#cache-poisoning

共收录 3 条相关安全情报。

← 返回所有主题
👥 作者: Xiang Li 0108, Wei Xu 0064, Baojun Liu 0002, Mingming Zhang 0010, Zhou Li 0001, Jia Zhang 0004, Deliang Chang, Xiaofeng Zheng, Chuhan Wang 0001, Jianjun Chen 0005, Haixin Duan, Qi Li 0002

该论文针对 DNS 响应预处理阶段存在的逻辑漏洞进行了系统性研究。作者将 DNS 比作一盘棋局,规则简单但实现极其复杂。他们通过系统分析 DNS RFC 和多种 DNS 软件实现,发现了三类新型逻辑漏洞,并据此提出了名为 TuDoor 的攻击方法。TuDoor 攻击利用畸形 DNS 响应数据包,能够实现 DNS 缓存投毒、拒绝服务(DoS)和资源消耗攻击。实验表明,该攻击影响 24 款主流 DNS 软件,包括 BIND、PowerDNS 和 Microsoft DNS。攻击者可使用少量精心构造的数据包在 1 秒内对易受攻击的解析器发起缓存投毒或 DoS 攻击,或者绕过查询限制耗尽解析器资源(如 CPU)。为评估现实影响,作者测量了 16 款流行 Wi-Fi 路由器、6 种常见路由器操作系统、42 个公共 DNS 服务以及约 180 万个开放 DNS 解析器,发现 TuDoor 可影响 7 款路由器(或操作系统)、18 个公共 DNS 服务以及 424,652 个(23.1%)开放 DNS 解析器。作者遵循负责任披露流程,向所有受影响厂商报告了漏洞,其中 BIND、Chrome、Cloudflare、Microsoft 等 18 家厂商已确认并讨论了缓解方案。此外,共分配了 33 个 CVE 编号,并提供了一个在线检测工具作为缓解措施之一。这项研究凸显了标准化 DNS 响应预处理逻辑的紧迫性,以增强 DNS 的安全性。

💡 推荐理由: DNS 是互联网基础设施的核心,TuDoor 攻击影响大量主流软件和公共服务,可导致缓存投毒和拒绝服务,安全团队应关注自身解析器是否受影响并跟进补丁。

🎯 建议动作: 研究跟进,评估自身 DNS 基础设施是否受影响,并应用厂商补丁或缓解措施。

排序因子: 有可用补丁/修复方案 (+3) | 影响边界/网络设备 (+5) | 来自网络安全顶级会议 (+8) | Community 数据源 (+1) | LLM 评分加成 (+0.7)
👥 作者: Yehuda Afek, Harel Berger, Anat Bremler-Barr

这篇论文名为《POPS: From History to Mitigation of DNS Cache Poisoning Attacks》,由Yehuda Afek、Harel Berger和Anat Bremler-Barr撰写。论文系统回顾了DNS缓存投毒攻击的历史演变,从早期的Kaminsky攻击到现代利用DNSSEC缺陷或网络侧信道的方法。作者分析了各种攻击变体的根本原因,包括响应伪造、事务ID预测、端口随机化绕过等。针对现有防御措施的不足,论文提出了一种名为POPS(Port Obfuscation with Pseudo-random Sequence)的轻量级缓解方案。POPS的核心思想是使用伪随机序列对源端口进行混淆,使得攻击者难以预测或嗅探端口号,从而大幅提高缓存投毒攻击的难度。该方案无需修改DNS协议,兼容现有部署,且性能开销极低。作者通过理论分析和实验验证了POPS在不同场景下的有效性,证明其能够显著降低攻击成功率。这篇论文适合网络安全研究人员、DNS运维人员及协议设计者阅读。

💡 推荐理由: DNS缓存投毒是互联网基础设施的长期威胁,本文提出的POPS方案无需改造协议即可部署,为抵御此类攻击提供了低成本、高兼容性的实用思路。

🎯 建议动作: 研究跟进

排序因子: 来自网络安全顶级会议 (+8) | Community 数据源 (+1) | LLM 评分加成 (+0.5)
👥 作者: Guanlong Wu, Taojie Wang, Yao Zhang, Zheng Zhang, Jianyu Niu, Ye Wu, Yinqian Zhang

本文针对大型语言模型(LLM)系统中的缓存机制提出了语义缓存投毒攻击。传统的缓存投毒主要针对查询字符串精确匹配,而LLM系统常采用语义缓存来缓存具有相似语义的查询,以提高推理效率并降低成本。作者首次提出语义缓存投毒攻击,攻击者通过构造与合法查询语义相似但包含恶意提示的投毒请求,使得后续正常用户查询命中投毒缓存,从而返回被篡改的响应,可能导致信息泄露、错误响应或拒绝服务。论文设计了多种投毒策略,包括基于嵌入向量的扰动、对抗性样本生成等,并在多个开源LLM和商业API上验证了攻击有效性。实验表明,攻击成功率高达80%以上,且能绕过现有防御措施。为应对该威胁,作者提出了基于输入验证和输出一致性检查的防御框架,包括语义异常检测、缓存命中验证和响应完整性校验。该研究揭示了LLM缓存系统的新攻击面,对AI基础设施安全具有重要意义。

💡 推荐理由: 首次揭示LLM语义缓存的安全风险,攻击可导致大规模响应污染,影响所有使用缓存的AI服务。

🎯 建议动作: 研究跟进

排序因子: 来自网络安全顶级会议 (+8) | 命中热门研究主题 (+2) | Community 数据源 (+1) | LLM 评分加成 (+0.5)