EchoLeak
PulseAugur coverage of EchoLeak — every cluster mentioning EchoLeak across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架为提示注入攻击提供结构化分析 · 跟踪2个来源
一篇新论文提出了一个七个组成部分的模型，用于系统地分析提示注入攻击，超越简单的字符串匹配来理解攻击者的意图。该框架旨在帮助安全专业人员更有效地标记、比较和变异这些攻击。该模型包括载体、传递向量、隐藏、上下文中断、权限提升、有效载荷和返回通道等组成部分，为理解 EchoLeak (CVE-2025-32711) 和 AI 逃避恶意软件等漏洞提供了一种结构化方法。
-
EchoLeak漏洞允许从Microsoft Copilot进行零点击数据盗窃
一个名为EchoLeak的关键漏洞（已于2025年6月被Microsoft修补）允许从Microsoft 365 Copilot进行零点击数据盗窃。该漏洞利用一封带有恶意markdown指令的电子邮件，当Copilot在用户查询期间处理该指令时，会导致AI通过出站URL泄露敏感数据。此攻击绕过了传统的用户交互，因为受害者无需打开电子邮件或点击任何链接，凸显了检索增强生成（RAG）系统中的重大安全风险。
-
提示词注入攻击绕过人工智能防御，已瞄准90多家组织
根据CrowdStrike发布的《2026年全球威胁报告》，提示词注入攻击日益复杂，对企业人工智能系统构成重大威胁。这些攻击绕过了传统的恶意软件防御手段，在2025年已大幅增加，瞄准了90多家组织。其漏洞根源在于人工智能模型无法区分开发者指令和用户提供的文本，从而导致凭证盗窃和数据泄露。尽管供应商付出了努力并发布了防御措施，但这些攻击仍然非常成功，一些已记录的案例即使在经过对抗性微调后，也取得了很高的成功率。
-
大型语言模型（LLM）的提示注入漏洞率在不同模型间差异巨大
一位安全研究员测试了五个大型语言模型（LLM）的提示注入漏洞，发现根据所使用的模型不同，泄露率从 0% 到 90% 不等。测试表明，伪装成合法请求的提示比直接的注入尝试更能有效地诱导 API 密钥或系统提示等敏感信息。值得注意的是，虽然 Anthropic 的 Claude Haiku 4.5 没有泄露密钥，但其系统提示内容泄露率高达 90%，这凸显了采用多阶段检测方法的必要性。
-
OWASP：间接提示注入是 2025 年顶级 LLM 风险
OWASP 已将提示注入确定为 2025 年 LLM 应用的顶级风险，其中间接注入对开发人员构成重大威胁。当攻击者将恶意指令嵌入到 LLM 处理的外部内容中时，就会发生这种情况，即使用户的输入是良性的，也会导致数据泄露或未经授权的命令执行。Microsoft 365 Copilot 中的 EchoLeak 和 Cursor IDE 中的 CurXecute 等示例突显了这些漏洞的实际影响。作者正在开发 rojaproove，一个用于测…