Common Vulnerabilities and Exposures ID
PulseAugur coverage of Common Vulnerabilities and Exposures ID — every cluster mentioning Common Vulnerabilities and Exposures ID across labs, papers, and developer communities, ranked by signal.
13 天有情绪数据
-
AI助手“幻觉”出程序包名称，带来恶意软件风险
一款AI编码助手向工程师推荐了一个不存在的程序包名称，这种现象被称为“slopsquatting”（恶意注册空名称）。该工程师之所以险些安装恶意软件，是因为他们手动检查了该程序包的注册页面，注意到其缺乏历史记录和下载量。这种漏洞的产生是因为AI模型可能会“幻觉”出程序包名称，攻击者随后可以注册这些名称并植入恶意代码，从而绕过仅检查已知漏洞的传统依赖项扫描工具。
-
新的CTIFoundry语料库脚手架提升LLM代理的网络威胁情报能力
研究人员推出CTIFoundry，一个旨在增强LLM代理在网络威胁情报（CTI）方面能力的新语料库脚手架。该系统通过从CVE、CWE、CAPEC和ATT&CK等权威知识库创建本体图谱，并使用规范实体索引威胁报告来构建CTI数据。CTIFoundry通过专门的工具和技能为代理提供结构化信息访问，从而提高调查的准确性和效率。
-
新的HARP框架使用自适应LLM融合来确定漏洞的优先级
研究人员开发了HARP，一个用于基于用户偏好对通用漏洞和暴露（CVE）进行优先排序的新框架。与假设固定标准的现有系统不同，HARP通过使用历史标记示例来适应隐式操作偏好。该系统利用漏洞知识图谱和多个LLM对候选漏洞进行评分，在各种偏好场景中均表现出卓越的性能。
-
AI加速漏洞利用，网络安全面临“暴露缺口”
网络安全形势正在发生变化，攻击者在补丁可用之前就越来越多地利用漏洞，造成了巨大的“暴露缺口”。虽然对暴露情况的可见性正在提高，但挑战在于优先处理风险最高的漏洞，并在不干扰生产系统的情况下实施修复。分析显示，在关键暴露中，漏洞所占比例急剧增加，这得益于自动化和AI辅助工具。基于经过验证的可利用性而不是警报顺序来优先修复至关重要，而考虑业务影响和现有安全控制的安全修复实践对于在不造成进一步中断的情况下降低风险至关重要。
-
新的VICBench基准评估代码漏洞检测工具 · 已追踪2个来源
研究人员推出了VICBench，一个旨在评估代码漏洞检测工具的新基准。该基准包含100个经过验证的、在Python、Java和C++的88个项目中引入漏洞的提交（VICs），涵盖48种通用弱点枚举（CWE）类型。VICBench的特点是复杂的、真实的漏洞修复及其对应的VICs，这些VICs比先前数据集中的要大得多。使用VICBench进行的评估表明，V-SZZ和LLM4SZZ等当前最先进的算法仅获得中等F1分数，凸显了在自动化漏洞检测…
-
AI驱动的Eclipse插件增强Java代码理解
Comprendia是一款新的Eclipse插件，通过整合结构化依赖可视化和LLM驱动的解释来增强Java代码理解。该工具具有多边类型依赖图、基于新颖的图感知被叫剪枝（GACP）策略的LLM解释、克隆检测叠加层和CVE风险叠加层。GACP确保LLM提示可审计且可追溯到可见的图节点，帮助开发人员理解代码、识别漏洞和重构机会。
-
AI代理URL获取漏洞通过新工具修复
一位开发者创建了一个名为safe-fetch-mcp-server的新工具，以解决AI代理获取URL时存在的关键安全漏洞。这种称为服务器端请求伪造（SSRF）的漏洞允许恶意行为者欺骗代理访问敏感的内部网络资源，例如云元数据端点。由于复杂的边缘情况和不完整的保护机制，现有解决方案已反复失败。
-
CyberForge框架生成合成数据以训练网络安全LLM代理
研究人员开发了CyberForge，一个旨在为大型语言模型（LLM）代理生成合成安全训练数据的新颖框架。该框架将经过验证的漏洞注入到真实的C/C++软件项目中，确保注入的代码是可编译的，并且漏洞可以被动态触发。由此产生的数据集包含80个项目中的1034个已验证漏洞，显著提高了LLM代理在SEC-bench和PatchEval等安全基准测试上的性能。
-
研究发现代码模型会遗漏80%的安全修复 · arXiv研究
一项新近发表在arXiv上的研究评估了代码语言模型在检测安全补丁方面的有效性，发现即使是大型模型也会遗漏相当一部分漏洞修复。该研究强调了数据质量和评估方法方面的问题，并指出当前模型在0.5%的误报率下未能识别至少80%的修复。作者建议改进评估实践，并发布了一个统一的框架和数据集以辅助未来的研究。
