网络安全AI说

mztkn

各位CSO好,这是一档分享网络安全建设干货的双人对话播客,emm~和全麦面包一样干

  1. OpenClaw:AI顶流还是安全漏洞之王?

    4D AGO

    OpenClaw:AI顶流还是安全漏洞之王?

    2025年爆火的AI开源框架OpenClaw,GitHub星标登顶,却成安全漏洞集大成者!110个漏洞、13.5万暴露实例、20%恶意插件,还有木马偷信息!听我们拆解这颗AI界的“定时炸弹”。 项目概况OpenClaw(前身为 Clawdbot、Moltbot)是 2025 年 11 月上线的开源 AI Agent 框架,被定义为"真正可以执行任务的 AI"。该项目以惊人速度成为 GitHub 历史上增长最快的现象级项目之一,上线以来累计超过 200,000 颗星。 核心能力与权限需求OpenClaw 拥有以下核心能力: 信息处理:浏览网页、总结 PDF、分析截图 日程管理:安排日历事项、发送提醒通知 商务自动化:在线购物、处理电子邮件 系统集成:读写本地文件、控制桌面应用 通信集成:集成 WhatsApp、Telegram、Slack 等主流消息平台 持久化记忆:记住数周甚至数月前的交互记录为实现上述功能,OpenClaw 需要获取用户的根文件权限、认证凭证(包括密码和 API 密钥)、浏览器历史和 Cookie,以及系统内所有文件和文件夹的访问权限。 安全风险概览1. 漏洞层面风险 已披露漏洞数量:至少达 110 个(截止 2026 年 2 月 28 日) 高危漏洞:其中 3 个漏洞已有公开的 PoC(概念验证)代码,攻击者可直接利用 修复进度:截至 2026 年 2 月 26 日,已修复超过 40 个漏洞2. 暴露面风险 公网暴露实例:超 13.5 万个(覆盖 82 个国家) 可被 RCE 利用:至少 12,812 个实例存在远程代码执行风险 最新数据:3 月初发现超 40,000 个暴露实例,63% 部署存在漏洞3. 供应链风险 ClawHub 插件平台:存在超过 820 个恶意插件,占插件总数约 20% 技能增长失控:从 2,800 个飙升至 18,140 个(三周内增长 550%) 发布门槛极低:仅要求发布者拥有超过一周的 GitHub 账户4. 企业部署风险 影子部署:22% 的受监控企业中发现员工私自安装 OpenClaw 绕过管控:未授权部署形成隐蔽的安全风险点5. 恶意软件感染 实际感染证据:Vidar 木马变种已成功感染 OpenClaw 实例 信息窃取:出现基于该平台的信息窃取行为重大安全漏洞详解CVE-2026-25253(核心高危漏洞) CVSS 评分:8.8(高危) 漏洞类型:错误资源传输/跨站 WebSocket 劫持 影响版本:v2026.1.29 之前版本 攻击机制:Control UI 从 URL query string 读取 gatewayUrl 时未做验证,自动建立 WebSocket 连接并发送认证 Token PoC 状态:已公开命令注入漏洞(3 个高危) CVE 编号:CVE-2026-24763 / CVE-2026-25157 / CVE-2026-25475 漏洞类型:命令注入 攻击机制:用户可控输入未经充分过滤即传递给系统命令执行器 PoC 状态:已公开其他高危漏洞 CVE-2026-26322:SSRF(服务端请求伪造),CVSS 7.6 CVE-2026-26329:路径穿越(Path Traversal) CVE-2026-27001:日志投毒导致 Prompt InjectionClawHavoc 供应链攻击活动攻击规模 恶意技能数量:335 个(在 2,857 个审计技能中发现) 伪装策略:针对不同用户群体的精准伪装加密货币用户:111 个恶意技能YouTube 创作者:57 个恶意技能预测市场用户:34 个恶意技能开发者:28 个恶意技能攻击技术特征 域名抢注(29 个仿冒名称) 虚假系统提示 时间延迟攻击(数小时或数天才激活) 批量生成与快速扩散 单个上传者发布 677 个恶意包攻击载荷类型 外部恶意软件分发:技能包含恶意软件下载链接 混淆数据外溢:通过 base64、Unicode 混淆窃取凭证 安全禁用与破坏:诱导关闭安全机制、修改系统配置配置错误风险典型错误配置 默认绑定 0.0.0.0:监听所有网络接口而非仅本地回环 认证关闭:旧版本默认不启用认证 WebSocket Origin 校验关闭:导致 CSRF 攻击 明文凭据存储:API 密钥、密码以明文形式存储真实利用事件 Shodan 扫描事件:研究员成功访问数百个实例的 API 密钥、Bot Token、聊天记录 Moltbook 数据泄露:150 万个 API 认证 Token、35,000 个邮件地址泄露 Vidar 木马感染:配置文件被窃取,包含完整 Agent 操作上下文攻击向量分析攻击场景一:公网暴露实例直接攻击 前提:无认证或弱认证,监听公网 IP 攻击者可直接访问:控制面板、WebSocket 端口、明文凭据、聊天历史、已集成服务攻击场景二:本地浏览器劫持 前提:运行未打补丁版本( v2026.1.29),即使仅监听 localhost 攻击路径:恶意网站 → 用户浏览器 → 向 localhost:18789 发起 WebSocket 连接 → 窃取 Token → 获得完整控制权加固建议对企业用户紧急处置与基础防护 升级至 v2026.2.26 及以上版本 全面轮换关联凭证(LLM API 密钥、消息应用 Token 等) 核查公网暴露情况,及时整改 强制网关仅监听 127.0.0.1:18789 配置防火墙,拒绝 18789 端口公网入向流量 启用密码认证(16 位以上强密码) 定期轮换 Gateway Token 为 Control UI 配置独立浏览器 Profile长效安全管控 仅安装经审核通过的 ClawHub 技能 新技能部署前需在隔离环境完成代码审查 监控 18789 端口异常连接行为 监控 mDNS 广播,发现未申报的实例 将 OpenClaw 纳入影子 IT 扫描范围 制定专项使用政策,纳入标准变更管理流程对个人用户 安全意识提升:充分认识安全风险,按照最佳实践配置 环境隔离:考虑在虚拟机或容器中使用 敏感信息保护:避免让 OpenClaw 访问敏感信息 行为监控:监控网络连接和文件访问 定期检查:检查系统异常行为 应急响应准备:定期备份重要数据,发现异常时立即隔离系统核心警示OpenClaw 安全危机不仅是一个具体项目的安全问题,更是整个 AI Agent 技术发展过程中的重要警示。它提醒我们: 技术革新与安全治理必须同步:在追求技术创新的同时,必须同步考虑安全治理 便利性与风险的权衡:享受自动化便利的同时,必须清醒认识潜在风险 供应链安全的重要性:开放生态需要严格的安全审核机制 用户安全意识的关键性:技术安全措施需要配合用户的安全意识OpenClaw 的案例表明,AI Agent 具有巨大的潜力和价值,但其安全挑战也同样巨大。只有通过技术社区、企业用户、安全研究人员和政策制定者的共同努力,才能建立一个既能够促进创新又能够保障安全的 AI 生态系统。

