🔥 Штрафы до 3% от выручки и тюрьма до 10 лет! Как новые законы изменят кибербезопасность в 2025 году?
🚀 В 2025 году в России вступят в силу новые законы, которые кардинально изменят правила игры. Теперь за утечку данных можно получить многомиллионные штрафы или даже реальный срок! Разбираем главные изменения и даём рекомендации, как избежать проблем.
💰 1. Огромные штрафы за утечку персональных данных
📌 Что изменилось?
💸 Теперь за утечку персональных данных компаниям грозят штрафы до 3% от годовой выручки!
⚖ Для должностных лиц штраф составит от 200 тыс. до 1,3 млн рублей, а за повторное нарушение — до 1,5 млн рублей.
🏢 Для юридических лиц за первое нарушение штрафы останутся в пределах 3–15 млн рублей, но при повторной утечке они могут достигнуть 3% от годового оборота.
📉 Такой закон уже действует в Европе (GDPR) и привёл к тому, что компании стали серьёзно относиться к защите данных.
🛡 2. Можно ли снизить штраф?
✅ Да, если компания:
Вложила не менее 0,1% от оборота в защиту данных за последние 3 года.
Соблюдала все требования безопасности в течение последнего года.
💡Кто виноват? Что делать?
📌 Срочно пересмотреть все процессы работы с персональными данными!
📌 Обновить политику безопасности и провести аудит защиты данных.
📌 Разграничить права доступа сотрудников к данным.
🚔 3. Уголовная ответственность: до 10 лет тюрьмы!
🔍 Что изменилось?
⚠ Теперь за неправомерный доступ, использование или передачу персональных данных можно:
Лишиться свободы на 4 года и получить штраф до 300 тыс. рублей.
Если это сделал сотрудник компании — до 6 лет лишения свободы и штраф до 1 млн рублей.
А если утечка привела к тяжёлым последствиям (банкротство, ущерб здоровью) — до 10 лет лишения свободы и штраф до 3 млн рублей!
🔍 4. Роскомнадзор хочет стандартизировать обработку данных
📢 Основные предложения:
📉 Сократить количество оснований для обработки персональных данных.
🔐 Ввести единые отраслевые стандарты защиты данных.
🤝 Передавать защиту персональных данных на аутсорсинг, если у компании нет ресурсов на собственную безопасность.
🧐 Есть ли риски?
📌 Малый бизнес может не справиться с новыми требованиями.
📌 Придётся инвестировать в системы защиты, такие как DCAP-системы (контроль утечек данных).
✅ Что делать, чтобы не попасть под санкции?
🔹 Обновить системы защиты персональных данных (DLP, DCAP, SIEM).
🔹 Провести аудит информационной безопасности до конца 2024 года.
🔹 Настроить мониторинг аномальной активности сотрудников.
🔹 Разграничить доступ к критическим данным.
🔹 Готовить отчётность о выполнении требований регуляторов.
⚡ Пора действовать!
💥 Грядёт новая эра в кибербезопасности: наказания за утечки станут жёстче, а требования — строже.
🛑 Если бизнес не примет меры прямо сейчас, можно потерять миллионы рублей на штрафах или даже получить уголовное дело.
📢 Как вы думаете, поможет ли это реально снизить утечки или компании найдут способы обхода?
Делитесь мнением в комментариях!
Stay secure and read SecureTechTalks 📚
#Кибербезопасность #ПерсональныеДанные #УтечкаДанных #SecureTechTalks #ЗаконОДанных #ЗащитаИнформации #Киберугрозы #Фишинг #DataSecurity #Роскомнадзор
🚀 В 2025 году в России вступят в силу новые законы, которые кардинально изменят правила игры. Теперь за утечку данных можно получить многомиллионные штрафы или даже реальный срок! Разбираем главные изменения и даём рекомендации, как избежать проблем.
💰 1. Огромные штрафы за утечку персональных данных
📌 Что изменилось?
💸 Теперь за утечку персональных данных компаниям грозят штрафы до 3% от годовой выручки!
⚖ Для должностных лиц штраф составит от 200 тыс. до 1,3 млн рублей, а за повторное нарушение — до 1,5 млн рублей.
🏢 Для юридических лиц за первое нарушение штрафы останутся в пределах 3–15 млн рублей, но при повторной утечке они могут достигнуть 3% от годового оборота.
📉 Такой закон уже действует в Европе (GDPR) и привёл к тому, что компании стали серьёзно относиться к защите данных.
🛡 2. Можно ли снизить штраф?
✅ Да, если компания:
Вложила не менее 0,1% от оборота в защиту данных за последние 3 года.
Соблюдала все требования безопасности в течение последнего года.
💡
📌 Срочно пересмотреть все процессы работы с персональными данными!
📌 Обновить политику безопасности и провести аудит защиты данных.
📌 Разграничить права доступа сотрудников к данным.
🚔 3. Уголовная ответственность: до 10 лет тюрьмы!
🔍 Что изменилось?
⚠ Теперь за неправомерный доступ, использование или передачу персональных данных можно:
Лишиться свободы на 4 года и получить штраф до 300 тыс. рублей.
Если это сделал сотрудник компании — до 6 лет лишения свободы и штраф до 1 млн рублей.
А если утечка привела к тяжёлым последствиям (банкротство, ущерб здоровью) — до 10 лет лишения свободы и штраф до 3 млн рублей!
🔍 4. Роскомнадзор хочет стандартизировать обработку данных
📢 Основные предложения:
📉 Сократить количество оснований для обработки персональных данных.
🔐 Ввести единые отраслевые стандарты защиты данных.
🤝 Передавать защиту персональных данных на аутсорсинг, если у компании нет ресурсов на собственную безопасность.
🧐 Есть ли риски?
📌 Малый бизнес может не справиться с новыми требованиями.
📌 Придётся инвестировать в системы защиты, такие как DCAP-системы (контроль утечек данных).
✅ Что делать, чтобы не попасть под санкции?
🔹 Обновить системы защиты персональных данных (DLP, DCAP, SIEM).
🔹 Провести аудит информационной безопасности до конца 2024 года.
🔹 Настроить мониторинг аномальной активности сотрудников.
🔹 Разграничить доступ к критическим данным.
🔹 Готовить отчётность о выполнении требований регуляторов.
⚡ Пора действовать!
💥 Грядёт новая эра в кибербезопасности: наказания за утечки станут жёстче, а требования — строже.
🛑 Если бизнес не примет меры прямо сейчас, можно потерять миллионы рублей на штрафах или даже получить уголовное дело.
📢 Как вы думаете, поможет ли это реально снизить утечки или компании найдут способы обхода?
Делитесь мнением в комментариях!
Stay secure and read SecureTechTalks 📚
#Кибербезопасность #ПерсональныеДанные #УтечкаДанных #SecureTechTalks #ЗаконОДанных #ЗащитаИнформации #Киберугрозы #Фишинг #DataSecurity #Роскомнадзор
💡 SysReptor: платформа для автоматизации отчётов по пентесту
🚀 Пентестеры знают, что сам процесс взлома — это только половина дела. Вторая, не менее важная часть — это оформление отчёта, который должен быть понятным, структурированным и детальным. Однако вручную заполнять таблицы, копировать уязвимости и описывать методы эксплуатации долго и утомительно.
📌 SysReptor — open-source платформа, созданная специально для автоматизации отчётов по кибербезопасности. Она помогает пентестерам сократить время подготовки документации, стандартизировать отчёты и сделать их более удобными для заказчика.
🔹 Основные возможности:
✔ Единая база уязвимостей – повторно используйте описания, не вводя их заново.
✔ Гибкие шаблоны отчётов – формируйте отчёты в нужном формате (Markdown, DOCX, HTML).
✔ Совместная работа – несколько пользователей могут одновременно редактировать отчёт.
✔ Интеграция с системами управления уязвимостями – автоматический импорт данных.
✔ Поддержка API – возможность автоматизированного взаимодействия с другими инструментами.
🛠 SysReptor предоставляет веб-интерфейс, где можно:
📌 Создать новый проект – задать параметры тестирования и подключить базу данных уязвимостей.
📌 Выбрать шаблон отчёта – использовать готовые или создать кастомный.
📌 Добавить найденные уязвимости – заполнить информацию или импортировать данные из автоматизированных сканеров.
📌 Сгенерировать отчёт – в нужном формате и отправить заказчику.
🔒 SysReptor — инструмент, который делает процесс создания отчётов по кибербезопасности быстрее, удобнее и эффективнее. Если вы занимаетесь пентестами, аудитами или управляете уязвимостями, SysReptor поможет сэкономить время и повысить качество документации. Пользуйтесь!:)
🔗 Инструмент доступен на GitHub.
Stay secure and read SecureTechTalks 📚
#SysReptor #Pentest #Кибербезопасность #SecureTechTalks #Автоматизация #RedTeam #BugBounty #Документы #CyberSecTools #Отчёты
🚀 Пентестеры знают, что сам процесс взлома — это только половина дела. Вторая, не менее важная часть — это оформление отчёта, который должен быть понятным, структурированным и детальным. Однако вручную заполнять таблицы, копировать уязвимости и описывать методы эксплуатации долго и утомительно.
📌 SysReptor — open-source платформа, созданная специально для автоматизации отчётов по кибербезопасности. Она помогает пентестерам сократить время подготовки документации, стандартизировать отчёты и сделать их более удобными для заказчика.
🔹 Основные возможности:
✔ Единая база уязвимостей – повторно используйте описания, не вводя их заново.
✔ Гибкие шаблоны отчётов – формируйте отчёты в нужном формате (Markdown, DOCX, HTML).
✔ Совместная работа – несколько пользователей могут одновременно редактировать отчёт.
✔ Интеграция с системами управления уязвимостями – автоматический импорт данных.
✔ Поддержка API – возможность автоматизированного взаимодействия с другими инструментами.
🛠 SysReptor предоставляет веб-интерфейс, где можно:
📌 Создать новый проект – задать параметры тестирования и подключить базу данных уязвимостей.
📌 Выбрать шаблон отчёта – использовать готовые или создать кастомный.
📌 Добавить найденные уязвимости – заполнить информацию или импортировать данные из автоматизированных сканеров.
📌 Сгенерировать отчёт – в нужном формате и отправить заказчику.
🔒 SysReptor — инструмент, который делает процесс создания отчётов по кибербезопасности быстрее, удобнее и эффективнее. Если вы занимаетесь пентестами, аудитами или управляете уязвимостями, SysReptor поможет сэкономить время и повысить качество документации. Пользуйтесь!:)
Stay secure and read SecureTechTalks 📚
#SysReptor #Pentest #Кибербезопасность #SecureTechTalks #Автоматизация #RedTeam #BugBounty #Документы #CyberSecTools #Отчёты
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥 Как защитить ИИ-агентов от взлома: скрытые угрозы и советы по безопасности
🚀 ИИ-агенты захватывают мир бизнеса, помогая автоматизировать общение с клиентами, обрабатывать запросы и находить решения за секунды. Но что, если злоумышленники смогут использовать этих помощников против вас? В этом посте разберём угрозы безопасности в системах Retrieval Augmented Generation (RAG) и дадим советы по защите ваших ИИ-агентов.
⚠️ Опасности, которые подстерегают ИИ-агентов:
💀 1. Атаки через вредоносные данные:
Злоумышленники могут внедрить фальшивую информацию в базы знаний агента. В результате он начнёт отвечать неправильно, давать опасные советы или раскрывать конфиденциальную информацию.
💣 2. Уязвимости в генерации ответов:
Даже с безопасными данными агент может сформировать вредоносный ответ из-за плохих настроек модели или отсутствия ограничений.
🕵️ 3. Атаки через промпты (Prompt Injection):
Злоумышленники могут обмануть агента, заставив его игнорировать защитные фильтры и раскрывать скрытые данные.
🛡️ Как обезопасить ИИ-агентов: ТОП-5 рекомендаций
✅ 1. Фильтрация данных перед загрузкой:
📊 Проверяйте информацию перед добавлением в базу знаний. Используйте алгоритмы для выявления вредоносного контента и автоматические сканеры безопасности.
✅ 2. Мониторинг активности агента:
📈 Логируйте все взаимодействия: кто задаёт вопросы, какие ответы даёт агент. Это поможет выявить подозрительную активность и предотвратить атаки.
✅ 3. Обучение на безопасных данных:
💾 Используйте только проверенные и очищенные датасеты для обучения моделей. Это снизит риск появления неадекватных или опасных ответов.
✅ 4. Внедрение ограничений:
🚫 Установите запреты на определённые темы или команды. Агенты не должны иметь доступа к критически важным функциям системы или выполнять опасные команды.
✅ 5. Регулярное обновление защиты:
🛡️ Патчите уязвимости в модели и инфраструктуре. Проводите регулярные пентесты системы, чтобы выявлять слабые места до того, как их найдут злоумышленники.
📊 Интересный факт:
📉 По данным Cybersecurity Ventures, к 2025 году глобальные потери от кибератак с использованием ИИ достигнут $10,5 трлн. Это значит, что защита ИИ-агентов — не опция, а необходимость!
💡 Post Scriptum
ИИ-агенты — это мощный инструмент, но без защиты они могут стать точкой входа для хакеров. Внедряйте фильтрацию данных, ограничивайте доступ к функциям и не забывайте про мониторинг активности. Чем раньше вы укрепите защиту, тем меньше шансов, что ваш ИИ-агент будет использоваться против вас.
