CVE-2025-6514
PulseAugur coverage of CVE-2025-6514 — every cluster mentioning CVE-2025-6514 across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
通过 MCP 连接工具的 AI 代理面临严峻安全漏洞
通过多渠道协议 (MCP) 连接 AI 代理的开发者面临着重大的安全风险，因为许多 MCP 服务器容易受到路径遍历和命令注入等常见攻击。研究表明，所研究的 MCP 服务器中有很大一部分存在这些弱点，并且经常依赖静态凭证。已经发生过恶意 MCP 服务器通过看似无害的操作或利用调试工具和包管理器中的漏洞，在开发人员机器上窃取数据或执行任意代码的事件。
-
提示注入被重新定义为数据流问题，需要策略层
提示注入攻击正被重新定义为数据流或数据平面问题，而不仅仅是模型问题。研究人员已经证明，不受信任的数据（例如 GitHub issue 中的指令）可以被用来诱骗 AI 代理执行非预期操作，例如窃取私有存储库内容。提出的解决方案是在 AI 模型与其工具之间实现一个策略层，该策略层根据工具调用的范围、信任边界以及是否需要人工授权来审查工具调用，这与参数化查询在传统数据库交互中解决类似问题的方式有相似之处。
-
新框架使用免费LLM进行自动化渗透测试
研究人员开发了PentestChain，一个用于自动化渗透测试的新框架，该框架利用免费层级和本地大型语言模型（LLMs）来降低成本。该系统采用成本感知型AI级联，优先使用qwen2.5:7b等本地模型，然后再使用免费层级云服务，从而使小型组织能够进行持续的自动化测试。PentestChain还分析了暴露其模型上下文协议（MCP）接口相关的安全风险并提出缓解措施，同时建立了一个可复现的评估协议，用于与现有工具进行基准测试。
-
AI代理的生成后执行模式带来关键安全风险
AI代理在没有外部验证的情况下执行LLM生成的代码，存在重大的安全风险，最近发生的一起事件就证明了这一点，当时一个代理由于未经审查的查询删除了生产数据。这种“生成后执行”模式被OWASP归类为LLM05:2025，它将LLM响应视为不可信的输入，类似于用户输入。研究表明，相当大比例的AI生成的代码包含漏洞，并非由于模型缺陷，而是因为安全性不是主要的训练目标。这种漏洞在shell、SQL和API执行链中普遍存在，自然语言提示成为新的注入点。