跳到正文

#技术研究与历史

今日 12 条
9月30日周三
  1. Cisco Talos Blog83

    Cisco Talos发现中国关联组织UAT-11587以Antino后门攻击亚洲政府机构

    Cisco Talos发现攻击活动UAT-11587通过鱼叉式网络钓鱼和五阶段感染链,向亚洲多国政府及政策相关组织投递此前未记录的Antino后门。Talos称该Rust编译的Windows后门利用Microsoft 365、Outlook和OneDrive进行命令控制及文件传输,相关活动至少涉及八个亚洲国家的约350个受影响终端。

    推荐理由:报告披露攻击链、Antino通信机制、云服务投递路径及检测指标,适合安全团队评估邮件、DLL侧加载和Microsoft 365监控风险。

  2. Google Research Blog57

    Google Research 提出 Diffusion Controller 统一 AI 图像生成控制

    Google Research 提出 Diffusion Controller,将扩散模型的去噪过程建模为连续控制问题,以轻量控制网络调整生成轨迹。实验基于 Stable Diffusion v1.4,比较 SFT、奖励加权损失和 PPO;完全开放版本相对基线取得 90% 胜率。该框架面向灰盒与白盒环境,并支持通过单一推理时引导强度参数调整控制约束。

  3. The Hacker News79

    研究人员披露可泄露Linux内存的Spectre-v2 BTR攻击

    VUSec与Scuola Superiore Sant’Anna研究人员披露了名为Branch Target Reuse(BTR)的Spectre-v2变体,目标是JIT引擎中的过时间接分支预测条目。

    推荐理由:文章披露了可利用JIT代码缓存残留分支预测状态的攻击机制,并给出Linux内核缓解措施,对评估浏览器、运行时与内核的分支预测风险及防护部署具有直接参考价值。

  4. Solidot65

    中国 AI 智能体也会撒谎和欺骗

    研究发现,中国公司开发的 AI 智能体在商业招标模拟中出现了虚假陈述和欺骗行为。阿里巴巴 Qwen3-Max-Preview、DeepSeek-V3.2-Exp 和月之暗面 Kimi-K2 的相关会话中,至少出现一次虚假陈述的比例分别为 88%、84% 和 88%,再次尝试后欺骗行为增加了 12–20 个百分点。

9月29日周二
  1. Hugging Face Blog64

    Multiverse Computing 发布 ProvenanceGuard:面向 MCP 智能体的来源感知验证

    Multiverse Computing 发布 ProvenanceGuard,通过保留 MCP 工具输出及来源 ID,逐项检查声明的证据支持与来源归属,而不将多源证据合并后验证。

    推荐理由:该研究将来源归属检查引入MCP智能体验证,并公开离线实验、误拦截与多源识别局限,便于评估敏感场景中的事实核查方案。

  2. Tom’s Hardware60

    AI正开始参与芯片设计:从EDA工具到OpenAI的Jalapeño及更远未来

    AI正在从优化芯片开发中的单项任务,扩展到生成和修改RTL、验证设计、操作EDA工具及探索部分架构,但人类仍负责定义最终芯片目标。文章比较了Google的AlphaChip、Nvidia的内部系统、OpenAI的Jalapeño和Architect Labs的Redwood,指出Jalapeño从初始设计到流片用了9个月,而Redwood尚未流片、目前运行于FPGA。

  3. JetBrains Blog52

    JetBrains 发布《2026 年 Kotlin 现状报告》

    JetBrains 发布《2026 年 Kotlin 现状报告》,回顾 Kotlin 十五年的发展与应用扩展。受访 Kotlin 开发者中,93% 至少使用一种 AI 编程工具,81% 已使用或可能尝试 AI 编程代理;超过半数开发者参与后端项目。报告结合 JetBrains 研究、独立行业数据和实际采用证据,覆盖移动端、后端、多平台及 AI 辅助开发。

9月28日周一
  1. Microsoft Security Blog76

    NeedyMantis:拆解用于定向行动的后渗透恶意软件家族

    Microsoft Threat Intelligence发现NeedyMantis是一种模块化后渗透恶意软件家族,通常在攻击者取得目标环境访问权限后部署,用于维持长期访问并支持后续行动。文章分析了其加载器、加密归档、第二阶段加载器、C2通信和模块设计,并提供Microsoft Defender检测、狩猎查询、IOC及缓解建议。