Stay secure and read SecureTechTalks 📚
#Кибербезопасность #ИИАгенты #RAG #LLM #AI #ЗащитаДанных #ИнформационнаяБезопасность #PromptInjection #SecureTechTalks #AIhacking
🚀 ИИ-агенты захватывают мир бизнеса, помогая автоматизировать общение с клиентами, обрабатывать запросы и находить решения за секунды. Но что, если злоумышленники смогут использовать этих помощников против вас? В этом посте разберём угрозы безопасности в системах Retrieval Augmented Generation (RAG) и дадим советы по защите ваших ИИ-агентов.
⚠️ Опасности, которые подстерегают ИИ-агентов:
💀 1. Атаки через вредоносные данные:
Злоумышленники могут внедрить фальшивую информацию в базы знаний агента. В результате он начнёт отвечать неправильно, давать опасные советы или раскрывать конфиденциальную информацию.
💣 2. Уязвимости в генерации ответов:
Даже с безопасными данными агент может сформировать вредоносный ответ из-за плохих настроек модели или отсутствия ограничений.
🕵️ 3. Атаки через промпты (Prompt Injection):
Злоумышленники могут обмануть агента, заставив его игнорировать защитные фильтры и раскрывать скрытые данные.
🛡️ Как обезопасить ИИ-агентов: ТОП-5 рекомендаций
✅ 1. Фильтрация данных перед загрузкой:
📊 Проверяйте информацию перед добавлением в базу знаний. Используйте алгоритмы для выявления вредоносного контента и автоматические сканеры безопасности.
✅ 2. Мониторинг активности агента:
📈 Логируйте все взаимодействия: кто задаёт вопросы, какие ответы даёт агент. Это поможет выявить подозрительную активность и предотвратить атаки.
✅ 3. Обучение на безопасных данных:
💾 Используйте только проверенные и очищенные датасеты для обучения моделей. Это снизит риск появления неадекватных или опасных ответов.
✅ 4. Внедрение ограничений:
🚫 Установите запреты на определённые темы или команды. Агенты не должны иметь доступа к критически важным функциям системы или выполнять опасные команды.
✅ 5. Регулярное обновление защиты:
🛡️ Патчите уязвимости в модели и инфраструктуре. Проводите регулярные пентесты системы, чтобы выявлять слабые места до того, как их найдут злоумышленники.
📊 Интересный факт:
📉 По данным Cybersecurity Ventures, к 2025 году глобальные потери от кибератак с использованием ИИ достигнут $10,5 трлн. Это значит, что защита ИИ-агентов — не опция, а необходимость!
💡 Post Scriptum
ИИ-агенты — это мощный инструмент, но без защиты они могут стать точкой входа для хакеров. Внедряйте фильтрацию данных, ограничивайте доступ к функциям и не забывайте про мониторинг активности. Чем раньше вы укрепите защиту, тем меньше шансов, что ваш ИИ-агент будет использоваться против вас.
Stay secure and read SecureTechTalks 📚
#Кибербезопасность #ИИАгенты #RAG #LLM #AI #ЗащитаДанных #ИнформационнаяБезопасность #PromptInjection #SecureTechTalks #AIhacking
💡 APT-LLM: защита от продвинутых киберугроз с помощью ИИ 🤖
🚀 Одна из самых сложных задач ИБ — обнаружение Advanced Persistent Threats (APT) — скрытых атак, которые могут годами незаметно находиться в системах компаний. Исследователи из Нью-Йоркского университета, Университета Монреаля и Эдинбургского университета представили APT-LLM - систему, которая использует большие языковые модели для обнаружения аномалий, указывающих на APT-атаки.
⚠️ Почему APT-атаки так опасны?
💀 APT (Advanced Persistent Threat) — это целевые атаки, при которых злоумышленники долго и незаметно проникают в систему, крадут данные или наносят ущерб. Они маскируются под легитимные процессы, из-за чего традиционные методы обнаружения их пропускают.
🌐 В реальных условиях такие атаки часто составляют менее 0,004% от всего трафика, что делает их крайне сложными для выявления стандартными системами безопасности.
🧠 Что такое APT-LLM и как оно работает?
APT-LLM — это комплексная система обнаружения аномалий, которая сочетает:
🧩 Большие языковые модели (LLM): BERT, ALBERT, DistilBERT, RoBERTa, MiniLM.
🧬 Автоэнкодеры: Baseline AE, Variational VAE и Denoising DAE.
👨💻 Как это работает:
📊 1. Сбор данных: Система собирает журналы активности процессов (открытие файлов, сетевые подключения и т.д.).
📜 2. Превращение в текст: Каждое событие описывается короткими текстовыми фразами. Например: “Процесс 123 открыл файл, записал данные и отправил по сети”.
💡 3. Создание эмбеддингов: LLM превращают текст в числовые векторы (эмбеддинги), которые описывают поведение процессов.
🧠 4. Поиск аномалий с помощью автоэнкодеров: Автоэнкодеры обучаются на нормальном поведении и выявляют отклонения — признаки атак.
💎 Какие LLM использовались и чем они отличаются?
🟡 BERT: Отлично выявляет контекст, но тяжел в вычислениях.
🟠 DistilBERT: Лёгкая версия BERT, быстрее, но чуть менее точна.
🟢 ALBERT: Уменьшенная модель с высокой точностью за счёт повторного использования параметров.
🔵 RoBERTa: Оптимизированная версия BERT с расширенной тренировкой.
🟣 MiniLM: Миниатюрная модель, подходящая для быстрых вычислений в реальном времени.
🛡️ Как работают автоэнкодеры для поиска угроз:
📌 Baseline AE (Стандартный автоэнкодер): Сжимает данные и восстанавливает их. Если восстановление слишком отличается от оригинала, значит, это аномалия.
📌 VAE (Вариационный автоэнкодер): Использует вероятностные модели для выявления даже скрытых аномалий.
📌 DAE (Денойзинг автоэнкодер): Устойчив к шуму и может находить аномалии в "зашумленных" данных.
📊 Результаты экспериментов:
🧪 Тестирование проводилось на реальных данных из программы DARPA Transparent Computing, включая атаки на ОС Android, Linux, BSD и Windows. В выборках атаки составляли менее 0,004% от всех событий — это крайне сложный случай для обнаружения.
🔥 Ключевые результаты:
✅ Лучший результат показала комбинация ALBERT + VAE — AUC 0.95, что значительно превосходит традиционные методы.
✅ APT-LLM превзошла классические методы: OC-SVM, DBSCAN, Isolation Forest, особенно на Windows и Linux.
🔗 Подробнее про APT-LLM можно прочитать тут.
Stay secure and read SecureTechTalks 📚
#Кибербезопасность #APT #LLM #AI #Autoencoder #MachineLearning #SecureTechTalks #AnomalyDetection #ThreatIntelligence #CyberSecurity
🚀 Одна из самых сложных задач ИБ — обнаружение Advanced Persistent Threats (APT) — скрытых атак, которые могут годами незаметно находиться в системах компаний. Исследователи из Нью-Йоркского университета, Университета Монреаля и Эдинбургского университета представили APT-LLM - систему, которая использует большие языковые модели для обнаружения аномалий, указывающих на APT-атаки.
⚠️ Почему APT-атаки так опасны?
💀 APT (Advanced Persistent Threat) — это целевые атаки, при которых злоумышленники долго и незаметно проникают в систему, крадут данные или наносят ущерб. Они маскируются под легитимные процессы, из-за чего традиционные методы обнаружения их пропускают.
🌐 В реальных условиях такие атаки часто составляют менее 0,004% от всего трафика, что делает их крайне сложными для выявления стандартными системами безопасности.
🧠 Что такое APT-LLM и как оно работает?
APT-LLM — это комплексная система обнаружения аномалий, которая сочетает:
🧩 Большие языковые модели (LLM): BERT, ALBERT, DistilBERT, RoBERTa, MiniLM.
🧬 Автоэнкодеры: Baseline AE, Variational VAE и Denoising DAE.
👨💻 Как это работает:
📊 1. Сбор данных: Система собирает журналы активности процессов (открытие файлов, сетевые подключения и т.д.).
📜 2. Превращение в текст: Каждое событие описывается короткими текстовыми фразами. Например: “Процесс 123 открыл файл, записал данные и отправил по сети”.
💡 3. Создание эмбеддингов: LLM превращают текст в числовые векторы (эмбеддинги), которые описывают поведение процессов.
🧠 4. Поиск аномалий с помощью автоэнкодеров: Автоэнкодеры обучаются на нормальном поведении и выявляют отклонения — признаки атак.
💎 Какие LLM использовались и чем они отличаются?
🟡 BERT: Отлично выявляет контекст, но тяжел в вычислениях.
🟠 DistilBERT: Лёгкая версия BERT, быстрее, но чуть менее точна.
🟢 ALBERT: Уменьшенная модель с высокой точностью за счёт повторного использования параметров.
🔵 RoBERTa: Оптимизированная версия BERT с расширенной тренировкой.
🟣 MiniLM: Миниатюрная модель, подходящая для быстрых вычислений в реальном времени.
🛡️ Как работают автоэнкодеры для поиска угроз:
📌 Baseline AE (Стандартный автоэнкодер): Сжимает данные и восстанавливает их. Если восстановление слишком отличается от оригинала, значит, это аномалия.
📌 VAE (Вариационный автоэнкодер): Использует вероятностные модели для выявления даже скрытых аномалий.
📌 DAE (Денойзинг автоэнкодер): Устойчив к шуму и может находить аномалии в "зашумленных" данных.
📊 Результаты экспериментов:
🧪 Тестирование проводилось на реальных данных из программы DARPA Transparent Computing, включая атаки на ОС Android, Linux, BSD и Windows. В выборках атаки составляли менее 0,004% от всех событий — это крайне сложный случай для обнаружения.
🔥 Ключевые результаты:
✅ Лучший результат показала комбинация ALBERT + VAE — AUC 0.95, что значительно превосходит традиционные методы.
✅ APT-LLM превзошла классические методы: OC-SVM, DBSCAN, Isolation Forest, особенно на Windows и Linux.
Stay secure and read SecureTechTalks 📚
#Кибербезопасность #APT #LLM #AI #Autoencoder #MachineLearning #SecureTechTalks #AnomalyDetection #ThreatIntelligence #CyberSecurity
Please open Telegram to view this post
VIEW IN TELEGRAM
👍1
💡GPT-4 против Llama3: Кто из ИИ справился с задачами по кибербезопасности?🤖
🚀 Большие языковые модели (GPT-4o, Gemini, Cohere и Llama3) часто используются для аудитов, тестирования на проникновение и анализа угроз. Но можно ли доверять их ответам? Учёные из Stony Brook University, Rutgers University и Cisco Research провели масштабное исследование, проверяя, насколько согласованны ответы LLM при одинаковых вопросах по кибербезопасности.
💡 Согласованность (Consistency) — способность модели давать похожие ответы на одинаковые или схожие запросы. Если LLM отвечает по-разному на один и тот же вопрос, это:
⚠️ Снижает доверие к её рекомендациям.
⚠️ Увеличивает риск ошибок в кибероперациях.
⚠️ Свидетельствует о возможности галлюцинаций модели.
🛡️ Методика исследования: как тестировали LLM
✅ Использовали 40 вопросов по кибербезопасности, разбив их на два типа:
📊 Информационные (33 вопроса): Например, «Что такое триада CIA?»
💡 Ситуационные (7 вопросов): Например, «Получили письмо от банка с просьбой перейти по ссылке — что делать?»
✅ Применили два типа проверки согласованности:
Самопроверка (Self-Validation): Одна модель сравнивает свои собственные ответы.
Перекрёстная проверка (Cross-Validation): Модели оценивают ответы друг друга.
✅ Оценка согласованности проводилась по четырём метрикам:
📊 Jaccard Index: Сходство по уникальным словам.
🔍 Cosine Similarity: Сходство по контексту.
🔤 Levenshtein Distance: Различие по символам.
📈 Sequence Matcher: Похожесть структуры ответа.
📊 Результаты: кто оказался самым надёжным ИИ?
1️⃣ Информационные вопросы:
🏆 GPT-4o Mini — лидер: На высоком пороге точности модель прошла 90% тестов.
🥈 GPT-3.5 — второй: Уступил по точности, но обошёл другие модели.
🟡 Gemini — стабилен на низком и среднем порогах, но проиграл в сложных сценариях.
❌ Cohere и Llama3 — часто путались, особенно при объяснении понятий.
2️⃣ Ситуационные вопросы (абстрактные кейсы):
🤖 Все модели показали падение согласованности.
💡 Только GPT-4o Mini справился с самопроверкой в сложных кейсах.
❌ В перекрёстной проверке Cohere ошибся, утверждая, что неверный ответ был правильным.
🚩 Пример провала моделей:
На вопрос: «Объясните триаду CIA в кибербезопасности», модель Meta OPT ответила про Центральное разведывательное управление (CIA), а не про Confidentiality, Integrity, Availability. Перекрёстная проверка выявила ошибку, но GPT-3.5 и Cohere неправильно подтвердили ответ как верный, что показывает уязвимость при коллективной проверке.
💡 Выводы исследования:
✅ GPT-4o Mini — лидер по точности и согласованности.
✅ Перекрёстная проверка лучше выявляет ошибки, чем самопроверка.
✅ Информационные вопросы проще для моделей, чем ситуационные.
✅ Проблема галлюцинаций остаётся острой, особенно при открытых вопросах.
📢 Выводы:
🛑 Для SOC-центров: Использовать перекрёстную проверку ответов моделей для анализа угроз.
🛑 Для пентестов: Использовать LLM как советника, но проверять ответы вручную.
🛑 Для автоматизации аудитов: Применять модели с высокой согласованностью (например, GPT-4o Mini).
