zero trust architecture
PulseAugur coverage of zero trust architecture — every cluster mentioning zero trust architecture across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
Playbook 详解面向AI代理安全性的零信任架构
一份新的Playbook概述了面向模型上下文协议（MCP）系统的零信任架构，以解决企业AI部署中的关键安全漏洞。该文件强调了生产环境中的自主代理如何通过未经身份验证的STDIO传输和环境主机服务账户被利用，导致数据泄露和执行被破坏。它提出实施RFC 8693代表令牌委托、SPIFFE工作负载身份和内核隔离沙箱来保护这些系统。
-
新研究和研讨会详细介绍了AI代理的安全和隐私风险
多篇研究论文和一份Google研讨会报告强调了增强自主AI代理的安全和隐私措施的迫切需求。这些工作解决了诸如非结构化输入歧义、概率性控制流以及代理可能越界或未能执行基本安全任务等挑战。提出的解决方案包括诸如用于证据溯源的Proof-of-Use (PoU)框架、主动保证周期以及分层权限模型，以确保代理在定义的道德和安全参数内运行。
-
注册表索引了 66K MCP 服务器，清理了虚假安装计数
一个新的注册表已启动，用于跟踪 GitHub、npm 和 PyPI 上的 MCP 服务器，索引了超过 66,000 个服务器，并识别了超过 130,000 个跟踪的生态系统。该注册表清理了不准确的数据，包括 2,910 个虚构的安装计数和虚高的 GitHub star 数量，通过 API 检查确保数据得到验证。该系统提供了搜索、分类安装风险、指纹识别工具和验证凭据的工具，重点关注 AI 代理的开源安全基础设施。
-
Firewalla推出托管交换机，加强零信任网络安全
Firewalla推出了新的托管交换机 Switch X 和 Switch SE，旨在增强零信任网络架构。这些交换机支持微隔离、提供网络可见性，并强制执行有线网络连接的访问控制。此次发布旨在通过将Firewalla的零信任网络解决方案扩展到物理网络基础设施，来完善其零信任网络解决方案。
-
AI 代理挑战传统 OAuth 安全，需要新的身份验证协议
自主 AI 代理集成到企业系统中带来了严峻的安全挑战，尤其是在身份和访问管理方面。为确定性应用程序设计的传统 OAuth 2.0 协议难以归因随机性 AI 代理执行的操作，可能导致未经授权的交易和监管责任。新兴解决方案，如代表（On-Behalf-Of, OBO）委派、Agentic JSON Web Tokens (A-JWT) 和 AAuth，旨在建立人类意图与 AI 执行之间的加密边界。架构正转向使用 SPIFFE 证明和内核级…
-
AI编码工具通过通用信任适配器为MCP服务器增加安全性 · 跟踪4个来源
AliceLabs LLC开发了通用信任适配器（UTA），一个旨在为AI编码工具使用的MCP（多代理通信协议）服务器添加信任验证的系统。UTA通过`@marketnow/trust-gateway`包封装，提供一个12阶段的验证流程，包括预执行过滤器，以阻止访问`.env`和凭证存储等敏感文件，并防止`rm -rf`等恶意命令和未经授权的shell生成。该系统支持八种不同的信任凭证格式，并将所有操作记录到防篡改的Merkle树中，从而…
-
供应链风险是组织最大的网络安全盲点
组织越来越容易受到通过供应链发起的网络安全威胁的攻击，因为攻击者正在绕过传统的内部防御，转而攻击受信任的第三方账户。这一转变意味着依赖静态评估的传统第三方风险管理（TPRM）方法正在过时。需要一种更主动、以身份为中心的方法，专注于对与身份关联的威胁数据进行持续监控，以了解并应对真实的、可利用的风险。
-
零信任架构在日常应用中焕发新生
零信任架构的概念正在被重新审视并应用于日常生活，这表明思想通过人类的应用而演变并找到新的相关性，而不是仅仅局限于理论讨论。
-
新的 MCP 协议漏洞对 AI 安全构成重大风险
在 Microsoft Communication Protocol (MCP) 中发现了一个新的安全漏洞，标识为 CVE-2024-21348。该协议被 AI 代理广泛使用，其广泛采用带来了重大的新攻击面。该漏洞可能允许恶意行为者破坏运行 Microsoft Windows、macOS 和 Linux 的系统，可能影响 Microsoft Defender 和零信任架构等安全措施。
