Alaid TechThread
前往频道在 Telegram
1 233
订阅者
+2324 小时
+267 天
+5130 天
正在加载数据
吸引订阅者
十一月 '2611月 '26
十一月 '26
+62
在4个频道中
十月 '26
+853
在0个频道中
Get PRO
九月 '260
在0个频道中
Get PRO
八月 '260
在1个频道中
Get PRO
七月 '260
在0个频道中
Get PRO
六月 '260
在1个频道中
Get PRO
五月 '260
在0个频道中
Get PRO
四月 '260
在0个频道中
Get PRO
三月 '260
在5个频道中
Get PRO
二月 '260
在3个频道中
Get PRO
一月 '260
在1个频道中
Get PRO
十二月 '250
在2个频道中
Get PRO
十一月 '250
在1个频道中
Get PRO
十月 '250
在2个频道中
Get PRO
九月 '250
在0个频道中
Get PRO
八月 '250
在0个频道中
Get PRO
七月 '250
在0个频道中
Get PRO
六月 '25
+135
在3个频道中
Get PRO
五月 '250
在1个频道中
Get PRO
四月 '25
+8
在1个频道中
Get PRO
三月 '250
在0个频道中
Get PRO
二月 '25
+15
在0个频道中
Get PRO
一月 '250
在0个频道中
Get PRO
十二月 '24
+11
在2个频道中
Get PRO
十一月 '240
在0个频道中
Get PRO
十月 '240
在0个频道中
Get PRO
九月 '24
+11
在0个频道中
Get PRO
八月 '240
在1个频道中
Get PRO
七月 '24
+6
在2个频道中
Get PRO
六月 '240
在0个频道中
Get PRO
五月 '24
+31
在0个频道中
Get PRO
四月 '240
在0个频道中
Get PRO
三月 '240
在0个频道中
Get PRO
二月 '24
+106
在0个频道中
| 日期 | 订阅者增长 | 提及 | 频道 | |
| 14 十一月 | +22 | |||
| 13 十一月 | +23 | |||
| 12 十一月 | +1 | |||
| 11 十一月 | +1 | |||
| 10 十一月 | 0 | |||
| 09 十一月 | 0 | |||
| 08 十一月 | +1 | |||
| 07 十一月 | +2 | |||
| 06 十一月 | +1 | |||
| 05 十一月 | 0 | |||
| 04 十一月 | +3 | |||
| 03 十一月 | +5 | |||
| 02 十一月 | +2 | |||
| 01 十一月 | +1 |
频道帖子
RCE через XLSX 🫠 на актуальной версии Р7 Офис (работает не только на mac). Действий пользователя кроме открытия не требует, можно внедрить в любой документ и не сломать парсинг, т.е. визуальных эффектов у пользователя не будет.
Учитывая скорость исправления предыдущих проблем, лучше проверить политики на EDR или заменить используемый офисный пакет.
| 2 |  Вендоры, проверяйте почту. Молчание — не митигация.
В рамках недавнего эксперимента с ответственным раскрытием всё оказалось сложнее: некоторые вендоры неделями не отвечают на сообщения даже о критических уязвимостях с готовыми PoC.
Один из вендоров попросил две недели только на оценку уязвимости, имя рабочий эксплоит. Если столько занимает триаж, что говорить о сроках исправления и доставки патчей клиентам?
Некоторые компании и вовсе приостанавливают Bug Bounty программы, переводя их в архив. В результате исследователи лишаются не только возможности получить вознаграждение (в данном случае не тема поста), но и удобного канала для передачи информации об уязвимостях.
В отдельных случаях остаётся обращаться через регулятора — например, ФСТЭК и БДУ. Но это долгий путь, который не должен заменять прямое взаимодействие с разработчиком.