Stay secure and read SecureTechTalks 📚
#Кибербезопасность #ИИ #LLM #GPT4 #CyberSec #SecureTechTalks #Hallucinations #AItrust #Gemini #Cohere #Llama3
🚀 Большие языковые модели (GPT-4o, Gemini, Cohere и Llama3) часто используются для аудитов, тестирования на проникновение и анализа угроз. Но можно ли доверять их ответам? Учёные из Stony Brook University, Rutgers University и Cisco Research провели масштабное исследование, проверяя, насколько согласованны ответы LLM при одинаковых вопросах по кибербезопасности.
💡 Согласованность (Consistency) — способность модели давать похожие ответы на одинаковые или схожие запросы. Если LLM отвечает по-разному на один и тот же вопрос, это:
⚠️ Снижает доверие к её рекомендациям.
⚠️ Увеличивает риск ошибок в кибероперациях.
⚠️ Свидетельствует о возможности галлюцинаций модели.
🛡️ Методика исследования: как тестировали LLM
✅ Использовали 40 вопросов по кибербезопасности, разбив их на два типа:
📊 Информационные (33 вопроса): Например, «Что такое триада CIA?»
💡 Ситуационные (7 вопросов): Например, «Получили письмо от банка с просьбой перейти по ссылке — что делать?»
✅ Применили два типа проверки согласованности:
Самопроверка (Self-Validation): Одна модель сравнивает свои собственные ответы.
Перекрёстная проверка (Cross-Validation): Модели оценивают ответы друг друга.
✅ Оценка согласованности проводилась по четырём метрикам:
📊 Jaccard Index: Сходство по уникальным словам.
🔍 Cosine Similarity: Сходство по контексту.
🔤 Levenshtein Distance: Различие по символам.
📈 Sequence Matcher: Похожесть структуры ответа.
📊 Результаты: кто оказался самым надёжным ИИ?
1️⃣ Информационные вопросы:
🏆 GPT-4o Mini — лидер: На высоком пороге точности модель прошла 90% тестов.
🥈 GPT-3.5 — второй: Уступил по точности, но обошёл другие модели.
🟡 Gemini — стабилен на низком и среднем порогах, но проиграл в сложных сценариях.
❌ Cohere и Llama3 — часто путались, особенно при объяснении понятий.
2️⃣ Ситуационные вопросы (абстрактные кейсы):
🤖 Все модели показали падение согласованности.
💡 Только GPT-4o Mini справился с самопроверкой в сложных кейсах.
❌ В перекрёстной проверке Cohere ошибся, утверждая, что неверный ответ был правильным.
🚩 Пример провала моделей:
На вопрос: «Объясните триаду CIA в кибербезопасности», модель Meta OPT ответила про Центральное разведывательное управление (CIA), а не про Confidentiality, Integrity, Availability. Перекрёстная проверка выявила ошибку, но GPT-3.5 и Cohere неправильно подтвердили ответ как верный, что показывает уязвимость при коллективной проверке.
💡 Выводы исследования:
✅ GPT-4o Mini — лидер по точности и согласованности.
✅ Перекрёстная проверка лучше выявляет ошибки, чем самопроверка.
✅ Информационные вопросы проще для моделей, чем ситуационные.
✅ Проблема галлюцинаций остаётся острой, особенно при открытых вопросах.
📢 Выводы:
🛑 Для SOC-центров: Использовать перекрёстную проверку ответов моделей для анализа угроз.
🛑 Для пентестов: Использовать LLM как советника, но проверять ответы вручную.
🛑 Для автоматизации аудитов: Применять модели с высокой согласованностью (например, GPT-4o Mini).
Stay secure and read SecureTechTalks 📚
#Кибербезопасность #ИИ #LLM #GPT4 #CyberSec #SecureTechTalks #Hallucinations #AItrust #Gemini #Cohere #Llama3
👍1
🔥 Критическая уязвимость PostgreSQL и атака на Минфин США! 💥
💣 В конце 2024 года Министерство финансов США подверглось мощной кибератаке. Для взлома злоумышленники использовали 0-day уязвимость в PostgreSQL (CVE-2025-1094), а также пробили защиту через платформу удалённого доступа BeyondTrust.
⚠️ Как PostgreSQL дал хакерам ключ от системы:
💀 CVE-2025-1094 — критическая уязвимость в PostgreSQL, связанная с ошибкой обработки данных в кодировке UTF-8. Простыми словами: система принимала вредоносные запросы, открывая злоумышленникам дверь прямо в базу данных.
📊 Проблема была в том, что встроенные функции (PQescapeLiteral(), PQescapeIdentifier(), PQescapeString() и PQescapeString Conn()) не до конца «чистили» синтаксис кавычек в тексте. В итоге — SQL-инъекции и полный контроль над сервером.
💡 Как атаковали Министерство финансов США:
💥 Атака шла в два этапа:
1️⃣ Первый удар: через уязвимость в BeyondTrust (CVE-2024-12356), которую хакеры использовали для первого доступа.
2️⃣ Второй удар: эксплойт PostgreSQL (CVE-2025-1094) помог злоумышленникам проникнуть глубже, повысить права и украсть данные сотрудников.
🤯 Интересно, что до закрытия уязвимости BeyondTrust, CVE-2025-1094 могла использоваться даже самостоятельно, что делает её ещё опаснее.
🚨 Если вы используете PostgreSQL рекомендуем проверить логи на признаки аномалий: Особенно внимательно — активность, похожую на попытки SQL-инъекций или Cobalt Strike.
☠️ PostgreSQL — отличная БД, но без обновлений она может стать основным слабым местом. Не откладывайте патчи на потом, ведь злоумышленники ждать не будут!
Stay secure and read SecureTechTalks 📚
#Кибербезопасность #PostgreSQL #CVE20251094 #SQLInjection #МинфинСША #BeyondTrust #SecureTechTalks #0day #Infosec #DataLeak
💣 В конце 2024 года Министерство финансов США подверглось мощной кибератаке. Для взлома злоумышленники использовали 0-day уязвимость в PostgreSQL (CVE-2025-1094), а также пробили защиту через платформу удалённого доступа BeyondTrust.
⚠️ Как PostgreSQL дал хакерам ключ от системы:
💀 CVE-2025-1094 — критическая уязвимость в PostgreSQL, связанная с ошибкой обработки данных в кодировке UTF-8. Простыми словами: система принимала вредоносные запросы, открывая злоумышленникам дверь прямо в базу данных.
📊 Проблема была в том, что встроенные функции (PQescapeLiteral(), PQescapeIdentifier(), PQescapeString() и PQescapeString Conn()) не до конца «чистили» синтаксис кавычек в тексте. В итоге — SQL-инъекции и полный контроль над сервером.
💡 Как атаковали Министерство финансов США:
💥 Атака шла в два этапа:
1️⃣ Первый удар: через уязвимость в BeyondTrust (CVE-2024-12356), которую хакеры использовали для первого доступа.
2️⃣ Второй удар: эксплойт PostgreSQL (CVE-2025-1094) помог злоумышленникам проникнуть глубже, повысить права и украсть данные сотрудников.
🤯 Интересно, что до закрытия уязвимости BeyondTrust, CVE-2025-1094 могла использоваться даже самостоятельно, что делает её ещё опаснее.
🚨 Если вы используете PostgreSQL рекомендуем проверить логи на признаки аномалий: Особенно внимательно — активность, похожую на попытки SQL-инъекций или Cobalt Strike.
☠️ PostgreSQL — отличная БД, но без обновлений она может стать основным слабым местом. Не откладывайте патчи на потом, ведь злоумышленники ждать не будут!
Stay secure and read SecureTechTalks 📚
#Кибербезопасность #PostgreSQL #CVE20251094 #SQLInjection #МинфинСША #BeyondTrust #SecureTechTalks #0day #Infosec #DataLeak
🔍 Kunai: следим за событиями Linux
Kunai — инструмент с открытым исходным кодом, разработанный для глубокого и точного отслеживания событий в Linux-средах.
🚀 Ключевые особенности
➖ Хронологическая последовательность событий: Kunai обрабатывает и доставляет события строго в том порядке, в котором они происходят, что предотвращает несоответствия и повышает точность судебной экспертизы.
➖ Корреляция на уровне хоста: Инструмент включает встроенные механизмы обогащения и корреляции, позволяющие командам безопасности получать контекст событий, происходящих в системе.
➖ Мониторинг контейнеров: Поддержка Linux namespaces и контейнерных технологий позволяет отслеживать активность внутри контейнеров, что особенно важно для современных облачных сред.
🛠️ Технологическая основа
Решение использует технологию eBPF (Extended Berkeley Packet Filter), устанавливая пробелы на уровне ядра для захвата и анализа критически важных событий безопасности в реальном времени. Собранные данные обрабатываются пользовательской программой, отвечающей за упорядочивание, обогащение и корреляцию информации.
Особенностью реализации является использование языка программирования Rust и библиотеки Aya, что обеспечивает создание автономного бинарного файла, включающего как eBPF-пробелы, так и логику обработки на уровне пользователя. Это упрощает развертывание и интеграцию Kunai в существующие процессы обеспечения безопасности.
📈 Преимущества использования Kunai
➖ Снижение шума: Благодаря корреляции событий на уровне хоста, Kunai генерирует меньше, но более информативных событий, снижая нагрузку на системы логирования и облегчая анализ.
➖ Гибкость и расширяемость: Открытая архитектура и поддержка пользовательских правил обнаружения позволяют адаптировать Kunai под специфические потребности организации.
➖ Интеграция с другими инструментами: Поддержка YARA-правил для сканирования файлов и возможность подключения к MISP для реального времени сканирования индикаторов компрометации расширяют функциональность Kunai.
🔧 Планы на будущее и доступность
Команда разработчиков активно работает над улучшением Kunai. В планах — разработка центрального сервера для упрощения развертывания правил обнаружения, управления индикаторами компрометации и эффективной обработки логов с возможной интеграцией с системами хранения логов.
Поддержание актуальности кода eBPF в соответствии с последними изменениями ядра Linux является приоритетом для обеспечения стабильности и производительности. Кроме того, ведутся исследования по добавлению новых типов событий для улучшения обнаружения вредоносного ПО и расширения правил обнаружения, основанных на вкладе сообщества.
🔗 Инструмент доступен бесплатно на GitHub.
Проект ориентирован на сообщество, и разработчики приветствуют обратную связь, предложения и запросы на новые функции.
Stay secure and read SecureTechTalks 📚
#Кибербезопасность #LinuxSecurity #Kunai #ThreatHunting #eBPF #RustLang #SOC #SecureTechTalks #OpenSource #MalwareDetection
Kunai — инструмент с открытым исходным кодом, разработанный для глубокого и точного отслеживания событий в Linux-средах.
🚀 Ключевые особенности
➖ Хронологическая последовательность событий: Kunai обрабатывает и доставляет события строго в том порядке, в котором они происходят, что предотвращает несоответствия и повышает точность судебной экспертизы.
➖ Корреляция на уровне хоста: Инструмент включает встроенные механизмы обогащения и корреляции, позволяющие командам безопасности получать контекст событий, происходящих в системе.
➖ Мониторинг контейнеров: Поддержка Linux namespaces и контейнерных технологий позволяет отслеживать активность внутри контейнеров, что особенно важно для современных облачных сред.
🛠️ Технологическая основа
Решение использует технологию eBPF (Extended Berkeley Packet Filter), устанавливая пробелы на уровне ядра для захвата и анализа критически важных событий безопасности в реальном времени. Собранные данные обрабатываются пользовательской программой, отвечающей за упорядочивание, обогащение и корреляцию информации.
Особенностью реализации является использование языка программирования Rust и библиотеки Aya, что обеспечивает создание автономного бинарного файла, включающего как eBPF-пробелы, так и логику обработки на уровне пользователя. Это упрощает развертывание и интеграцию Kunai в существующие процессы обеспечения безопасности.
📈 Преимущества использования Kunai
➖ Снижение шума: Благодаря корреляции событий на уровне хоста, Kunai генерирует меньше, но более информативных событий, снижая нагрузку на системы логирования и облегчая анализ.
➖ Гибкость и расширяемость: Открытая архитектура и поддержка пользовательских правил обнаружения позволяют адаптировать Kunai под специфические потребности организации.
➖ Интеграция с другими инструментами: Поддержка YARA-правил для сканирования файлов и возможность подключения к MISP для реального времени сканирования индикаторов компрометации расширяют функциональность Kunai.
🔧 Планы на будущее и доступность
Команда разработчиков активно работает над улучшением Kunai. В планах — разработка центрального сервера для упрощения развертывания правил обнаружения, управления индикаторами компрометации и эффективной обработки логов с возможной интеграцией с системами хранения логов.
Поддержание актуальности кода eBPF в соответствии с последними изменениями ядра Linux является приоритетом для обеспечения стабильности и производительности. Кроме того, ведутся исследования по добавлению новых типов событий для улучшения обнаружения вредоносного ПО и расширения правил обнаружения, основанных на вкладе сообщества.
🔗 Инструмент доступен бесплатно на GitHub.
Проект ориентирован на сообщество, и разработчики приветствуют обратную связь, предложения и запросы на новые функции.
Stay secure and read SecureTechTalks 📚
#Кибербезопасность #LinuxSecurity #Kunai #ThreatHunting #eBPF #RustLang #SOC #SecureTechTalks #OpenSource #MalwareDetection
🔍 SpiderSim: новая эра моделирования кибератак с мультиагентными системами
🚀 Кибербезопасность в эпоху цифровизации сталкивается с новыми вызовами. Заводы, энергетические сети и логистические системы становятся всё более автоматизированными, а это значит, что атаки на них могут нанести колоссальный ущерб.
Чтобы эффективно защищаться, необходимо тестировать системы в условиях, приближенных к реальности.
📢 SpiderSim — платформа с открытым исходным кодом для моделирования кибератак и защиты в индустриальных системах. Она позволяет быстро и эффективно создавать сложные сценарии угроз, используя мультиагентные технологии и модульную архитектуру.