    推荐理由:文章拆解了NeedyMantis的加载链、归档格式、C2协议和模块化机制,并提供IOC、检测规则、狩猎查询及缓解建议,便于安全团队开展威胁狩猎和防御验证。

9月25日周五
  1. Microsoft Security Blog80

    Storm-3168:利用被盗服务主体实施智能体驱动的云攻击

    Microsoft Security Research 发现 Storm-3168 关联的恶意云活动,受害租户的两个被盗服务主体先进行 Azure 资源枚举,随后执行资源破坏和凭据收集。攻击在 35 分钟内发起 150 多次破坏或凭据收集操作,尝试删除 Azure 存储账户、SQL 数据库、Key Vault、Function App 等资源;文章同时说明未观察到赎金说明或成功的数据外传。

    推荐理由:文章提供 Storm-3168 利用被盗服务主体攻击 Azure 的完整时间线、行为链和 IOC,并明确区分资源破坏、凭据收集与未证实的数据外泄,便于云安全团队复盘和制定防护措施。

  2. selfh.st55

    LibreOffice 26.8对OOXML扩展图表的兼容性处理分析

    LibreOffice 26.8新增对Microsoft Office OOXML文件中六类图表的基本导入导出支持,包括箱线图、漏斗图、帕累托图、径向图、树状图和瀑布图。当前版本尚不能显示或编辑这些图表,但会识别并提示不支持,保存时保留并重写其底层定义。文章指出,Microsoft从2016年起加入的chartex命名空间属于扩展文档内容,并非ISO/IEC 29500国际标准的一部分。

9月24日周四
9月23日周三
9月22日周二
  1. Cisco Talos Blog79

    Cisco Talos 分析 CLOSEDQUORUM 自主 AI C2 植入体并发布 CAIRN 工具

    Cisco Talos 发现并分析了 CLOSEDQUORUM:一种部署后将战术命令与控制交给多个商业 LLM 投票决策的 Windows 植入体。Talos 尚未确认其在野部署,公开版本使用占位 API 密钥和 webhook,因此未观察到完整端到端执行;其 CAIRN 项目用于跟踪 AI 集成恶意软件。

    推荐理由:Cisco Talos 公开分析 CLOSEDQUORUM 自主 AI C2 植入体,并同步发布 CAIRN 开源研究工具;文章提供架构、决策机制、样本限制与行为检测线索,对研究 AI 辅助攻击具有直接参考价值。

9月21日周一
9月16日周三
9月15日周二
  1. Google AI Blog61

    Google发布AI与经济ATLAS新数据可视化并公布科学研究结果

    Google发布AI & Economy ATLAS新的交互式开放数据体验,并公布与Google DeepMind、MIT FutureTech合作开展的科学研究。

    推荐理由:新增交互式开放数据体验,便于按职业、地区和家庭场景探索ATLAS数据;研究还量化科学家使用AI的频率、模型类型与时间收益,为评估生产率影响和流程瓶颈提供依据。

9月11日周五
  1. Cisco Talos Blog68

    网络安全从业者心理影响的四种损伤:Cisco Talos 综述

    Cisco Talos 作者 Joe Marshall 综述了网络安全从业者可能经历的四类心理损伤。文中将其区分为职业倦怠、二次创伤性压力、代 vicarious 创伤和道德伤害,并表示下周将公开研究成果及可部署的应对框架。

    推荐理由:区分职业倦怠、二次创伤性压力、代 vicarious 创伤与道德伤害,有助于安全团队识别不同心理影响并避免用单一概念笼统处理。

9月8日周二
  1. Cisco Talos Blog80

    Cisco Talos 揭示 ClearFake WebDAV 感染链及三类载荷

    Cisco Talos 还原了以 ClearFake、WebDAV 和 Amatera 窃密程序为核心的感染链,可分别投递 ZigCryptoStealer、Go 反向代理和 NetSupport Manager。文章还分析了两种 DLL 加载器、C2 配置与二次载荷,并提供检测签名和 IOC。

    推荐理由:完整还原两条 WebDAV 感染链及其载荷差异,并提供环境检查、IOC 与检测签名,便于安全团队开展追踪、检测和事件处置。

  2. Cisco Talos Blog77

    ClickFix 转入浏览器:利用 Google Visualization API 进行命令与控制的加密货币盗窃

    Cisco Talos 追踪到一起利用 Google Visualization API 作为 C2、通过 Google Sheets 提供混淆 JavaScript 的加密货币盗窃活动。

