Pereiti prie turinio
2026 m. lapkričio 19 d., ketvirtadienis
Tenesys AI News
Prenumerata

Kibernetinis saugumas

Pažeidžiamumai, grėsmės ir incidentai, CERT-EU, ENISA, CISA ir NCSC rekomendacijos, AI saugumas ir reguliavimas (NIS2, CRA).

Karšta naujienaKibernetinis saugumas· 🧪 Verta testuoti

„Microsoft“ pristatė „Perception“ – saugumo automatizavimo platformą agentų erai

„Microsoft“ pristatė „Perception“ – saugumo platformą, skirtą suvaldyti rizikas, kylančias dėl dirbtinio intelekto valdomų automatizuotų kibernetinių atakų. Platforma koordinuoja „raudonosios“, „mėlynosios“ ir „žaliosios“ komandų agentus per automatizuotus veiksmų planus, kad aptiktų, ištirtų ir šalintų spragas mašininiu greičiu. Taip pat pristatytos naujos funkcijos, skirtos apsaugoti „agentinius insaiderius“ – autonomiškai veikiančius DI agentus jūsų tinkle.

Microsoft Security

Įrenginio kodo sukčiavimas nukreiptas į DI kodo agentus

„Microsoft“ saugumo tyrėjai ištyrė scenarijų, kuriame užpuolikai naudoja sukčiavimą (phishing), siekdami perimti DI kodo įrankius naudojant „OAuth“ įrenginio kodo srautus. Apgaulės būdu privertus vartotojus patvirtinti autentiškai atrodančią užklausą, užpuolikai gali gauti prieigą prie privačių saugyklų, sesijų istorijos ir valdyti aktyvias komandinės eilutės agentų sesijas.

Microsoft Security
Kibernetinis saugumas· Svarbu· 🧪 Verta testuoti

Kodėl grėsmių paieška yra būtina šiuolaikinei kibernetinei gynybai

NCSC įspėja, kad standartinio saugumo stebėjimo nebepakanka norint aptikti sudėtingus užpuolikus, ypač kai jie naudoja dirbtinį intelektą operacijų greičiui ir mastui didinti. Organizacijos turi pereiti prie proaktyvios grėsmių paieškos, orientuotos į ilgalaikį užpuolikų elgesį (TTP), o ne tik į kintančius kompromitacijos indikatorius.

NCSC UK
Kibernetinis saugumas· Svarbu· 🧪 Verta testuoti

Nauji tyrimai atskleidžia universalias LLM modelių pažeidžiamumo spragas

Tyrėjai pristatė EndoUT – priešininkiško (adversarial) testavimo metodą, skirtą nustatyti universalius užklausų paleidiklius, kurie gali stipriai sumažinti LLM modelių naudingumą. Analizuodami, kaip modifikuotas kontekstas trikdo modelio pradinius atsakymus, užpuolikai gali sukurti fiksuotus simbolių junginius, kurie destabilizuoja modelio veikimą neturint prieigos prie specifinių užduočių ar vertinimo duomenų.

arXiv cs.CL