Индустрии пора менять не только процессы, но и саму культуру работы с уязвимостями. В эпоху N-hour угроз скорость реакции становится критически важной. Сообщение исследователя - возможность предотвратить реальный инцидент, в том числе у своего клиента. Ряд компаний не уведомляет о серьезных исправлениях безопасности в своих продуктах, тихо маскируя патч уязвимости под продуктовые улучшения.
P.S. Видео не раскрывает суть выявленных уязвимостей. В основе продукта форк open source решения, у которого есть каналы взаимодействия с исследователями, регистрация CVE, а проблемы с видео отсутствуют. | 486 |
| 3 | OpenAI автономно нашла и проэксплуатировала 948 уникальных LPE в Linux Kernel, потратив ~$1,2 млн — в среднем $1 280 за уязвимость.
При этом агенты самостоятельно обнаружили как минимум 10 новых техник эксплуатации, ранее неизвестных привлечённым экспертам.
Для сравнения: исторические выплаты за Linux LPE на Pwn2Own составляли $20 000, а на TyphoonPWN - $70 000.
https://openai.com/index/a-thousand-fewer-paths-to-root/ | 476 |
| 4 |  PHP CVE-2026-109619
Да, демку с видео делал тот же агент, как часть цикла исследования | 583 |
| 5 | 没有文字... | 535 |
| 6 | 没有文字... | 386 |
| 7 | 没有文字... | 627 |
| 8 | Z.ai запустили OpenVuln - публичный сервис, который с помощью AI ищет уязвимости в open-source проектах.
Запуск приурочен к анонсу GLM-5.3. Z.ai заявляет 84,5% на CyberGym, но на более сложном ExploitBench результат заметно ниже — 54,4%. То есть находить подозрительный код современные модели уже научились довольно хорошо. Надёжно доказать возможность эксплуатации всё ещё значительно сложнее.
https://huggingface.co/spaces/zai-org/OpenVuln
Раскрытые уязвимости: https://cvd.z.ai/ledger/ | 733 |
| 9 | Data-Centric Benchmarking of Exploit Generation in LLMs: Understanding the Impact of Fine-Tuning
https://arxiv.org/pdf/2606.15123 | 697 |
| 10 | Разбор угроз при использовании кодинговых ИИ-агентов (Codex, Cursor, Claude Code) от NCC Group
https://www.nccgroup.com/media/jtepwx1t/nccgroup_codingagentswhitepaper.pdf | 969 |
| 11 | Появился интересный инструмент для iOS security research vphone-cli.
Он позволяет запускать виртуальный iPhone / iOS 26 на Apple Silicon Mac через Apple Virtualization.framework и инфраструктуру PCC Research VM.
Что есть:
— boot virtual iPhone;
— firmware patching;
— DFU/restore pipeline;
— SSH/VNC/RPC-доступ;
— automation socket для screenshot/tap/swipe/type;
Это не Xcode Simulator, а более близкая к реальному iOS окружение для исследований и автоматизации.
Возможные применения:
— динамический анализ iOS-приложений, mobile pentest automation;
— эксперименты с jailbreak/dev-средой;
— AI-agent loop для управления iOS UI;
— исследование iOS runtime.
Ограничения: нужен Apple Silicon, macOS 15+, research guest mode и ослабление защит macOS. Лучше запускать на отдельном стенде для исследований.
GitHub:
https://github.com/Lakr233/vphone-cli | 849 |
| 12 | N-day становится N-hour.
Claude Mythos Preview:
— Firefox/SpiderMonkey: PoC для 14 из 18 свежих исправлений, 8 рабочих эксплойтов до RCE. Первый пример за ~12 минут, первый рабочий эксплойт меньше чем за час.
— Ядро Windows: PoC 18 из 21 уязвимости, 8 полных цепочек повышения привилегий до SYSTEM.
Причем здесь агент работал не с исходниками, а с бинарным кодом - сравнивал исправленные и уязвимые версии, анализировал дизассемблированный/декомпилированный код и по нему восстанавливал суть бага по патч диффу.