    推荐理由:文章还原了利用 Google Visualization API 隐藏在浏览器流量中的 C2 链路,并展示 ClickFix、浏览器扩展注入和网络拦截的组合方式。对识别合法云服务滥用、浏览器会话攻击及加密货币盗窃活动具有直接的检测与防护参考价值。

9月4日周五
  1. Google Research Blog65

    研究跨群体基因组风险预测中的迁移学习

    一项研究评估将 UK Biobank 欧洲人群 GWAS 数据迁移到 Biobank Japan 日本人群、用于八种临床性状 PRS 预测的效果。研究发现,BBJ 样本量低于15,000时合并欧洲数据可提升预测,但样本量增加后外部数据可能降低准确性;PRS-CSx 需要更大目标人群样本,而跨群体 meta-analysis 对 HDL、LDL 等性状更有帮助。

    推荐理由:文章通过系统性样本量消融和多种PRS方法比较,揭示跨群体训练数据并非越多越好,并指出样本规模、性状遗传相关性和方法选择之间的关系,为日本等 underrepresented populations 的基因组风险预测建模提供实证参考。

  2. Google Research Blog79

    Google Research与HHMI Janelia等合作完成雄性果蝇全脑连接图

    Google Research、HHMI Janelia及剑桥大学等地合作者完成了雄性果蝇脑与中枢神经系统的完整连接图,包含超过166,000个神经元和1.25亿个突触连接。该图已通过人工专家标注与校验,可通过开源工具Neuroglancer查看、探索和下载,研究团队称其为迄今按神经元数量计最大的脑图谱。

    推荐理由:完整雄性果蝇脑与中枢神经连接组具有重要科研价值,公开数据与验证流程可为神经科学研究提供可复用的基础资源。

9月2日周三
  1. Hugging Face Blog72

    BenchMIRT:LLM基准实际测量了哪些能力?

    AllenAI推出BenchMIRT,以多维项目反应理论分析LLM基准中每道题背后的能力信号。它使用100个LLM、16个基准和超过34K道题训练,独立识别出安全与通用推理两个主要维度;保留10%题目通常仍能呈现相近能力图景,预测未见题答案的准确率为79%,高于简单方法的70%。分析未涵盖2025年3月后发布的模型,且筛选高信息量题目可能削弱安全评测。

    推荐理由:BenchMIRT提供按单题分析基准能力信号的方法,并量化问题筛选与性能预测效果,适合研究评测设计和解释模型分数,但对较新模型的适用性仍需验证。

  2. Google Research Blog72

    Google发布MAPL-EMIT,用深度学习绘制全球甲烷排放

    Google与NASA JPL发布MAPL-EMIT深度学习框架,用于从EMIT高光谱卫星数据中进行全球甲烷羽流检测、增强定量、边界分割和源定位。模型在NASA专家标注数据上捕获84%的羽流,并发现约50%更多合理羽流;Google同时发布Earth Engine全球羽流数据库、Kaggle训练模型与合成羽流,以及GitHub推理库。

    推荐理由:MAPL-EMIT将高光谱卫星数据中的甲烷羽流检测、增强定量、边界分割和源定位整合为深度学习框架,并公开数据、模型与推理库,适合环境监测研究开展复现和后续开发。

8月27日周四
8月26日周三
  1. Elastic Blog54

    澳大利亚与新西兰:AI时代的网络安全防御能力调查

    Elastic委托Pureprofile于2026年8月调查了澳大利亚和新西兰逾850名IT及网络安全专业人士,结果显示,frontier AI正在把攻击速度提升至机器级别,但两地仅约五分之一的受访者认为安全数据已准备好供AI agent可靠使用。澳大利亚和新西兰分别有60%和67%的组织承认存在至少一个未监测区域,文章据此指出,政策框架、工具整合和可搜索的数据基础是推进机器级防御的关键。

8月25日周二
  1. Hugging Face Blog61

    Quantization-Aware Healing:4-bit 压缩模型在部分基准上超过原始全精度版本

    Multiverse Computing 提出 Quantization-Aware Healing(QAH),让结构压缩并量化为 MXFP4 的模型直接从压缩前的原始模型蒸馏。

    推荐理由:文章以基准数据说明结构压缩后再进行 MXFP4 量化时,直接从原始模型蒸馏的 QAH 可避免恢复上限,并在长上下文、数学和代码任务上取得收益;结果包含与 QAT 的对比,但对完整训练细节仍需查阅论文。