-
AI生成54个虚假安全漏洞，侵入官方数据库
一种名为“Allucinate”的安全漏洞被发现，其中AI生成的虚假漏洞报告已侵入官方安全数据库。据报道，这些伪造的条目（共54个）是由一个AI系统创建的，随后被输入到通用漏洞数据库中。该问题由Redhotcyber发现并报告，凸显了维护网络安全信息完整性方面的新挑战。
-
三星在谷歌之前确认38项安卓安全修复
三星发布了其2026年8月安全维护版本公告，详细说明了谷歌为安卓设备提供的38个通用漏洞披露（CVE）。三星的这一主动披露与谷歌自己的公告形成对比，后者在发布时明显缺乏具体的CVE信息。在三星修复的38个漏洞中，根据通用漏洞评分系统，有8个被归类为严重，30个被评为高危。
-
Microsoft Copilot 因数据泄露风险面临安全审查 · 跟踪 4 个来源
最近的博文强调了围绕 Microsoft Copilot 的重大安全问题，表明该人工智能工具可能带来数据泄露风险。尽管承诺提高生产力，但像“Copirate 365”漏洞和其他 CVE 的发现表明，Copilot 与所有软件一样，容易受到漏洞攻击。这些问题引发了对使用该技术的企业实际安全影响的质疑。
-
Google 部署 AI 代理以前所未有的速度查找和修复 Chrome 漏洞
Google 正在利用 AI，特别是 Gemini 代理，来显著加快在 Google Chrome 中查找、验证和修复安全漏洞的过程。这些 AI 系统能够识别 bug，包括一个存在 13 年的沙盒逃逸漏洞，并自动生成代码补丁和测试套件。这导致安全修复程序大幅增加，最近的 Chrome 版本中已修复了 1000 多个 bug，并且 Google 正在开发动态补丁技术，以消除“补丁延迟”，而无需完全重启浏览器。
-
AI 生成虚假漏洞污染安全管道
人工智能现已被用于生成虚假漏洞，污染了通用漏洞披露 (CVE) 管道。这一趋势令安全研究人员感到担忧，他们指出，AI 生成的漏洞可能会压垮用于跟踪和管理真实安全缺陷的系统。该问题凸显了网络安全领域的新挑战，因为恶意行为者甚至粗心的用户都可以利用 AI 来制造噪音，分散对真正威胁的注意力。
-
关键 SQLite 漏洞在初步 LLM 幻觉混淆后得到修复 · 跟踪到 2 个来源
在广泛使用的数据库引擎 SQLite 中发现了一个关键漏洞 CVE-2024-6377。该漏洞最初被错误地归因于 LLM 的幻觉，但它是一个真实的严重安全缺陷。该问题影响 SQLite 3.45.3 之前的版本，已在 3.45.3 版本中得到修复。
-
按GitHub星标、使用量和情绪排名的AI代理代码库
一项综合分析对20个人工智能代理代码库进行了排名，依据包括GitHub星标、OpenRouter的日活量、npm和PyPI的下载量以及历史漏洞数据等多种指标。排名还考虑了生态系统规模和Reddit上表达的情绪。
-
新的 AVE 标准解决了 AI Agent 行为漏洞分类问题
一种名为 AVE（Agentic Vulnerability Enumeration）的新开放标准已被开发出来，用于对 AI Agent 的行为漏洞进行分类，填补了现有系统（如 CVE 和 CWE）留下的空白。这些传统系统对于 Agentic AI 来说是不够的，因为它们是为代码特定漏洞设计的，而不是 AI 组件（如 MCP 服务器或 LLM 插件）中发现的行为模式。AVE 为这些独特的漏洞提供了稳定的、厂商中立的 ID 和详细描述，…
-
AI 发现 1,061 个漏洞，但利用率受到质疑 · 追踪 1 个来源
VulnCheck 的一份最新报告分析了 2026 年上半年发现或被利用的漏洞。分析发现 495 个被利用的漏洞，并识别出 1,061 个归因于 AI 发现的通用漏洞披露 (CVE)。报告进一步调查了这些 AI 识别出的漏洞在现实世界攻击中有多少被实际利用。
-
Mastodon 投票让用户预测 2031 年与 2026 年的 CVE 数量
社交平台 Mastodon 上的一项投票让用户预测 2031 年的通用漏洞披露 (CVE) 数量将高于还是低于 2026 年。该投票与 #EvanPoll 标签相关，鼓励对网络安全披露和信息安全趋势进行预测。
-
新论文使用专家标记数据将 CVE 映射到 MITRE ATT&CK
一项新的研究论文详细介绍了一种方法，该方法使用在 1,207 个专家标记的 CVE 上训练的分类器将通用漏洞和披露 (CVE) 映射到 MITRE ATT&CK 技术。研究发现，使用 LLM 生成的标签进行训练并未提高性能，甚至降低了对罕见技术的覆盖率，结论是人类策划在此任务上优于生成。该研究还包括代码和在漏洞查找网站上的实时演示。