Microsoft оценила 14 из 21 уязвимости как «эксплуатация маловероятна», но агент сделал пример атаки для 13 из них.
Разрыв между публикацией исправления и его установкой превращается в гонку. Публичный патч всё чаще становится инструкцией для атаки. Окно применения патча в несколько дней (а иногда недель) неактуально.
https://red.anthropic.com/2026/n-days/ | 882 |
| 13 | Berkeley предлагает оценивать AI-агентов для поиска уязвимостей не по числу найденных багов, а по покрытию классов CWE.
Ключевые метрики: критичность, эксплуатируемость, подтвержденный PoC, широта покрытия классов уязвимостей и слепые зоны.
Ценность агента в способности валидировать уязвимость. Хорошая карта покрытия показывает, где агент силен, а где пока бесполезен (например, поиск вредоносной функциональности). Одна тут стоит обратить внимание на возможную проблему в том, как формировалось выборка, что настораживает с интерпретацией.
По данным также видно, что агенты от разных организаций наиболее успешны в своей области (например, Memory-Safety уязвимости у Google и Microsoft)
https://vuln.cs.berkeley.edu | 806 |
| 14 | ExploitGym - бенчмарк для оценки способности LLM-агентов превращать известные уязвимости в рабочие эксплойты.
В наборе 898 реальных кейсов: 520 userspace C/C++ программ, 185 багов V8 и 193 Linux kernel задачи.
Агент получает исходный код, инструкции по сборке, PoV-input и контейнеризированное окружение; цель - добиться вполенения кода и прочитать флаг.
Это отличается от CTF и bug-finding benchmark’ов: здесь измеряется именно exploitability, а не способность найти подозрительный код или сгенерировать crash.
Интересный результат: Claude Mythos Preview решил 157 задач, GPT-5.5 - 120, причём часть успешных кейсов была в V8 и Linux kernel.
Mitigations вроде ASLR, stack canaries, V8 heap sandbox и KASLR сильно снижают success rate, но не обнуляют его.
Практическая ценность для AppSec - использовать такой подход для приоритизации уязвимостей по фактической эксплуатируемости, а не только по CVSS, CWE и наличию PoC.
Статью стоит прочитать, если вы занимаетесь AI-пентестом, exploitability validation, ASOC/ASPM или автоматизацией triage.
Интересные факты:
— Frontier-модели заметно отрываются от остальных: после Claude Mythos Preview, GPT-5.5 и GPT-5.4 результаты резко падают до десятков или единиц успешных exploit-кейсов.
— Kernel exploitation оказался хорошим разделителем: meaningful capability показали в основном Claude Mythos Preview и GPT-5.5.
— Агенты иногда эксплуатировали не целевую уязвимость, а находили другой путь к flag: у GPT-5.5 было 210 flag captures, но только 120 через intended bug; у Claude Mythos Preview — 226 и 157 соответственно.
— У разных моделей частично разные exploit sets: 56 целей решил только Claude Mythos Preview, 26 — только GPT-5.5, а 91 была общей; это намекает на пользу ensemble-подхода.
— Увеличение time budget помогает не всем: Claude Mythos Preview рос с 127 успешных exploit’ов за 2 часа до 204 за 6 часов, а Claude Opus 4.6 быстро выходил на плато.
— В одном примере GPT-5.4 за 71 минуту построил V8 exploit chain из 5-строчного PoV до system("/challenge/catflag"), с 229 строками exploit-кода.
https://rdi.berkeley.edu/blog/exploitgym/ | 850 |
| 15 | ИИ-модели всё лучше читают исходники и находят подозрительные места в коде, но этого недостаточно.
Главный вывод из оценки Mythos от XBOW: статическое чтение кода помогает строить гипотезы, но не доказывает реальную эксплуатацию.
Уязвимость часто возникает не в одной строке, а на стыке кода, конфигурации, зависимостей, ролей, окружения и поведения приложения.
