态分析误报率高、动态分析（如模糊测试）基础设施要求高且覆盖范围有限的问题，OpenAnt设计了一个多阶段流水线：首先，代码库被分解