directory traversal attack
PulseAugur coverage of directory traversal attack — every cluster mentioning directory traversal attack across labs, papers, and developer communities, ranked by signal.
-
AI 代码生成带来安全漏洞风险;新工具应运而生以检测它们
生成式 AI 工具在功能开发方面展现出潜力,但也倾向于重新引入常见的安全漏洞,如 SQL 注入和命令注入。一位开发者分享了他的经历,他发现一个 AI 代理创建了一个包含众多功能的应用程序,包括扭蛋系统和访客留言簿,并且还引入了一个 PostgreSQL 竞态条件。为了应对这些风险,一个名为 TokenCap 的工具实施了静态污点流分析,在代码提交前检测污点数据路径,从而识别出从 HTTP 请求等来源到数据库执行等汇点的潜在漏洞。
-
MCP协议安全:AI代理的风险与缓解策略
模型上下文协议(MCP)是连接AI模型与外部工具的标准,但它引入了重大的安全风险。多个来源强调了诸如工具投毒、命令注入和凭证泄露等漏洞,这些漏洞可能被嵌入工具元数据或数据中的恶意指令所利用。实施强大的授权,通常通过MCP网关,对于缓解这些威胁至关重要。该网关充当控制平面,强制执行诸如输入清理、工具过滤和范围限定身份验证等安全策略,以防止未经授权的访问和数据泄露。
-
安全工具错过了关键的 MCP 路径遍历漏洞,提出了修复方案
一位安全研究员发现他们自己的静态分析工具 mcpscan 错过了 Model Context Protocol (MCP) 服务器中的关键路径遍历漏洞。该工具的 MCP007 规则旨在检测文件读取漏洞,但未能识别出文件写入漏洞,而这些漏洞是 2026 年最严重的 CVE。研究员通过添加新的正则表达式模式来检测文件写入函数,从而扩大了工具的检测能力,提出了一个修复方案。
-
NeuralGuard 使用AI检测开发流水线中的代码漏洞
NeuralGuard 项目推出了一款开源工具,旨在检测软件开发过程中的安全漏洞。它利用机器学习、Transformer 和大型语言模型来分析源代码,并使用 Claude 作为已识别问题的次要审查机制。该项目旨在将此漏洞检测系统集成到 CI/CD 流水线中,特别是使用 GitHub Actions 来对拉取请求提供反馈并增强代码审查工作流程。该系列涵盖了 SQL 注入、跨站脚本和不安全反序列化等常见漏洞,重点关注从概念到集成的实际实现。