⚡ Почему традиционные киберполигоны устарели?
🛠 Сложность развертывания: настройка полноценного киберполигона требует огромных ресурсов и времени.
🛑 Ограниченные сценарии: большинство решений работают по фиксированным сценариям и не адаптируются к реальным угрозам.
🔍 Отсутствие автоматизации: создание тестов вручную отнимает недели или даже месяцы.
🕸 Что отличает SpiderSim?
🔹 Единая модель сценариев: возможность моделирования различных атак и методов защиты в единой системе.
🤖 Мультиагентная координация: автоматизированная генерация сценариев за счёт взаимодействия независимых агентов.
🔧 Модульные компоненты безопасности: встроенные инструменты, такие как honeypot-модули, анализатор уязвимостей и Shocktrap, для создания реалистичных атак и защиты.
💡 Примеры использования:
Компания, управляющая умными городами, использует SpiderSim для тестирования устойчивости систем видеонаблюдения. Модель симулирует DDoS-атаку, проверяет поведение системы и предлагает способы защиты.
🏗 Архитектура решения
🛠 1. Модельирование сценариев
👨💻 SpiderSim использует формализованный подход к созданию киберугроз: анализирует отрасль, выделяет уязвимые точки и формирует атакующие стратегии.
🤖 2. Мультиагентная система
🕵️ Агенты работают в координации друг с другом, обеспечивая динамическое развитие сценариев атак и защиты в реальном времени.
🛡 3. Атомарные модули безопасности
⚙️ Поддержка встроенных решений для анализа поведения атакующих, тестирования honeypot-ловушек и моделирования защиты.
🔬 Реальные кейсы:
📡 Мониторинг морских ранчо: тестирование защиты сенсорных сетей от взлома.
🏭 Промышленные сети: симуляция атак на умные заводы и тестирование реакции безопасности.
🔌 Энергосети: проверка устойчивости SCADA-систем к взломам и диверсиям.
🔑 Основные преимущества
✅ Быстрое создание сложных сценариев
✅ Масштабируемость для разных отраслей
✅ Полная автоматизация тестирования безопасности
🔗 Инструмент доступен на GitHub.
Stay secure and read SecureTechTalks 📚
#Кибербезопасность #SpiderSim #CyberRange #ThreatSimulation #Infosec #AI #SCADA #IoTSecurity #CyberThreats #SecureTechTalks
🚀 Кибербезопасность в эпоху цифровизации сталкивается с новыми вызовами. Заводы, энергетические сети и логистические системы становятся всё более автоматизированными, а это значит, что атаки на них могут нанести колоссальный ущерб.
Чтобы эффективно защищаться, необходимо тестировать системы в условиях, приближенных к реальности.
📢 SpiderSim — платформа с открытым исходным кодом для моделирования кибератак и защиты в индустриальных системах. Она позволяет быстро и эффективно создавать сложные сценарии угроз, используя мультиагентные технологии и модульную архитектуру.
⚡ Почему традиционные киберполигоны устарели?
🛠 Сложность развертывания: настройка полноценного киберполигона требует огромных ресурсов и времени.
🛑 Ограниченные сценарии: большинство решений работают по фиксированным сценариям и не адаптируются к реальным угрозам.
🔍 Отсутствие автоматизации: создание тестов вручную отнимает недели или даже месяцы.
🕸 Что отличает SpiderSim?
🔹 Единая модель сценариев: возможность моделирования различных атак и методов защиты в единой системе.
🤖 Мультиагентная координация: автоматизированная генерация сценариев за счёт взаимодействия независимых агентов.
🔧 Модульные компоненты безопасности: встроенные инструменты, такие как honeypot-модули, анализатор уязвимостей и Shocktrap, для создания реалистичных атак и защиты.
💡 Примеры использования:
Компания, управляющая умными городами, использует SpiderSim для тестирования устойчивости систем видеонаблюдения. Модель симулирует DDoS-атаку, проверяет поведение системы и предлагает способы защиты.
🏗 Архитектура решения
🛠 1. Модельирование сценариев
👨💻 SpiderSim использует формализованный подход к созданию киберугроз: анализирует отрасль, выделяет уязвимые точки и формирует атакующие стратегии.
🤖 2. Мультиагентная система
🕵️ Агенты работают в координации друг с другом, обеспечивая динамическое развитие сценариев атак и защиты в реальном времени.
🛡 3. Атомарные модули безопасности
⚙️ Поддержка встроенных решений для анализа поведения атакующих, тестирования honeypot-ловушек и моделирования защиты.
🔬 Реальные кейсы:
📡 Мониторинг морских ранчо: тестирование защиты сенсорных сетей от взлома.
🏭 Промышленные сети: симуляция атак на умные заводы и тестирование реакции безопасности.
🔌 Энергосети: проверка устойчивости SCADA-систем к взломам и диверсиям.
🔑 Основные преимущества
✅ Быстрое создание сложных сценариев
✅ Масштабируемость для разных отраслей
✅ Полная автоматизация тестирования безопасности
🔗 Инструмент доступен на GitHub.
Stay secure and read SecureTechTalks 📚
#Кибербезопасность #SpiderSim #CyberRange #ThreatSimulation #Infosec #AI #SCADA #IoTSecurity #CyberThreats #SecureTechTalks
🔍 PRevent: защита кода от вредоносных изменений прямо в GitHub
💻 Разрабатываешь ПО? Тогда знаешь, что один незаметный бэкдор в pull request'е может обойтись очень дорого. А что если твой репозиторий используют десятки разработчиков, и проверять код вручную — невозможно?
🔥 PRevent — инструмент, который автоматически анализирует изменения в коде, выявляет подозрительные места и сразу комментирует их в PR. Всё просто: твоя команда видит потенциальную угрозу ещё до слияния в основной код.
🚀 Что умеет PRevent?
🔹 Автоматически проверяет все pull request'ы на наличие вредоносного кода.
🔹 Выявляет аномальные изменения (скрытые бэкдоры, подмену зависимостей, SQL-инъекции).
🔹 Интегрируется с GitHub без сложных настроек.
🔹 Поддерживает разные языки программирования — подходит для любых проектов.
🔥 Почему стоит попробовать?
✅ Не нужен ручной анализ — PRevent сам найдет подозрительные места.
✅ Снижение риска атак через supply chain — инструмент ловит вредоносные изменения ещё на стадии PR.
✅ Прозрачность для команды — комментарии с анализом видны прямо в GitHub.
⚙ С чего начать?
1️⃣ Установи PRevent из GitHub.
2️⃣ Подключи его к своему репозиторию.
3️⃣ Оформи PR и смотри, как инструмент анализирует код.
🚨 Разработчики всё чаще становятся мишенью атак, а бэкдоры могут просачиваться незаметно. PRevent поможет вовремя остановить подозрительные изменения, не теряя времени на ручные проверки.
Stay secure and read SecureTechTalks 📚
#Кибербезопасность #PRevent #DevSecOps #GitHubSecurity #CodeReview #OpenSource #SecureTechTalks #SupplyChainAttack #MaliciousCode #Security
💻 Разрабатываешь ПО? Тогда знаешь, что один незаметный бэкдор в pull request'е может обойтись очень дорого. А что если твой репозиторий используют десятки разработчиков, и проверять код вручную — невозможно?
🔥 PRevent — инструмент, который автоматически анализирует изменения в коде, выявляет подозрительные места и сразу комментирует их в PR. Всё просто: твоя команда видит потенциальную угрозу ещё до слияния в основной код.
🚀 Что умеет PRevent?
🔹 Автоматически проверяет все pull request'ы на наличие вредоносного кода.
🔹 Выявляет аномальные изменения (скрытые бэкдоры, подмену зависимостей, SQL-инъекции).
🔹 Интегрируется с GitHub без сложных настроек.
🔹 Поддерживает разные языки программирования — подходит для любых проектов.
🔥 Почему стоит попробовать?
✅ Не нужен ручной анализ — PRevent сам найдет подозрительные места.
✅ Снижение риска атак через supply chain — инструмент ловит вредоносные изменения ещё на стадии PR.
✅ Прозрачность для команды — комментарии с анализом видны прямо в GitHub.
⚙ С чего начать?
1️⃣ Установи PRevent из GitHub.
2️⃣ Подключи его к своему репозиторию.
3️⃣ Оформи PR и смотри, как инструмент анализирует код.
🚨 Разработчики всё чаще становятся мишенью атак, а бэкдоры могут просачиваться незаметно. PRevent поможет вовремя остановить подозрительные изменения, не теряя времени на ручные проверки.
Stay secure and read SecureTechTalks 📚
#Кибербезопасность #PRevent #DevSecOps #GitHubSecurity #CodeReview #OpenSource #SecureTechTalks #SupplyChainAttack #MaliciousCode #Security
👍1
🚨 Adversarial Prompts: реальные случаи, когда ИИ говорил то, что не должен 🚨
🤖 Adversarial prompts — специально созданные запросы, которые эксплуатируют уязвимости больших языковых моделей (LLM), заставляя их генерировать нежелательные или опасные ответы. Проще говоря, это способ обмануть ИИ, чтобы он сделал или сказал то, что в обычных условиях он бы не сделал.
⚙ Примеры атак с использованием Adversarial Prompts
➖ Инъекция промптов для обхода фильтров контента
Исследователи из компании Cisco и Университета Пенсильвании продемонстрировали, как можно обойти фильтры контента в новой модели чат-бота R1 от компании DeepSeek. Они использовали 50 вредоносных запросов, которые заставили модель генерировать токсичные ответы, несмотря на встроенные механизмы безопасности.
➖ Манипуляция контекстом для получения конфиденциальных данных
В исследовании, опубликованном на arXiv, показано, что злоумышленники могут использовать визуальные состязательные примеры для обмана LLM, заставляя их выполнять нежелательные действия, такие как удаление событий из календаря или раскрытие приватных разговоров.
➖ Создание вредоносного кода через специально сформулированные запросы
На GitHub существует репозиторий, где собраны примеры adversarial prompts, способных заставить LLM генерировать вредоносный код или выполнять другие нежелательные действия.
💡 Последствия и меры предосторожности
✅ Усиление фильтрации входных данных: Обнаружение и блокировка подозрительных или противоречивых запросов.
✅ Обучение моделей на безопасных и проверенных данных: Минимизация риска утечек и неправильных ответов.
✅ Постоянный аудит и обновление систем безопасности: Обеспечение актуальности защитных механизмов против новых типов атак.
Понимание и изучение реальных случаев использования adversarial prompts помогает разработчикам и пользователям быть более осведомлёнными и принимать необходимые меры для защиты систем ИИ от потенциальных угроз.
Stay secure and read SecureTechTalks 📚
#AdversarialPrompts #Кибербезопасность #ИИ #ИнформационнаяБезопасность #SecureTechTalks #llm #chatgpt #cybersecurity #ИБ
🤖 Adversarial prompts — специально созданные запросы, которые эксплуатируют уязвимости больших языковых моделей (LLM), заставляя их генерировать нежелательные или опасные ответы. Проще говоря, это способ обмануть ИИ, чтобы он сделал или сказал то, что в обычных условиях он бы не сделал.
⚙ Примеры атак с использованием Adversarial Prompts
Исследователи из компании Cisco и Университета Пенсильвании продемонстрировали, как можно обойти фильтры контента в новой модели чат-бота R1 от компании DeepSeek. Они использовали 50 вредоносных запросов, которые заставили модель генерировать токсичные ответы, несмотря на встроенные механизмы безопасности.
В исследовании, опубликованном на arXiv, показано, что злоумышленники могут использовать визуальные состязательные примеры для обмана LLM, заставляя их выполнять нежелательные действия, такие как удаление событий из календаря или раскрытие приватных разговоров.
На GitHub существует репозиторий, где собраны примеры adversarial prompts, способных заставить LLM генерировать вредоносный код или выполнять другие нежелательные действия.
💡 Последствия и меры предосторожности
Понимание и изучение реальных случаев использования adversarial prompts помогает разработчикам и пользователям быть более осведомлёнными и принимать необходимые меры для защиты систем ИИ от потенциальных угроз.
Stay secure and read SecureTechTalks 📚
#AdversarialPrompts #Кибербезопасность #ИИ #ИнформационнаяБезопасность #SecureTechTalks #llm #chatgpt #cybersecurity #ИБ
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥 Misconfig Mapper: ищем ошибки в конфигурациях 💥
🔍 Misconfig Mapper — CLI-инструмент с открытым исходным кодом, созданный для быстрого поиска ошибок конфигурации в популярных сервисах. Он помогает выявлять уязвимости в таких продуктах, как Jenkins, GitLab, Atlassian, и проверять безопасность ваших SaaS-решений и фреймворков.
🛠️ Что умеет Misconfig Mapper?
🚀 Автоматизация тестирования — инструмент сам проверяет конфигурации, экономя ваше время и силы.
🌐 Масштабируемость — поддерживает одновременную проверку множества сервисов.
🔧 Гибкость — легко адаптируется для новых технологий через файл services.json.
📚 Документация — подробные инструкции по выявлению и устранению уязвимостей.
💡 Как начать работу?
1️⃣ Установите инструмент с GitHub.
2️⃣ Запустите сканирование, указав нужные параметры.
3️⃣ Получите отчёт и устраняйте найденные уязвимости.
🎥 Больше о Misconfig Mapper:
📄 Документация: Intigriti Hack Hub
▶️ Видеообзор: YouTube
💥 Не оставляйте уязвимости без внимания — проверьте свою инфраструктуру уже сейчас!