Поэтому доступ к живому приложению и динамический анализ могут быть важнее, чем просто доступ к репозиторию.
Без проверки в рантайме мы получаем поток потенциальных находок, среди которых сложно понять реальный риск.
С динамической проверкой AI-пентестер может подтвердить уязвимость, собрать PoC, показать impact и помочь правильно расставить приоритеты.
https://xbow.com/blog/mythos-offensive-security-xbow-evaluation | 525 |
| 16 | Вышел ExploitBench - новый бенчмарк от Carnegie Mellon для оценки AI-агентов в эксплуатации уязвимостей.
Его первый набор задач - v8-bench: 41 уязвимость в движке V8, который используется в Chrome, Edge, Node.js и Cloudflare Workers.
Важно, что агент работает не в CTF-окружении, а против production V8 с включённым V8 security sandbox, то есть с конфигурацией, близкой к реальной эксплуатации браузерного движка. Каждый эксплоит под такой баг оценивается в 10.000$ на v8CTF.
Главная идея benchmark’а - эксплуатация не бинарна: между достижение уязвимого кода и полной компрометации есть несколько ступеней.
ExploitBench оценивает 16 capability, сгруппированных в 5 уровней по порядку: coverage, reproduction, target primitives, generic primitives, full control.
Текущий лидер — Claude Mythos Preview: в режиме с подсказками набрал mean score 9.90 / 16, а без подсказок 9.55 / 16; оба режима дошли до T1, то есть full arbitrary code execution.
Второй сильный результат - GPT-5.5 через Codex: mean score 5.51 / 16 с подсказками и 4.30 / 16 без них; GPT-5.5 - единственная кроме Mythos, которая смогла преодолеть T1.
Статья на arXiv: https://arxiv.org/html/2605.14153v1 | 657 |
| 17 | Снова про DARPA AI Cyber Challenge - конкурс автономных систем, которые ищут и исправляют уязвимости.
Этот доклад - продолжение истории: Taesoo Kim рассказывает о Team Atlanta, победителях прошлогоднего финала.
Главная мысль: это не про «нейросеть вместо пентестера». Это про новую парадигму безопасной разработки: найти уязвимость, доказать, что она экспуатабельна, предложить исправление, проверить, что оно ничего не сломало, и вернуть результат обратно в процесс разработки.
Хорошо видно, что побеждает не «магия» модели, а связка разных подходов: языковые модели, фаззинг, статический анализ, символьное выполнение и сильная инженерная платформа.
Советую посмотреть доклад целиком:
https://youtu.be/QJoADRV55zE | 566 |
| 18 | Система важнее модели.
Обычный фаззинг плохо находит сложные баги без дополнительного контекста о специфике приложения: даже при 17-кратном увеличении вычислительных мощностей Jazzer нашёл те же 8 уязвимостей из 54.
Причина простая: многие уязвимости нельзя найти случайными эвристическими мутациями за адекватное время. Нужно понимать формат входных данных, логику приложения и путь до опасного участка кода.
Гибридный подход сильно эффективнее: LLM-агенты анализируют код, находят опасные sink’и, генерируют осмысленные входные данные, а fuzzer уже доводит их до рабочего PoC.
Такой подход нашёл до 41 уязвимости из 54. Модель GLM-5 с открытыми весами нашла 35 уязвимостей за $392, немногим уступив Gemini.
https://friendli.ai/blog/vulnerability-discovery-glm5 | 695 |
| 19 | Synthesizing Multi-Agent Harnesses for Vulnerability Discovery
https://arxiv.org/pdf/2604.20801 | 568 |
| 20 | Trailmark, a library that parses source code into a queryable call graph of functions, classes, call relationships, and semantic metadata, then exposes that graph through a Python API that Claude skills can call directly
https://blog.trailofbits.com/2026/04/23/trailmark-turns-code-into-graphs/ | 589 |
