#open-source

共收录 3 条相关安全情报。

← 返回所有主题
👥 作者: Jessy Ayala, Yu-Jye Tung, Joshua Garcia

该研究采用混合方法(问卷调查n1=80 + 半结构化访谈n2=22)调查了GitHub Advisory Database中列出的开源软件(OSS)项目的维护者,探究他们在漏洞管理和平台安全特性方面的观点。研究识别出37个关键方面,发现供应链不信任和缺乏自动化漏洞管理工具是最严峻的挑战。在采用平台安全特性(如私有漏洞报告、安全策略等)时,维护者普遍存在意识不足或认为不必要的认知。令人惊讶的是,即使项目过去曾遭受漏洞攻击,仍有部分维护者继续开放公开漏洞报告,甚至忽略报告。基于这些发现,论文讨论了OSS平台(如GitHub)应如何改进,以及研究社区如何更好地支持OSS漏洞管理工作。适合安全平台设计者、OSS社区管理者以及安全研究人员阅读。

💡 推荐理由: 揭示了OSS维护者在漏洞管理中的真实困境与矛盾行为(如明知有风险仍忽略报告),对改进平台安全特性设计、提升社区安全实践具有直接指导意义。

🎯 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)
👥 作者: Awais Rashid, Joseph Gardiner, Louise Evans

本文讨论了构建开源操作技术(OT)渗透测试平台LINICS的经验和教训。与信息技术(IT)安全领域有Kali Linux等成熟开源平台不同,工业控制系统(ICS)所依赖的OT安全领域缺乏类似的开源工具集。作者分享了LINICS平台的架构设计、构建过程以及发布后的反馈。LINICS旨在为OT安全研究人员和渗透测试人员提供一个集成的、可扩展的开源平台,包含专用的工具链、协议分析和漏洞利用模块。论文详细描述了平台如何适配OT环境的特殊性,例如对专有协议(如Modbus、DNP3、S7Comm)的支持、对物理过程安全的考虑、以及对实时性和可靠性要求的满足。实验部分可能展示了平台在模拟ICS环境中的有效性,以及与传统IT渗透测试工具的对比。主要贡献在于填补了OT安全开源平台的空白,降低了OT安全评估的入门门槛,并促进了社区协作。该研究适合OT安全工程师、ICS渗透测试人员以及工业网络安全研究人员阅读。

💡 推荐理由: OT安全长期缺乏类似Kali Linux的一站式开源渗透测试平台,LINICS填补了这一空白,有助于提升工业控制系统的安全评估能力。

🎯 建议动作: 研究跟进

排序因子: 来自 arXiv 其他板块 (+2) | Community 数据源 (+1) | LLM 评分加成 (+0.5)
👥 作者: Jan-Ulrich Holtgrave, Kay Friedrich, Fabian Fischer 0009, Nicolas Huaman, Niklas Busch, Jan H. Klemmer, Marcel Fourné, Oliver Wiese, Dominik Wermke, Sascha Fahl

这篇论文系统性地研究了开源软件供应链中贡献归属的脆弱性问题。作者指出,关键开源项目构成了许多大型软件系统的基石,但验证提交作者身份的真实性既关键又困难。Git 用户可以自由配置作者名称和电子邮件地址,而 GitHub 等平台使用这些信息来生成指向用户账户的个人资料链接。这为恶意行为者提供了伪造贡献历史以提升账户可信度的机会。论文设计了三个攻击场景:通过伪造 Git 提交作者信息劫持贡献、利用 GitHub 对电子邮件地址的处理进行身份冒充、以及结合两者进行更隐蔽的攻击。研究者对 GitHub 上 50,328 个关键开源项目进行了大规模测量,发现 85.9% 的项目可能被滥用。他们识别出 573,043 个可被恶意行为者声称的电子邮件地址,从而劫持历史贡献。作为对比,研究了提交签名这一防御措施,发现绝大多数用户(95.4%)从未签署过提交,大部分项目(72.1%)没有签名提交;只有 2.0% 的用户和 0.2% 的项目对所有提交进行了签名。签名与否与项目编程语言、主题或其他安全措施无关联。此外,论文分析了在线安全建议文档,发现大多数文档意识到简单的 Git 提交伪造技术,但对 GitHub 处理电子邮件地址的问题缺乏认识。研究结果表明,当前贡献归属机制存在严重安全隐患,需要改进平台安全措施和提高社区意识。

💡 推荐理由: 揭示了开源供应链中贡献伪造的普遍性,说明仅依赖作者信息进行身份验证不可靠,对项目维护者、安全审计和依赖管理构成直接威胁。

🎯 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)