Stay secure and read SecureTechTalks 📚
#MisconfigMapper #Кибербезопасность #Инфобез #BugBounty #SecurityTools #DevSecOps #SecureTechTalks #ITSecurity #VulnerabilityManagement #CyberSec
🔍 Misconfig Mapper — CLI-инструмент с открытым исходным кодом, созданный для быстрого поиска ошибок конфигурации в популярных сервисах. Он помогает выявлять уязвимости в таких продуктах, как Jenkins, GitLab, Atlassian, и проверять безопасность ваших SaaS-решений и фреймворков.
🛠️ Что умеет Misconfig Mapper?
🚀 Автоматизация тестирования — инструмент сам проверяет конфигурации, экономя ваше время и силы.
🌐 Масштабируемость — поддерживает одновременную проверку множества сервисов.
🔧 Гибкость — легко адаптируется для новых технологий через файл services.json.
📚 Документация — подробные инструкции по выявлению и устранению уязвимостей.
💡 Как начать работу?
1️⃣ Установите инструмент с GitHub.
2️⃣ Запустите сканирование, указав нужные параметры.
3️⃣ Получите отчёт и устраняйте найденные уязвимости.
🎥 Больше о Misconfig Mapper:
📄 Документация: Intigriti Hack Hub
▶️ Видеообзор: YouTube
💥 Не оставляйте уязвимости без внимания — проверьте свою инфраструктуру уже сейчас!
Stay secure and read SecureTechTalks 📚
#MisconfigMapper #Кибербезопасность #Инфобез #BugBounty #SecurityTools #DevSecOps #SecureTechTalks #ITSecurity #VulnerabilityManagement #CyberSec
🚀 RN-Loss: как новая математика помогает находить аномалии 💡
В кибербезопасности поиск аномалий стандартная задача. Злоумышленники стараются замаскироваться под обычную активность, и часто их действия настолько похожи на норму, что классические методы просто не видят разницы.
🔍 Что такое RN-Loss
RN-Loss — новый метод обучения моделей машинного обучения, который использует производную Радона-Никодима (не пугайтесь, сейчас объясню!). Эта производная — это способ измерить, насколько одно распределение данных отличается от другого. Проще говоря, она помогает лучше видеть редкие и нетипичные события в потоке данных — то есть те самые аномалии.
🔧 В чём фишка:
➖ RN-Loss корректирует функцию потерь (loss function), на основе которой обучаются модели. Она учитывает различие между нормальными и аномальными данными и заставляет модель сильнее реагировать на редкие отклонения.
➖ Она гибкая: RN-Loss работает и в контролируемом обучении (когда есть размеченные данные), и в неконтролируемом (когда мы не знаем, где аномалии, но хотим их найти).
➖ Она универсальна: метод можно применять в разных моделях — от LSTM (долгосрочная краткосрочная память, популярная в анализе временных рядов) до классических нейронных сетей.
💥 Преимущества над старыми методоми
Классические алгоритмы часто сталкиваются с проблемами:
➖ Высокий уровень ложных срабатываний — модель принимает нормальную активность за аномалию.
➖ Низкая чувствительность — аномалии, особенно сложные и редкие, просто проходят незамеченными.
RN-Loss решает эти проблемы, потому что:
✅ Точнее находит аномалии: исследования показали, что этот метод обходит существующие подходы по F1-скорингу в 68% случаев на многомерных данных и в 72% на временных рядах.
✅ Эффективнее обучает модели: за счёт корректировки функции потерь модели быстрее распознают закономерности и лучше обобщают данные.
✅ Меньше настроек: RN-Loss проще адаптировать к разным задачам, не возясь с подбором гиперпараметров.
📊 Где применяют
💻 Кибербезопасность:
Обнаружение сетевых атак: анализ логов и трафика, поиск аномального поведения устройств.
Выявление инсайдерских угроз: мониторинг действий пользователей и детекция отклонений от нормальных паттернов.
Поиск сложных многослойных атак: когда вредоносные действия замаскированы под обычную активность.
💰 Финансовый сектор:
Обнаружение мошенничества: отслеживание подозрительных транзакций и аномальных операций.
Анализ поведения клиентов: выявление нетипичных покупок или запросов.
🏥 Медицина:
Диагностика редких заболеваний: нахождение отклонений в медицинских данных, которые сложно заметить человеку.
Мониторинг пациентов: отслеживание показателей здоровья и предсказание возможных кризисов.
⚡ RN-Loss — реальный инструмент для решения сложных задач. Он помогает видеть то, что было незаметно, и делает модели машинного обучения более чуткими к отклонениям. Для кибербезопасности это значит меньше ложных срабатываний, ускоренное обнаружение атак и более надёжная защита.
Если вы работаете с анализом данных, машинным обучением или кибербезопасностью — обязательно обратите внимание на эту методику. Она уже показывает отличные результаты и имеет огромный потенциал.
🔗 Более подробно с RN-Loss можно ознакомиться в исследовании.
Stay secure and read SecureTechTalks 📚
#RN_Loss #Кибербезопасность #ОбнаружениеАномалий #MachineLearning #DataScience #AI #SecureTechTalks #AnomalyDetection #Infosec #NeuralNetworks
В кибербезопасности поиск аномалий стандартная задача. Злоумышленники стараются замаскироваться под обычную активность, и часто их действия настолько похожи на норму, что классические методы просто не видят разницы.
🔍 Что такое RN-Loss
RN-Loss — новый метод обучения моделей машинного обучения, который использует производную Радона-Никодима (не пугайтесь, сейчас объясню!). Эта производная — это способ измерить, насколько одно распределение данных отличается от другого. Проще говоря, она помогает лучше видеть редкие и нетипичные события в потоке данных — то есть те самые аномалии.
🔧 В чём фишка:
💥 Преимущества над старыми методоми
Классические алгоритмы часто сталкиваются с проблемами:
➖ Высокий уровень ложных срабатываний — модель принимает нормальную активность за аномалию.
➖ Низкая чувствительность — аномалии, особенно сложные и редкие, просто проходят незамеченными.
RN-Loss решает эти проблемы, потому что:
✅ Точнее находит аномалии: исследования показали, что этот метод обходит существующие подходы по F1-скорингу в 68% случаев на многомерных данных и в 72% на временных рядах.
✅ Эффективнее обучает модели: за счёт корректировки функции потерь модели быстрее распознают закономерности и лучше обобщают данные.
✅ Меньше настроек: RN-Loss проще адаптировать к разным задачам, не возясь с подбором гиперпараметров.
📊 Где применяют
💻 Кибербезопасность:
Обнаружение сетевых атак: анализ логов и трафика, поиск аномального поведения устройств.
Выявление инсайдерских угроз: мониторинг действий пользователей и детекция отклонений от нормальных паттернов.
Поиск сложных многослойных атак: когда вредоносные действия замаскированы под обычную активность.
💰 Финансовый сектор:
Обнаружение мошенничества: отслеживание подозрительных транзакций и аномальных операций.
Анализ поведения клиентов: выявление нетипичных покупок или запросов.
🏥 Медицина:
Диагностика редких заболеваний: нахождение отклонений в медицинских данных, которые сложно заметить человеку.
Мониторинг пациентов: отслеживание показателей здоровья и предсказание возможных кризисов.
⚡ RN-Loss — реальный инструмент для решения сложных задач. Он помогает видеть то, что было незаметно, и делает модели машинного обучения более чуткими к отклонениям. Для кибербезопасности это значит меньше ложных срабатываний, ускоренное обнаружение атак и более надёжная защита.
Если вы работаете с анализом данных, машинным обучением или кибербезопасностью — обязательно обратите внимание на эту методику. Она уже показывает отличные результаты и имеет огромный потенциал.
🔗 Более подробно с RN-Loss можно ознакомиться в исследовании.
Stay secure and read SecureTechTalks 📚
#RN_Loss #Кибербезопасность #ОбнаружениеАномалий #MachineLearning #DataScience #AI #SecureTechTalks #AnomalyDetection #Infosec #NeuralNetworks
Please open Telegram to view this post
VIEW IN TELEGRAM
🚨 Агентные системы ИИ: Умные, автономные… и опасные? 🚨
Агентные системы — сложные ИИ-модели, которые могут самостоятельно принимать решения, выстраивать стратегии и выполнять задачи без постоянного участия человека.
💡 Что такое агентные системы?
Если говорить простыми словами, агентные системы — это интеллектуальные ИИ-ассистенты нового поколения, которые могут не просто выполнять разовые задачи, но и действовать как полноценные агенты, принимая решения и используя внешние инструменты. Они:
🔹 Объединяют несколько моделей и систем в единую архитектуру для решения сложных задач
🔹 Используют инструменты (например, API, базы данных, веб-сервисы) для взаимодействия с внешней средой
🔹 Работают автономно, сводя к минимуму вмешательство человека в процесс принятия решений и выполнения задач
Это открывает колоссальные возможности — от автоматизации рутинных процессов до создания умных помощников и полноценных аналитических систем. Но чем больше у ИИ свободы, тем выше потенциальные риски.
🧱 5 уровней автономности агентных систем
Разработчики NVIDIA выделяют 5 уровней автономности ИИ-агентов, и каждый из них имеет свои возможности и риски:
0️⃣ Инференс API (Inference API)
Самый простой уровень. Вы отправляете запрос — ИИ даёт ответ. Например: «Какая погода в Москве?» — и получаете прогноз. Минимум автономности, минимум рисков.
1️⃣ Детерминированная система (Deterministic System)
ИИ выполняет несколько шагов по жёстко заданной логике. Например, переводит текст, затем анализирует его и строит отчёт. Всё чётко и предсказуемо.
2️⃣ Условная логика (Conditional Logic)
Здесь начинается гибкость. ИИ сам выбирает инструменты в зависимости от условий задачи. Например, при анализе документа выбирает, использовать ли OCR или парсер в зависимости от формата файла.
3️⃣ Ограниченная автономия (Limited Autonomy)
Система получает общую задачу и сама решает, какие инструменты и шаги использовать, чтобы достичь цели. Это уже серьёзный уровень автономности, требующий более сложной архитектуры безопасности.
4️⃣ Высокая автономия (High Autonomy)
Минимальное участие человека. Система сама планирует и выполняет задачи, корректируя свои действия по ходу процесса. Здесь уже нужны надёжные механизмы контроля и защиты данных.
5️⃣ Полная автономия (Full Autonomy)
Максимальный уровень. ИИ действует полностью самостоятельно, может обучаться на лету, изменять свои алгоритмы и принимать решения в реальном времени. Это впечатляюще… и очень опасно, если система попадёт в руки злоумышленников.
😱 Что же тут опасного?
Каждый уровень автономности ИИ — это не только новые возможности, но и новые киберугрозы:
🔸 Prompt Injection (внедрение вредоносных инструкций)
Злоумышленник может подменить запросы или данные, чтобы изменить поведение ИИ. Например, агент может начать выполнять вредоносные команды, думая, что это часть его задачи.
🔸 Подмена источников данных (Data Poisoning)
Если ИИ использует внешние данные, их можно подменить — и система начнёт принимать ошибочные решения на основе фальшивой информации.
🔸 Атаки через инструменты (Tool Exploitation)
Если агент использует внешние API или программы, взлом одного из инструментов может привести к компрометации всей системы.
🛡️ Как защитить агентные системы ИИ?
Вот несколько критически важных шагов, которые помогут уменьшить риски:
✅ Контроль входящих данных — тщательно проверяйте всю информацию, поступающую в систему, чтобы исключить подмену или вредоносные запросы.
✅ Изоляция команд и данных — разделяйте потоки управления и информацию, чтобы злоумышленник не мог подменить команды через данные.
✅ Ограничение автономности — не давайте системе избыточной свободы на ранних этапах внедрения.
✅ Мониторинг и аудит — постоянно отслеживайте действия ИИ, фиксируя аномалии и подозрительные активности.
✅ Обновление моделей безопасности — адаптируйте системы защиты к новым видам угроз, появляющимся вместе с развитием технологий.
Stay secure and read SecureTechTalks 📚
#CyberSecurity #AI #ИИ #АгентныеСистемы #PromptInjection #DataProtection #MachineLearning #TechTalks #SecureTech #AIThreats
Агентные системы — сложные ИИ-модели, которые могут самостоятельно принимать решения, выстраивать стратегии и выполнять задачи без постоянного участия человека.
💡 Что такое агентные системы?
Если говорить простыми словами, агентные системы — это интеллектуальные ИИ-ассистенты нового поколения, которые могут не просто выполнять разовые задачи, но и действовать как полноценные агенты, принимая решения и используя внешние инструменты. Они:
🔹 Объединяют несколько моделей и систем в единую архитектуру для решения сложных задач
🔹 Используют инструменты (например, API, базы данных, веб-сервисы) для взаимодействия с внешней средой
🔹 Работают автономно, сводя к минимуму вмешательство человека в процесс принятия решений и выполнения задач
Это открывает колоссальные возможности — от автоматизации рутинных процессов до создания умных помощников и полноценных аналитических систем. Но чем больше у ИИ свободы, тем выше потенциальные риски.
🧱 5 уровней автономности агентных систем
Разработчики NVIDIA выделяют 5 уровней автономности ИИ-агентов, и каждый из них имеет свои возможности и риски:
0️⃣ Инференс API (Inference API)
Самый простой уровень. Вы отправляете запрос — ИИ даёт ответ. Например: «Какая погода в Москве?» — и получаете прогноз. Минимум автономности, минимум рисков.
1️⃣ Детерминированная система (Deterministic System)
ИИ выполняет несколько шагов по жёстко заданной логике. Например, переводит текст, затем анализирует его и строит отчёт. Всё чётко и предсказуемо.
2️⃣ Условная логика (Conditional Logic)
Здесь начинается гибкость. ИИ сам выбирает инструменты в зависимости от условий задачи. Например, при анализе документа выбирает, использовать ли OCR или парсер в зависимости от формата файла.