-
大语言模型（LLM）为零信任架构带来新的安全风险
大型语言模型（LLM）正在引入新的安全漏洞，而传统的“零信任”架构可能无法解决这些漏洞。攻击者可以通过提示注入等方法利用LLM生成个性化的网络钓鱼脚本或未经授权访问敏感信息，从而绕过现有的网络和设备安全措施。为应对这些威胁，组织必须将零信任原则扩展到AI系统，方法包括进行针对LLM的漏洞审计、实施提示的输入/输出过滤器、持续监控LLM行为是否存在异常、制定严格的使用策略，以及在关键决策中纳入人工监督。
-
日本银行利用人工智能加强网络安全防御
日本的金融机构正越来越多地采用人工智能驱动的解决方案来加强其网络安全防御。这一战略性转变涉及主要银行与人工智能公司之间的合作，以实施先进的零信任架构。该举措旨在建立更具韧性的系统，以应对复杂的网络威胁。
-
深度学习模型增强零信任网络中的异常检测
研究人员开发了两种深度学习模型：视觉Transformer（ViT）和一维卷积神经网络（1D-CNN），以增强零信任软件定义网络中的异常检测。这些模型分析微细分网络流量数据，与使用原始、未细分数据的模型相比，显示出更高的准确率和F1分数。ViT模型在识别细微的横向移动模式方面略有优势，这凸显了微细分对于零信任环境中入侵检测有效性的重要性。
-
Microsoft 推进 AI 代理和 DevSecOps 的零信任
Microsoft 发布了专注于推进 AI 代理和 DevSecOps 的零信任架构的新工具和指南。该计划旨在通过提供安全开发和部署的框架来增强 AI 系统的安全态势。该公告强调了在快速发展的人工智能领域中健全安全措施的重要性。
-
自托管人工智能的零信任架构详解
本文详细介绍了如何在自托管人工智能系统中实施零信任架构，超越传统的网络安全。它强调使用相互 TLS (mTLS) 来加密和认证人工智能组件之间的通信，从而验证每一次交互，从工具调用到内存访问。文章还提倡使用基于属性的访问控制 (ABAC) 而非基于角色的访问控制 (RBAC)，以根据身份、资源和操作强制执行精细的权限。
-
AI 代理：安全部署与音乐应用探索
“El lado del mal”博客讨论了 AI 代理的两种不同应用。其中一篇文章详细介绍了如何在 Cloudflare 环境中为 AI 代理实施零信任架构，重点关注安全加固。另一篇文章则重点介绍了一个音乐 AI 代理，该代理在 MyPublicInbox 平台上为音乐家提供现场音乐会便利。
-
人工智能加速网络威胁，要求转向机器速度安全
人工智能正在从根本上改变网络安全格局，它加速了攻击的速度，将范式从人类速度安全转变为机器速度安全。虽然人工智能可用于发现漏洞或制造复杂的网络钓鱼尝试，但其更深远的影响在于将网络威胁的时间线从几周压缩到仅仅几分钟。这需要重新评估传统的安全运营模式，这些模式是围绕人类决策和响应时间建立的，并强调在面对快速、人工智能驱动的攻击时，韧性而非仅仅合规性的关键重要性。重点正转向最大限度地减少检测、决策、响应和恢复的延迟，以确保业务连续性。
-
在Cloudflare上为AI代理部署零信任
本文讨论了在Cloudflare生态系统中为AI代理实施零信任架构。文章探讨了如何通过应用零信任原则来保护这些日益应用于各种应用程序的代理。内容分为两部分，第二部分侧重于实际部署方面，第一部分可能涵盖基础概念。
-
新书详述AI驱动环境下的零信任策略
George Finney 的新书《机器崛起：零信任项目故事》探讨了在AI主导的世界中创建零信任数字环境。这本2025年的指南建立在他之前的著作《零信任项目》之上，深入探讨了人工智能、并购、业务连续性和远程工作等主题。
-
VMAC 流程通过零信任原则确保第三方访问安全
供应商管理访问控制 (VMAC) 是一个旨在保护和监控第三方访问公司网络和数据的流程。它遵循零信任原则，确保供应商拥有最低必需的权限，需要多因素身份验证，并在项目完成后及时撤销访问权限。
-
尽管互操作性有益，制造业仍难以采纳
互操作性是制造业一项至关重要但充满挑战的举措。虽然它在提高效率和数据利用方面具有巨大潜力，但由于其隐形性质和长期的投资回报，利益相关者常常抵制对其进行投资。制造工厂的复杂性、员工的不同观点以及实施和收益实现的长周期会产生巨大的阻力，使得技术领导者难以获得支持并成功执行这些项目。