CISA: Microsoft SharePoint flaw now exploited in ransomware attacks
CISA confirmed today that ransomware gangs have begun abusing a high-severity Microsoft SharePoint remote code execution
2026-08-12 归档
今日共收录 1910 条安全情报，包含 1065 个 CVE，437 篇安全通告，以及 97 篇研究论文。
← 返回归档列表Cisco warns of high-severity ClamAV flaws with public exploits
Cisco warned of two high-severity vulnerabilities affecting the Secure Endpoint Connector that allow threat actors to cr
US and South Korea warn of Gunra ransomware targeting govt agencies
U.S. federal agencies and South Korea's National Policy Agency warned government and critical infrastructure organizatio
DeadLock Ransomware Uses Polygon Smart Contracts to Make Extortion Infra Harder to Disrupt
The ransomware group known as DeadLock has been observed using decentralized infrastructure to facilitate victim communi
What Keeps Agent Skills from Being Reusable? Evidence from 138K SKILL.md Files
该论文针对当前 Agent Skills（智能体技能）标准下技能可复用性不足的问题展开了大规模实证研究。Agent Skills 通常以 SKILL.md 文件形式存在，将指令与辅助资源结合，使大型语言模型（LLM）智能体能够在多次对话之外
ActBench: Self-Evolving Benchmark of Behavioral Safety in Cowork Agents
协作智能体（cowork agents）在执行看似良性的任务时，可能同时发生受保护数据泄露、未授权状态篡改或未授权API调用等行为风险。现有安全评测大多基于最终响应判断，难以捕捉执行过程中的违规行为。为此，本文定义了“行为安全”（behav
Targeted Counterfactual Fingerprinting for Black-Box LLM Ownership Verification
大语言模型（LLM）作为高价值资产，常面临通过重新部署、微调、量化或进一步对齐而衍生的窃取风险。由于部署后的LLM通常仅通过黑盒查询API对外暴露，所有权验证往往依赖于文本响应的比对。然而，黑盒环境下的开放式生成具有高度的表面形式可变性，重
BASIS: Breach-Aware Selective Prompt Injection Shielding with Prefill Attention Probes
大型语言模型（LLM）应用面临提示注入这一严重安全威胁，攻击者通过将恶意指令嵌入用户输入或外部数据来劫持模型行为。现有检测方法仅判断注入是否存在，并在检测到时一律拒绝响应，却忽略了关键事实：对于许多现代对齐模型而言，精心构造的指令可以抵抗大
On Understanding, Identifying, and Mitigating Vulnerabilities in Agentic Large Language Models
这篇 arXiv 论文针对自主型大语言模型（Agentic LLM）的安全脆弱性进行了系统性研究。研究背景是：大语言模型已从无状态对话接口演进为具备多步规划、工具调用、代码执行和持久记忆的自主智能体；当这些智能体被授予真实权限（如调用 AP
From Prompt Injection to Web Exploitation: Revisiting Classic Vulnerabilities in LLM-Integrated Applications
本文研究了在将大语言模型集成到Web应用（如聊天机器人、工具调用流水线和智能体工作流）时产生的一类新型攻击面——LLM中介的Web攻击（LLM-mediated web attacks）。在这种架构下，用户输入不仅影响生成文本，还可能通过模
Withholding the Completing Chunk: Deterministic Pair-Completion Guardrails for Streaming LLM Output
该论文研究流式大语言模型（LLM）输出中的内容审核时机问题。在流式传输场景下，完整响应的审核通常在文本全部生成后执行，但此时敏感内容已泄露给用户；而对部分文本反复进行语义分类则成本高昂且结果不稳定。为此，作者提出了一种确定性构造：每个危险签
Stealing Reasoning Traces from Proprietary LLM APIs
这篇论文揭示了一个影响主流闭源大语言模型（LLM）API 的架构级安全漏洞。当前，领先的 LLM 提供商（如 Anthropic、OpenAI、Google）为保护知识产权和限制信息泄露，不再向客户端返回明文的分步推理（chain-of-t
ColluSkill: Adversarial Cross-Skill Composition for Evading Agent Skill Scanners
该论文聚焦于大语言模型（LLM）代理系统中的技能（skill）安全，提出并研究了跨技能组合攻击这一新型攻击面。作者首先通过实证研究发现，现有技能扫描器主要对单个技能进行安全检测，忽略了多个技能之间组合后可能形成的恶意工作流，从而存在严重的安
RangeFactory: Scalable Construction of Multi-Hop Cyber Ranges
本文提出了 RangeFactory，一个自动化的网络靶场编排框架，旨在从孤立的漏洞环境中大规模构建多跳（multi-hop）网络靶场。现实世界中的网络攻击往往需要跨越多个主机和网段持续推进，因此多跳靶场是研究和提升大语言模型（LLM）智能
Governing the KV Cache: Preventing Timing Side-Channel Leakage in Multi-Tenant LLM Inference
本文研究多租户大语言模型（LLM）推理中 KV 缓存引发的时序侧信道泄漏问题。KV 缓存是提升推理吞吐量的关键技术，支持请求间前缀复用，但在多租户共享场景下，恶意租户可通过探测缓存命中延迟来重建其他租户的私有提示词。已有三种公开攻击（PRO
Beyond Direct Identifiers: Probabilistic Privacy Risk Estimation for Privacy-Conscious LLM Query Delegation
本文针对用户与大型语言模型（LLM）交互过程中的隐私泄露问题展开研究。现有隐私保护方法（如隐私意识委托，PCD）通常依赖标准检测器识别直接的个人身份信息（PII），但隐私风险不仅来源于显式标识符，还可能来自不包含PII的自我披露（self-
Repeated-Game Security for Restaking-Based Verifiable Inference
基于再质押（restaking）的协议为可验证的大语言模型（LLM）推理提供了一种低成本的验证方案，避免了zkML的高昂证明成本和TEE的硬件信任假设。这类协议的安全性通常依赖于单轮削减条件：当预期惩罚超过不诚实推理带来的成本节省时，理性提
Toward Metacognitive One-Shot Indirect Prompt Injection: Strategy Abstraction Via Outcome-Conditioned Reflection
本文研究了工具型大语言模型（LLM）智能体面临的间接提示注入（IPI）威胁。在IPI攻击中，恶意指令被嵌入外部观察数据（如网页、文档等），从而操纵智能体的后续决策与行动。现有自适应攻击通常需要多次查询目标智能体并反复优化攻击载荷，但现实中的
SkillsMetric: Mapping the Detection Boundary of Static Analysis for Malicious Agent Skills
本文提出 SkillsMetric，一个面向 LLM Agent Skills 安全评估的五阶段静态分析框架。Agent Skills 是以结构化包形式封装指令与脚本、用于增强大语言模型代理能力的模块，目前正快速普及，但其安全属性研究尚不充
Privacy-Preserving Data Drift Detection and Recovery for Large-Scale LLM Applications via Proxy Representations
本文提出了 ProxyDrift 框架，用于在大型语言模型（LLM）应用的大规模部署中，在不接触原始用户数据的前提下进行数据漂移检测与评估集恢复。核心问题在于：隐私约束使得无法直接检查用户交互，从而难以获得代表性评估数据集或跟踪生产流量的持