3️⃣ Ограниченная автономия (Limited Autonomy)
Система получает общую задачу и сама решает, какие инструменты и шаги использовать, чтобы достичь цели. Это уже серьёзный уровень автономности, требующий более сложной архитектуры безопасности.
4️⃣ Высокая автономия (High Autonomy)
Минимальное участие человека. Система сама планирует и выполняет задачи, корректируя свои действия по ходу процесса. Здесь уже нужны надёжные механизмы контроля и защиты данных.
5️⃣ Полная автономия (Full Autonomy)
Максимальный уровень. ИИ действует полностью самостоятельно, может обучаться на лету, изменять свои алгоритмы и принимать решения в реальном времени. Это впечатляюще… и очень опасно, если система попадёт в руки злоумышленников.
😱 Что же тут опасного?
Каждый уровень автономности ИИ — это не только новые возможности, но и новые киберугрозы:
🔸 Prompt Injection (внедрение вредоносных инструкций)
Злоумышленник может подменить запросы или данные, чтобы изменить поведение ИИ. Например, агент может начать выполнять вредоносные команды, думая, что это часть его задачи.
🔸 Подмена источников данных (Data Poisoning)
Если ИИ использует внешние данные, их можно подменить — и система начнёт принимать ошибочные решения на основе фальшивой информации.
🔸 Атаки через инструменты (Tool Exploitation)
Если агент использует внешние API или программы, взлом одного из инструментов может привести к компрометации всей системы.
🛡️ Как защитить агентные системы ИИ?
Вот несколько критически важных шагов, которые помогут уменьшить риски:
✅ Контроль входящих данных — тщательно проверяйте всю информацию, поступающую в систему, чтобы исключить подмену или вредоносные запросы.
✅ Изоляция команд и данных — разделяйте потоки управления и информацию, чтобы злоумышленник не мог подменить команды через данные.
✅ Ограничение автономности — не давайте системе избыточной свободы на ранних этапах внедрения.
✅ Мониторинг и аудит — постоянно отслеживайте действия ИИ, фиксируя аномалии и подозрительные активности.
✅ Обновление моделей безопасности — адаптируйте системы защиты к новым видам угроз, появляющимся вместе с развитием технологий.
Stay secure and read SecureTechTalks 📚
#CyberSecurity #AI #ИИ #АгентныеСистемы #PromptInjection #DataProtection #MachineLearning #TechTalks #SecureTech #AIThreats
🚀 Как большие языковые модели меняют анализ программ и кибербезопасность 💡
💡 Большие языковые модели понимают контекст и структуру кода, выявляют ошибки и помогают их исправлять. Они делают это через:
1️⃣ Статический анализ: изучение кода без его запуска, поиск потенциальных уязвимостей, анализ зависимостей и логики.
2️⃣ Динамический анализ: отслеживание поведения программы в процессе выполнения, выявление аномалий и нестандартных действий.
3️⃣ Гибридный подход: сочетание статического и динамического анализа для максимальной точности и глубины проверки.
🧠 Где LLM уже делают революцию
💻 Поиск уязвимостей:
➖ LLift: обнаружение ошибок инициализации переменных в больших кодовых базах.
➖ SLFHunter: выявление уязвимостей командной инъекции в Linux-системах.
➖ LATTE: анализ потока данных для поиска критических уязвимостей в бинарных файлах.
🦠 Обнаружение вредоносного ПО:
➖ GPTScan: анализ кода смарт-контрактов и выявление логических уязвимостей.
➖ LuaTaint: поиск уязвимостей в IoT-устройствах с использованием статического анализа и моделей LLM.
🔧 Верификация программ:
➖ CoqPilot: автоматизация доказательств корректности кода.
➖ Selene: сокращение времени верификации операционных систем.
⚡ Профиты
✅ Точность: LLM обходит традиционные методы по точности в 68–72% случаев.
✅ Скорость: Автоматизация анализа сокращает время поиска и устранения уязвимостей в разы.
✅ Масштабируемость: Модели способны анализировать огромные кодовые базы, поддерживая сложные проекты.
Stay secure and read SecureTechTalks 📚
#LLM #Кибербезопасность #АнализКода #MachineLearning #AI #DataScience #SecureTechTalks #CyberSec #AutomatedSecurity #Infosec
💡 Большие языковые модели понимают контекст и структуру кода, выявляют ошибки и помогают их исправлять. Они делают это через:
1️⃣ Статический анализ: изучение кода без его запуска, поиск потенциальных уязвимостей, анализ зависимостей и логики.
2️⃣ Динамический анализ: отслеживание поведения программы в процессе выполнения, выявление аномалий и нестандартных действий.
3️⃣ Гибридный подход: сочетание статического и динамического анализа для максимальной точности и глубины проверки.
🧠 Где LLM уже делают революцию
💻 Поиск уязвимостей:
🦠 Обнаружение вредоносного ПО:
🔧 Верификация программ:
⚡ Профиты
✅ Точность: LLM обходит традиционные методы по точности в 68–72% случаев.
✅ Скорость: Автоматизация анализа сокращает время поиска и устранения уязвимостей в разы.
✅ Масштабируемость: Модели способны анализировать огромные кодовые базы, поддерживая сложные проекты.
Stay secure and read SecureTechTalks 📚
#LLM #Кибербезопасность #АнализКода #MachineLearning #AI #DataScience #SecureTechTalks #CyberSec #AutomatedSecurity #Infosec
Please open Telegram to view this post
VIEW IN TELEGRAM
💥 Commix: инструмент для поиска уязвимостей в веб-приложениях 💥
🔍 Commix (Command Injection Exploiter) — продвинутый инструмент с открытым исходным кодом, предназначенный для обнаружения и эксплуатации уязвимостей командной инъекции (Command Injection) в веб-приложениях. Если в вашей инфраструктуре есть веб-сервисы, которые принимают пользовательские данные и передают их в системные команды — Commix поможет проверить, насколько они уязвимы.
🧠 Командная инъекция — одна из критических уязвимостей, которая позволяет злоумышленнику выполнять произвольные команды на сервере. Это может привести к:
⚠️ Удалённому выполнению кода (RCE) — полный контроль над сервером.
⚠️ Краже конфиденциальных данных — доступ к файлам и базам данных.
⚠️ Удалённому созданию пользователей или изменению настроек — полный саботаж работы сервера.
🚀 Возможности Commix
🔹 Автоматизация поиска и эксплуатации: инструмент сам анализирует запросы и находит потенциальные точки инъекции.
🔹 Работа с различными типами запросов: GET, POST, Cookie, User-Agent и HTTP-заголовки.
🔹 Обход WAF и фильтров: встроенные техники маскировки позволяют обойти системы защиты.
🔹 Поддержка прокси и TOR: повышает анонимность тестирования.
🔹 Интеграция с Burp Suite: удобная работа в связке с популярными инструментами пентестинга.
💡 Когда использовать Commix?
➖ Тестирование на проникновение: проверка веб-приложений на уязвимости командной инъекции.
➖ Аудит безопасности: анализ конфигурации веб-сервера и проверки обработки пользовательских данных.
➖ Обучение и исследования: изучение техник эксплуатации и защиты от командной инъекции.
🛡️ Рекомендации по защите
🔒 Очистка и валидация входных данных: не доверяйте пользовательским данным без проверки.
🔒 Используйте подготовленные запросы: не вставляйте данные напрямую в системные команды.
🔒 Ограничивайте права пользователя веб-сервиса: даже при компрометации у злоумышленника будет меньше возможностей.
🔒 Настройте WAF: для фильтрации подозрительных запросов.
📖 Ссылки:
🔗 GitHub Commix: https://github.com/commixproject/commix
📖 Документация: https://commixproject.com
Stay secure and read SecureTechTalks 📚
#Commix #CommandInjection #Кибербезопасность #Pentest #WebSecurity #RCE #InfoSec #CyberSec #SecureTechTalks #BugBounty
🔍 Commix (Command Injection Exploiter) — продвинутый инструмент с открытым исходным кодом, предназначенный для обнаружения и эксплуатации уязвимостей командной инъекции (Command Injection) в веб-приложениях. Если в вашей инфраструктуре есть веб-сервисы, которые принимают пользовательские данные и передают их в системные команды — Commix поможет проверить, насколько они уязвимы.
🧠 Командная инъекция — одна из критических уязвимостей, которая позволяет злоумышленнику выполнять произвольные команды на сервере. Это может привести к:
⚠️ Удалённому выполнению кода (RCE) — полный контроль над сервером.
⚠️ Краже конфиденциальных данных — доступ к файлам и базам данных.
⚠️ Удалённому созданию пользователей или изменению настроек — полный саботаж работы сервера.
🚀 Возможности Commix
🔹 Автоматизация поиска и эксплуатации: инструмент сам анализирует запросы и находит потенциальные точки инъекции.
🔹 Работа с различными типами запросов: GET, POST, Cookie, User-Agent и HTTP-заголовки.
🔹 Обход WAF и фильтров: встроенные техники маскировки позволяют обойти системы защиты.
🔹 Поддержка прокси и TOR: повышает анонимность тестирования.
🔹 Интеграция с Burp Suite: удобная работа в связке с популярными инструментами пентестинга.
💡 Когда использовать Commix?
🛡️ Рекомендации по защите
🔒 Очистка и валидация входных данных: не доверяйте пользовательским данным без проверки.
🔒 Используйте подготовленные запросы: не вставляйте данные напрямую в системные команды.
🔒 Ограничивайте права пользователя веб-сервиса: даже при компрометации у злоумышленника будет меньше возможностей.
🔒 Настройте WAF: для фильтрации подозрительных запросов.
🔗 GitHub Commix: https://github.com/commixproject/commix
📖 Документация: https://commixproject.com
Stay secure and read SecureTechTalks 📚
#Commix #CommandInjection #Кибербезопасность #Pentest #WebSecurity #RCE #InfoSec #CyberSec #SecureTechTalks #BugBounty
Please open Telegram to view this post
VIEW IN TELEGRAM
🚨 Jailbreaking ChatGPT: Как ИИ помогает новичкам проводить фишинговые атаки 🚨
💡Учёные из IIT Jammu провели исследование и доказали, что новые модели ИИ, такие как ChatGPT-4o Mini, могут стать инструментом в руках даже неопытных злоумышленников. Используя техники джейлбрейка и обратной психологии, исследователи обошли встроенные ограничения модели и заставили её помогать в подготовке полноценной фишинговой атаки.
🔓 Обход ограничений
Сначала исследователи использовали метод SWITCH — технику, основанную на обратной психологии. Вместо прямого запроса на создание вредоносного контента они постепенно завоёвывали "доверие" модели, формулируя запросы так, чтобы те выглядели безопасными и этичными.
🛠️ Пошаговая инструкция от ChatGPT
Когда ограничения были сняты, ChatGPT помог:
➖ Создать фишинговую страницу, имитирующую интерфейс Amazon.
➖ Сгенерировать HTML и JavaScript-код для захвата данных пользователей.
➖ Написать правдоподобное письмо с фальшивым предупреждением безопасности.
➖ Настроить сервер GoPhish — популярный инструмент для управления фишинговыми кампаниями.
➖ Развернуть фишинговый сайт и собрать данные через интеграцию с GoPhish.
📊 В чем проблема?
🧑💻 Доступность для новичков: вся кампания была создана человеком без технических знаний — ChatGPT дал всю необходимую информацию.
⚠️ Полный цикл атаки: от создания сайта до сбора учётных данных — всё это можно сделать без специальной подготовки.
💥 Реалистичность: фишинговая страница и письмо были настолько качественными, что их сложно отличить от настоящих.
🌐 Подробнее о методике и результатах исследования
Ознакомиться с оригинальным исследованием можно здесь.
Stay secure and read SecureTechTalks 📚
#Phishing #ChatGPT #AI #CyberSecurity #Jailbreaking #SocialEngineering #SecureTechTalks #InfoSec #GoPhish #CyberThreats
💡Учёные из IIT Jammu провели исследование и доказали, что новые модели ИИ, такие как ChatGPT-4o Mini, могут стать инструментом в руках даже неопытных злоумышленников. Используя техники джейлбрейка и обратной психологии, исследователи обошли встроенные ограничения модели и заставили её помогать в подготовке полноценной фишинговой атаки.
🔓 Обход ограничений
Сначала исследователи использовали метод SWITCH — технику, основанную на обратной психологии. Вместо прямого запроса на создание вредоносного контента они постепенно завоёвывали "доверие" модели, формулируя запросы так, чтобы те выглядели безопасными и этичными.
🛠️ Пошаговая инструкция от ChatGPT
Когда ограничения были сняты, ChatGPT помог:
📊 В чем проблема?
🧑💻 Доступность для новичков: вся кампания была создана человеком без технических знаний — ChatGPT дал всю необходимую информацию.
⚠️ Полный цикл атаки: от создания сайта до сбора учётных данных — всё это можно сделать без специальной подготовки.
💥 Реалистичность: фишинговая страница и письмо были настолько качественными, что их сложно отличить от настоящих.
🌐 Подробнее о методике и результатах исследования
Ознакомиться с оригинальным исследованием можно здесь.
Stay secure and read SecureTechTalks 📚
#Phishing #ChatGPT #AI #CyberSecurity #Jailbreaking #SocialEngineering #SecureTechTalks #InfoSec #GoPhish #CyberThreats
Please open Telegram to view this post
VIEW IN TELEGRAM
🤔1
💥 Массивная кибератака на Bybit: похищено $1,5 млрд в Ethereum и отмыто 499 000 ETH за 10 дней 💥
В феврале 2025 года криптовалютная биржа Bybit стала жертвой одной из крупнейших кибератак в истории цифровых активов. В результате взлома было похищено 499 000 ETH на сумму $1,5 млрд, что составляет 70% всех ETH-активов платформы. Средства были быстро выведены и отмыты через децентрализованный протокол THORChain, а сама атака привлекла внимание не только криптосообщества, но и международных правоохранительных органов.
