Alaid TechThread
رفتن به کانال در Telegram
Vulnerability discovery, threat intelligence, reverse engineering, AppSec
نمایش بیشتر1 233
مشترکین
+2324 ساعت
+267 روز
+5130 روز
در حال بارگذاری داده‌ها
کانال‌های مشابه
هیچ داده‌ای
مشکلی وجود دارد؟ لطفاً صفحه را تازه کنید یا با مدیر پشتیبانی ما تماس بگیرید.
ابر برچسب‌ها
اشارات ورودی و خروجی
---
---
---
---
---
---
جذب مشترکین
نوامبر '26نوامبر '26
نوامبر '26
+62
در 4 کانال‌ها
اکتبر '26
+853
در 0 کانال‌ها
Get PRO
سپتامبر '260
در 0 کانال‌ها
Get PRO
اوت '260
در 1 کانال‌ها
Get PRO
ژوئیه '260
در 0 کانال‌ها
Get PRO
ژوئن '260
در 1 کانال‌ها
Get PRO
مه '260
در 0 کانال‌ها
Get PRO
آوریل '260
در 0 کانال‌ها
Get PRO
مارس '260
در 5 کانال‌ها
Get PRO
فوریه '260
در 3 کانال‌ها
Get PRO
ژانویه '260
در 1 کانال‌ها
Get PRO
دسامبر '250
در 2 کانال‌ها
Get PRO
نوامبر '250
در 1 کانال‌ها
Get PRO
اکتبر '250
در 2 کانال‌ها
Get PRO
سپتامبر '250
در 0 کانال‌ها
Get PRO
اوت '250
در 0 کانال‌ها
Get PRO
ژوئیه '250
در 0 کانال‌ها
Get PRO
ژوئن '25
+135
در 3 کانال‌ها
Get PRO
مه '250
در 1 کانال‌ها
Get PRO
آوریل '25
+8
در 1 کانال‌ها
Get PRO
مارس '250
در 0 کانال‌ها
Get PRO
فوریه '25
+15
در 0 کانال‌ها
Get PRO
ژانویه '250
در 0 کانال‌ها
Get PRO
دسامبر '24
+11
در 2 کانال‌ها
Get PRO
نوامبر '240
در 0 کانال‌ها
Get PRO
اکتبر '240
در 0 کانال‌ها
Get PRO
سپتامبر '24
+11
در 0 کانال‌ها
Get PRO
اوت '240
در 1 کانال‌ها
Get PRO
ژوئیه '24
+6
در 2 کانال‌ها
Get PRO
ژوئن '240
در 0 کانال‌ها
Get PRO
مه '24
+31
در 0 کانال‌ها
Get PRO
آوریل '240
در 0 کانال‌ها
Get PRO
مارس '240
در 0 کانال‌ها
Get PRO
فوریه '24
+106
در 0 کانال‌ها
| تاریخ | رشد مشترکین | اشارات | کانال‌ها | |
| 14 نوامبر | +22 | |||
| 13 نوامبر | +23 | |||
| 12 نوامبر | +1 | |||
| 11 نوامبر | +1 | |||
| 10 نوامبر | 0 | |||
| 09 نوامبر | 0 | |||
| 08 نوامبر | +1 | |||
| 07 نوامبر | +2 | |||
| 06 نوامبر | +1 | |||
| 05 نوامبر | 0 | |||
| 04 نوامبر | +3 | |||
| 03 نوامبر | +5 | |||
| 02 نوامبر | +2 | |||
| 01 نوامبر | +1 |
پست‌های کانال
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 | بدون متن... | 535 |
| 6 | بدون متن... | 386 |
| 7 | بدون متن... | 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 |