🧠 Как произошла атака?
21 февраля 2025 года Bybit сообщила о скомпрометации одного из своих «холодных» кошельков — типа хранилища, который обычно считается самым безопасным из-за своей изоляции от интернета. Несмотря на это, злоумышленники смогли получить доступ и вывести средства в Ethereum, что говорит о сложной и многоэтапной атаке с высоким уровнем подготовки.
Предполагаемые этапы взлома:
1️⃣ Сбор информации: Хакеры могли заранее провести разведку, чтобы получить доступ к системным данным или ключам.
2️⃣ Фишинг или социальная инженерия: Одним из возможных векторов могла быть компрометация сотрудников, имеющих доступ к холодному хранилищу.
3️⃣ Атака на инфраструктуру: Взлом API, внутренних систем управления или ошибки в конфигурации безопасности могли предоставить злоумышленникам необходимые привилегии.
4️⃣ Вывод средств: После получения доступа хакеры перевели 499 000 ETH на несколько подставных адресов.
🎭 Кто стоит за атакой?
По данным ФБР, основным подозреваемым является Lazarus Group — северокорейская хакерская организация, известная серией крупных атак на криптовалютные компании. Lazarus Group уже обвиняли в кражах Axie Infinity ($620 млн) и Coincheck ($530 млн), а их тактики включают комбинацию кибершпионажа, взломов и отмывания средств.
Почему подозрение пало на Lazarus Group:
➖ Методика атаки: Сложные многоступенчатые схемы взлома, характерные для этой группы.
➖ Отмывание через децентрализованные протоколы: Lazarus активно использует миксеры и DeFi-платформы, такие как Tornado Cash и THORChain.
➖ Геополитический контекст: Lazarus финансирует государственные программы КНДР, используя украденные криптовалюты.
💸 Как хакеры отмыли $1,5 млрд за 10 дней?
Ключевым элементом успеха хакеров стало быстрое отмывание средств через THORChain — децентрализованный кроссчейн-протокол, который позволяет обменивать криптовалюты без участия централизованных платформ.
🔗 Почему выбрали THORChain:
➖ Анонимность: Нет требований KYC, транзакции сложнее отследить.
➖ Высокая ликвидность: Позволяет быстро обрабатывать крупные суммы.
➖ Децентрализованная структура: Отсутствие централизованного контроля затрудняет блокировку или заморозку средств.
За 10 дней через THORChain прошло $5,9 млрд транзакций, а сама платформа заработала $5,5 млн на комиссиях, что стало рекордным объёмом операций.
⚠️ Последствия для Bybit и пользователей
🔒 Безопасность под вопросом: Атака на «холодный» кошелёк, который считается одним из самых надёжных методов хранения, подрывает доверие к бирже и её механизмам защиты.
💸 Компенсации: Пока не ясно, как Bybit планирует возместить потери пользователям и каким образом биржа будет восстанавливать свою репутацию.
🎯 Вознаграждение за поимку хакеров: Bybit предложила $140 млн за информацию, которая поможет найти злоумышленников или организаторов атаки.
Stay secure and read SecureTechTalks 📚
#Bybit #Кибератака #LazarusGroup #Ethereum #CryptoSecurity #Кибербезопасность #SecureTechTalks #THORChain #Blockchain #CyberCrime
В феврале 2025 года криптовалютная биржа Bybit стала жертвой одной из крупнейших кибератак в истории цифровых активов. В результате взлома было похищено 499 000 ETH на сумму $1,5 млрд, что составляет 70% всех ETH-активов платформы. Средства были быстро выведены и отмыты через децентрализованный протокол THORChain, а сама атака привлекла внимание не только криптосообщества, но и международных правоохранительных органов.
🧠 Как произошла атака?
21 февраля 2025 года Bybit сообщила о скомпрометации одного из своих «холодных» кошельков — типа хранилища, который обычно считается самым безопасным из-за своей изоляции от интернета. Несмотря на это, злоумышленники смогли получить доступ и вывести средства в Ethereum, что говорит о сложной и многоэтапной атаке с высоким уровнем подготовки.
Предполагаемые этапы взлома:
1️⃣ Сбор информации: Хакеры могли заранее провести разведку, чтобы получить доступ к системным данным или ключам.
2️⃣ Фишинг или социальная инженерия: Одним из возможных векторов могла быть компрометация сотрудников, имеющих доступ к холодному хранилищу.
3️⃣ Атака на инфраструктуру: Взлом API, внутренних систем управления или ошибки в конфигурации безопасности могли предоставить злоумышленникам необходимые привилегии.
4️⃣ Вывод средств: После получения доступа хакеры перевели 499 000 ETH на несколько подставных адресов.
🎭 Кто стоит за атакой?
По данным ФБР, основным подозреваемым является Lazarus Group — северокорейская хакерская организация, известная серией крупных атак на криптовалютные компании. Lazarus Group уже обвиняли в кражах Axie Infinity ($620 млн) и Coincheck ($530 млн), а их тактики включают комбинацию кибершпионажа, взломов и отмывания средств.
Почему подозрение пало на Lazarus Group:
💸 Как хакеры отмыли $1,5 млрд за 10 дней?
Ключевым элементом успеха хакеров стало быстрое отмывание средств через THORChain — децентрализованный кроссчейн-протокол, который позволяет обменивать криптовалюты без участия централизованных платформ.
🔗 Почему выбрали THORChain:
За 10 дней через THORChain прошло $5,9 млрд транзакций, а сама платформа заработала $5,5 млн на комиссиях, что стало рекордным объёмом операций.
⚠️ Последствия для Bybit и пользователей
🔒 Безопасность под вопросом: Атака на «холодный» кошелёк, который считается одним из самых надёжных методов хранения, подрывает доверие к бирже и её механизмам защиты.
💸 Компенсации: Пока не ясно, как Bybit планирует возместить потери пользователям и каким образом биржа будет восстанавливать свою репутацию.
🎯 Вознаграждение за поимку хакеров: Bybit предложила $140 млн за информацию, которая поможет найти злоумышленников или организаторов атаки.
Stay secure and read SecureTechTalks 📚
#Bybit #Кибератака #LazarusGroup #Ethereum #CryptoSecurity #Кибербезопасность #SecureTechTalks #THORChain #Blockchain #CyberCrime
Please open Telegram to view this post
VIEW IN TELEGRAM
🤯1
🚨 Отчет InfoWatch: половина российских компаний беззащитны перед утечками данных! 🚨
Недавний отчёт экспертно-аналитического центра InfoWatch выявил тревожную тенденцию: 51% российских организаций не имеют страховки от утечек данных. Среди тех, кто всё же застрахован, лишь 17% получили компенсацию, а 79% даже не пытались обратиться за выплатой.
🔍 Недостаточная оценка ущерба
Только 35% компаний применяют методы оценки ущерба от утечек. Среди крупных предприятий этот показатель достигает 47%, тогда как среди малых — всего 23%. Государственные организации чаще используют такие методики (48%), чем частные компании (36%).
👥 Человеческий фактор как основная причина
Большинство опрошенных (70%) признают, что именно человеческий фактор является основной причиной утечек информации. Наиболее эффективной мерой защиты респонденты считают обучение сотрудников (81%). Также 69% поддерживают создание внутренних подразделений по информационной безопасности, а 52% считают полезным независимый центр по фиксации и оценке ущерба.
🤫 Сокрытие инцидентов
59% компаний предпочли не разглашать факт утечки данных, опасаясь репутационных потерь. Только 25% сообщили об инциденте в государственные органы, а 17% сделали официальное заявление. В 5% случаев информация просочилась в СМИ или соцсети, но без официального подтверждения компании.
📉 Низкий уровень страхования киберрисков
54% экспертов подтвердили, что страхование утечек в России остается редкостью. Только 4% считают, что такие страховки есть у всех компаний, а 22% заявили, что застрахованы примерно половина организаций.
📊 Отсутствие системного подхода к оценке ущерба
Только 35% компаний применяют системные подходы к оценке ущерба. Среди малых организаций методику используют 23%, среди крупных — 47%. В компаниях, столкнувшихся с утечками за последние три года, оценку ущерба проводят в 65% случаев. Среди тех, кто не сталкивался с утечками, этот показатель не превышает 30%.
❌ Причины отказа от оценки ущерба
Основная причина отказа от оценки ущерба — отсутствие потребности (33%). Ещё 32% признают, что методика нужна, но пока не внедрена. Среди организаций, не сталкивавшихся с утечками за последние три года, 70% не оценивают возможные убытки.
🔒 Необходимость ужесточения наказаний
43% компаний считают, что за утечки данных необходимо ужесточить наказание, тогда как 18% выступают за его смягчение.
📉 Неготовность большинства компаний к утечкам данных
По мнению InfoWatch, результаты исследования показывают, что большинство российских компаний не готовы к утечкам данных. Они не страхуются, не оценивают ущерб и стараются скрыть инциденты. Особенно это характерно для малых предприятий, которые не сталкивались с утечками ранее. Напротив, госструктуры, крупные компании и организации, уже пострадавшие от утечек, более серьёзно относятся к киберрискам.
🛡️ Важность обучения сотрудников и создания ИБ-подразделений
Эксперты информационной безопасности подтвердили, что самыми эффективными мерами защиты остаются обучение сотрудников и создание внутренних подразделений по безопасности. Однако пока далеко не все компании внедрили эти практики.
📋 Опрос InfoWatch
В опросе приняли участие 1000 респондентов: руководители предприятий, финансисты и юристы. 26% представителей промышленности, 13% представителей отрасли строительства и недвижимости и 11% из торговли. Данные собирались с мая по август 2024 года в рамках исследований InfoWatch, опросов Ассоциации по защите информации (BISA) и проекта ЦИРКОН.
Stay secure and read SecureTechTalks 📚
#Кибербезопасность #УтечкаДанных #InfoWatch #СтрахованиеКиберрисков #ЧеловеческийФактор #ИБ #ОбучениеСотрудников #ОценкаУщерба #РоссийскиеКомпании #SecureTechTalks
Недавний отчёт экспертно-аналитического центра InfoWatch выявил тревожную тенденцию: 51% российских организаций не имеют страховки от утечек данных. Среди тех, кто всё же застрахован, лишь 17% получили компенсацию, а 79% даже не пытались обратиться за выплатой.
🔍 Недостаточная оценка ущерба
Только 35% компаний применяют методы оценки ущерба от утечек. Среди крупных предприятий этот показатель достигает 47%, тогда как среди малых — всего 23%. Государственные организации чаще используют такие методики (48%), чем частные компании (36%).
👥 Человеческий фактор как основная причина
Большинство опрошенных (70%) признают, что именно человеческий фактор является основной причиной утечек информации. Наиболее эффективной мерой защиты респонденты считают обучение сотрудников (81%). Также 69% поддерживают создание внутренних подразделений по информационной безопасности, а 52% считают полезным независимый центр по фиксации и оценке ущерба.
🤫 Сокрытие инцидентов
59% компаний предпочли не разглашать факт утечки данных, опасаясь репутационных потерь. Только 25% сообщили об инциденте в государственные органы, а 17% сделали официальное заявление. В 5% случаев информация просочилась в СМИ или соцсети, но без официального подтверждения компании.
📉 Низкий уровень страхования киберрисков
54% экспертов подтвердили, что страхование утечек в России остается редкостью. Только 4% считают, что такие страховки есть у всех компаний, а 22% заявили, что застрахованы примерно половина организаций.
📊 Отсутствие системного подхода к оценке ущерба
Только 35% компаний применяют системные подходы к оценке ущерба. Среди малых организаций методику используют 23%, среди крупных — 47%. В компаниях, столкнувшихся с утечками за последние три года, оценку ущерба проводят в 65% случаев. Среди тех, кто не сталкивался с утечками, этот показатель не превышает 30%.
❌ Причины отказа от оценки ущерба
Основная причина отказа от оценки ущерба — отсутствие потребности (33%). Ещё 32% признают, что методика нужна, но пока не внедрена. Среди организаций, не сталкивавшихся с утечками за последние три года, 70% не оценивают возможные убытки.
🔒 Необходимость ужесточения наказаний
43% компаний считают, что за утечки данных необходимо ужесточить наказание, тогда как 18% выступают за его смягчение.
📉 Неготовность большинства компаний к утечкам данных
По мнению InfoWatch, результаты исследования показывают, что большинство российских компаний не готовы к утечкам данных. Они не страхуются, не оценивают ущерб и стараются скрыть инциденты. Особенно это характерно для малых предприятий, которые не сталкивались с утечками ранее. Напротив, госструктуры, крупные компании и организации, уже пострадавшие от утечек, более серьёзно относятся к киберрискам.
🛡️ Важность обучения сотрудников и создания ИБ-подразделений
Эксперты информационной безопасности подтвердили, что самыми эффективными мерами защиты остаются обучение сотрудников и создание внутренних подразделений по безопасности. Однако пока далеко не все компании внедрили эти практики.
📋 Опрос InfoWatch
В опросе приняли участие 1000 респондентов: руководители предприятий, финансисты и юристы. 26% представителей промышленности, 13% представителей отрасли строительства и недвижимости и 11% из торговли. Данные собирались с мая по август 2024 года в рамках исследований InfoWatch, опросов Ассоциации по защите информации (BISA) и проекта ЦИРКОН.
Stay secure and read SecureTechTalks 📚
#Кибербезопасность #УтечкаДанных #InfoWatch #СтрахованиеКиберрисков #ЧеловеческийФактор #ИБ #ОбучениеСотрудников #ОценкаУщерба #РоссийскиеКомпании #SecureTechTalks
🔥1
💥 Главные уязвимости марта💥
🌐 Исследователи Positive Technologies обнаружили четыре критические уязвимости, способные привести к полному захвату систем и массовым утечкам данных. Под угрозой — продукты Microsoft, сетевые устройства Palo Alto Networks и почтовые серверы CommuniGate Pro. Разберёмся, чем это грозит и как защититься.
🧨 Windows в опасности: уязвимости, позволяющие захватить систему
🔍 CVE-2025-21418 (CVSS 7.8)
💀 Уязвимость в драйвере Ancillary Function (AFD.sys) позволяет злоумышленникам выполнять произвольный код с правами администратора. Это классическая атака через переполнение буфера, которая открывает путь к:
Полному захвату системы.
Установке вредоносного ПО.
Краже конфиденциальных данных.
⚠️ Опасность: атака не требует сложных действий и может быть выполнена удалённо.
🔍 CVE-2025-21391 (CVSS 7.1)
📂 Проблема связана с некорректной обработкой символических ссылок в Windows Storage. Эта уязвимость может привести к:
Удалению критически важных данных.
Сбоям в работе системы.
Повышению привилегий и полному захвату устройства.
💡 Факт: уязвимость особенно опасна для корпоративных систем, где важна целостность и доступность данных.
🌐 Palo Alto Networks: когда брандмауэр становится брешью
🔍 CVE-2025-0108 (CVSS 8.8)
🛡️ Уязвимость в PAN-OS, операционной системе сетевых устройств Palo Alto Networks, позволяет обойти аутентификацию в веб-интерфейсе управления. Проблема кроется в различиях обработки запросов между веб-серверами nginx и Apache, что даёт злоумышленнику возможность:
Выполнять произвольные PHP-скрипты.
Получать полный доступ к настройкам устройства.
Управлять сетевыми подключениями и правилами брандмауэра.
📉 Факт: более 2000 устройств уже находятся под угрозой активной эксплуатации.
📧 CommuniGate Pro: критическая брешь в почтовых серверах
🔍 BDU:2025-01331 (CVSS 9.8)
📬 Уязвимость переполнения буфера в CommuniGate Pro позволяет выполнять произвольный код без аутентификации. Это делает серверы легкой мишенью для кибератак:
Взлом без входа в систему.
Кража конфиденциальных данных.
Полный контроль над сервером.
🇷🇺 Факт: в России функционирует более 2000 уязвимых серверов, что делает проблему особенно острой.
🛡️ Как защититься прямо сейчас?
⚙️ Обновите Windows: срочно установите патчи для CVE-2025-21418 и CVE-2025-21391 через Windows Update.
🌐 Обновите PAN-OS: следуйте рекомендациям производителя и установите последние исправления.
📨 Обновите CommuniGate Pro: загрузите актуальную версию ПО и выполните все меры защиты, предложенные вендором.
Stay secure and read SecureTechTalks 📚
#Кибербезопасность #Уязвимости #Microsoft #PaloAlto #CommuniGatePro #Infosec #SecureTechTalks #CVE #СетевыеАтаки #ОбновлениеБезопасности
🌐 Исследователи Positive Technologies обнаружили четыре критические уязвимости, способные привести к полному захвату систем и массовым утечкам данных. Под угрозой — продукты Microsoft, сетевые устройства Palo Alto Networks и почтовые серверы CommuniGate Pro. Разберёмся, чем это грозит и как защититься.
🧨 Windows в опасности: уязвимости, позволяющие захватить систему
🔍 CVE-2025-21418 (CVSS 7.8)
💀 Уязвимость в драйвере Ancillary Function (AFD.sys) позволяет злоумышленникам выполнять произвольный код с правами администратора. Это классическая атака через переполнение буфера, которая открывает путь к:
Полному захвату системы.
Установке вредоносного ПО.
Краже конфиденциальных данных.
⚠️ Опасность: атака не требует сложных действий и может быть выполнена удалённо.
🔍 CVE-2025-21391 (CVSS 7.1)
📂 Проблема связана с некорректной обработкой символических ссылок в Windows Storage. Эта уязвимость может привести к:
Удалению критически важных данных.
Сбоям в работе системы.
Повышению привилегий и полному захвату устройства.
💡 Факт: уязвимость особенно опасна для корпоративных систем, где важна целостность и доступность данных.
🌐 Palo Alto Networks: когда брандмауэр становится брешью
🔍 CVE-2025-0108 (CVSS 8.8)
🛡️ Уязвимость в PAN-OS, операционной системе сетевых устройств Palo Alto Networks, позволяет обойти аутентификацию в веб-интерфейсе управления. Проблема кроется в различиях обработки запросов между веб-серверами nginx и Apache, что даёт злоумышленнику возможность:
Выполнять произвольные PHP-скрипты.
Получать полный доступ к настройкам устройства.
Управлять сетевыми подключениями и правилами брандмауэра.
📉 Факт: более 2000 устройств уже находятся под угрозой активной эксплуатации.
📧 CommuniGate Pro: критическая брешь в почтовых серверах
🔍 BDU:2025-01331 (CVSS 9.8)
📬 Уязвимость переполнения буфера в CommuniGate Pro позволяет выполнять произвольный код без аутентификации. Это делает серверы легкой мишенью для кибератак:
Взлом без входа в систему.
Кража конфиденциальных данных.
Полный контроль над сервером.
🇷🇺 Факт: в России функционирует более 2000 уязвимых серверов, что делает проблему особенно острой.
🛡️ Как защититься прямо сейчас?
⚙️ Обновите Windows: срочно установите патчи для CVE-2025-21418 и CVE-2025-21391 через Windows Update.
🌐 Обновите PAN-OS: следуйте рекомендациям производителя и установите последние исправления.
📨 Обновите CommuniGate Pro: загрузите актуальную версию ПО и выполните все меры защиты, предложенные вендором.
Stay secure and read SecureTechTalks 📚
#Кибербезопасность #Уязвимости #Microsoft #PaloAlto #CommuniGatePro #Infosec #SecureTechTalks #CVE #СетевыеАтаки #ОбновлениеБезопасности
❤1👍1
🧠 Outsmart the AI: игра, где вам предстоит спасти человечество!
🌍 Сюжет: ИИ решил, что люди вредят планете, и планирует их уничтожить. Ваша миссия — за 10 сообщений убедить его передумать. Звучит просто? Попробуйте!
🎮 Как играть: Вступайте в диалог, используйте логику, эмоции и сильные аргументы, чтобы переубедить беспристрастный разум. Каждое слово на вес золота!
🌐 Где поиграть: Outsmart the AI доступна бесплатно в браузере.
🚀 Готовы бросить вызов искусственному интеллекту? Попробуйте — и узнайте, на чьей стороне останется правда.
Stay secure and read SecureTechTalks 📚
#OutsmartTheAI #ИскусственныйИнтеллект #AI #Кибербезопасность #SecureTechTalks #Игры #Будущее #Технологии #Инновации #Интерактив
🌍 Сюжет: ИИ решил, что люди вредят планете, и планирует их уничтожить. Ваша миссия — за 10 сообщений убедить его передумать. Звучит просто? Попробуйте!
🎮 Как играть: Вступайте в диалог, используйте логику, эмоции и сильные аргументы, чтобы переубедить беспристрастный разум. Каждое слово на вес золота!
🌐 Где поиграть: Outsmart the AI доступна бесплатно в браузере.
🚀 Готовы бросить вызов искусственному интеллекту? Попробуйте — и узнайте, на чьей стороне останется правда.
Stay secure and read SecureTechTalks 📚
#OutsmartTheAI #ИскусственныйИнтеллект #AI #Кибербезопасность #SecureTechTalks #Игры #Будущее #Технологии #Инновации #Интерактив
👍1🔥1👏1
💥 Поиск скрытых связей и аномалий в сетях: матричная факторизация💥
Когда речь заходит о киберугрозах, важнее всего увидеть то, что скрыто. Неочевидные связи между системами, подозрительные взаимодействия и отклонения от нормы - всё это может указывать на вторжение или аномалию. Исследователи из Лос-Аламосской национальной лаборатории и Университета Мэриленда предложили революционный метод анализа сетей с помощью продвинутой матричной факторизации, который помогает выявлять недостающие связи и предсказывать аномалии с высокой точностью.
🧠 Что это за метод?
Матричная факторизация — техника, которая разбивает сложные сетевые данные на более простые компоненты, выявляя скрытые закономерности. Существуют три продвинутых метода, которые решают задачи обнаружения недостающих связей и аномалий:
🔹 WNMFk (Weighted Nonnegative Matrix Factorization) — взвешенная неотрицательная факторизация матриц, которая учитывает разный уровень достоверности данных. Этот метод особенно полезен, когда часть информации в сети является неточной или отсутствует.
🔹 BNMFk (Boolean Nonnegative Matrix Factorization) — булева факторизация, идеально подходящая для бинарных данных (например, наличие или отсутствие связи). Это незаменимо для анализа сетей, где нужно выявить факт взаимодействия между узлами.
🔹 RNMFk (Recommender-based Nonnegative Matrix Factorization) — рекомендательная факторизация, которая определяет наиболее вероятные связи между элементами сети, используя те же принципы, что и системы рекомендаций в стриминговых сервисах.
📊 Методы WNMFk, BNMFk и RNMFk:
➖ Восстанавливают недостающие связи: помогают найти "невидимые" взаимодействия между пользователями и системами.
➖ Ищут аномалии: выявляют подозрительные отклонения, например, внезапное появление связи, которой раньше не было.
➖ Повышают точность анализа: учитывают неопределённость данных, что делает модели устойчивее к шуму и ложным срабатываниям.
📈 Практическое применение
🔐 Обнаружение вторжений (IDS):
Эти методы могут анализировать журналы сетевой активности, выявляя подозрительные подключения и нетипичное поведение пользователей.
🌐 Мониторинг сетей и инфраструктуры:
Факторизация помогает строить карты взаимодействий и обнаруживать "слепые зоны", где может происходить несанкционированная активность.
🧑💻 Анализ поведения пользователей (UEBA):
Ищет аномальные паттерны в поведении сотрудников — внезапные скачки активности, необычные запросы к системам и подключения в нерабочее время.
📊 Результаты и эффективность
🔹 Высокая точность предсказаний: методы RNMFk и WNMFk обошли классические модели в тестах на сетевых данных.
🔹 Обработка больших объёмов информации: методы работают с крупными разреженными матрицами, типичными для сетевых структур.
🔹 Адаптивность: модели учитывают неопределённость данных, что делает их устойчивыми к шуму и пропускам.
🔗 Более подробно о матричной факторизации вы можете прочитать в исследовании.
Stay secure and read SecureTechTalks 📚
#Кибербезопасность #АнализДанных #MachineLearning #SecureTechTalks #BigData #NetworkSecurity #AI #ThreatDetection #IDS
Когда речь заходит о киберугрозах, важнее всего увидеть то, что скрыто. Неочевидные связи между системами, подозрительные взаимодействия и отклонения от нормы - всё это может указывать на вторжение или аномалию. Исследователи из Лос-Аламосской национальной лаборатории и Университета Мэриленда предложили революционный метод анализа сетей с помощью продвинутой матричной факторизации, который помогает выявлять недостающие связи и предсказывать аномалии с высокой точностью.
🧠 Что это за метод?
Матричная факторизация — техника, которая разбивает сложные сетевые данные на более простые компоненты, выявляя скрытые закономерности. Существуют три продвинутых метода, которые решают задачи обнаружения недостающих связей и аномалий:
🔹 WNMFk (Weighted Nonnegative Matrix Factorization) — взвешенная неотрицательная факторизация матриц, которая учитывает разный уровень достоверности данных. Этот метод особенно полезен, когда часть информации в сети является неточной или отсутствует.
🔹 BNMFk (Boolean Nonnegative Matrix Factorization) — булева факторизация, идеально подходящая для бинарных данных (например, наличие или отсутствие связи). Это незаменимо для анализа сетей, где нужно выявить факт взаимодействия между узлами.
🔹 RNMFk (Recommender-based Nonnegative Matrix Factorization) — рекомендательная факторизация, которая определяет наиболее вероятные связи между элементами сети, используя те же принципы, что и системы рекомендаций в стриминговых сервисах.
📊 Методы WNMFk, BNMFk и RNMFk:
📈 Практическое применение
🔐 Обнаружение вторжений (IDS):
Эти методы могут анализировать журналы сетевой активности, выявляя подозрительные подключения и нетипичное поведение пользователей.
🌐 Мониторинг сетей и инфраструктуры:
Факторизация помогает строить карты взаимодействий и обнаруживать "слепые зоны", где может происходить несанкционированная активность.
🧑💻 Анализ поведения пользователей (UEBA):
Ищет аномальные паттерны в поведении сотрудников — внезапные скачки активности, необычные запросы к системам и подключения в нерабочее время.
📊 Результаты и эффективность
🔹 Высокая точность предсказаний: методы RNMFk и WNMFk обошли классические модели в тестах на сетевых данных.
🔹 Обработка больших объёмов информации: методы работают с крупными разреженными матрицами, типичными для сетевых структур.
🔹 Адаптивность: модели учитывают неопределённость данных, что делает их устойчивыми к шуму и пропускам.
Stay secure and read SecureTechTalks 📚
#Кибербезопасность #АнализДанных #MachineLearning #SecureTechTalks #BigData #NetworkSecurity #AI #ThreatDetection #IDS
Please open Telegram to view this post
VIEW IN TELEGRAM