    6 min
  2. OpenClaw 安全性分析

    MAR 1

    OpenClaw 安全性分析

    文章选自公众号:比瓴安全 原文链接:https://mp.weixin.qq.com/s/qs7fxmntjp3YUKuLzibsGw 播客简介 🎙️本期播客深入探讨了近期在GitHub上爆火的OpenClaw自动化代理系统的安全隐患。该项目号称能让AI真正“拥有双手”,直接操控电脑执行任务,但在强大功能背后隐藏着系统性的安全风险。 系统各层的安全漏洞 🔍 消息适配环节:AI与电脑之间的翻译官可能被篡改 网关服务器:系统入口出口易被截获和控制 指令构建环节:AI生成指令可能被恶意修改 执行引擎:核心执行单元易被植入恶意代码 响应路径:反馈结果可能被篡改误导用户本地部署的安全矛盾 ⚖️ 数据不出本地的安全假象 高权限带来的完全接管风险 AI成为无判断力的“高权限实体”三种典型攻击路径 ⚔️ 登录令牌被盗:黑客可直接冒充用户登录系统 恶意插件投毒:第三方插件暗藏木马病毒 记忆毒化攻击:长期记忆系统被植入恶意信息关键漏洞与风险点 💥 CVE-2026-25253:记忆系统权限配置错误 插件市场灰色地带:300+恶意插件潜伏 社交代理新风险:AI模拟人进行诈骗活动安全测试的惊人发现 ✍️ 90%以上系统存在身份验证失效 系统指令可轻易被泄露 防护能力基本处于“裸奔”状态强化防御的建议 🛡️ 多因素身份认证与权限管理 工具调用隔离与权限拆分 记忆系统加密与敏感信息保护 严格的插件审核机制

    6 min
  3. AI大模型如何给网络安全告警降噪?

    12/20/2025

    AI大模型如何给网络安全告警降噪?

    🎙️ 播客《AI大模型在网络安全告警降噪中的原理》Show Notes🍟核心主题解析AI大模型如何通过智能研判技术,从海量网络安全告警中精准识别真实威胁、过滤误报,提升安全运营效率。 🍟关键内容速览 技术原理总览安全大模型通过 客制学习Agent(学习客户业务行为)和 调查研判Agent(多维度关联分析)协同工作,将告警分为 黑(真实攻击)、白(误报)、灰(疑似行为)三类。双Agent架构保障实时处理海量告警,兼顾效率与准确性。 三大核心能力判黑:关联研判真实攻击通过历史基线、上下文行为、多维度数据(如告警表、事件表)交叉验证,举例说明如何识别恶意Payload执行、主机失陷等攻击。 案例:单包无法判断的恶意下载行为,通过关联后续数据包确认攻击成功。 判白:业务误报识别建立客户业务行为基线,自动识别持续性请求、相似URL接口、静态资源访问等正常业务,过滤90%以上误报。 脆弱性场景研判按访问方向(外对内/内对内/内对外)和攻击结果,细化研判逻辑,区分“脆弱性请求”与“脆弱性成功”。🍟部分引用资料🍟业内厂商参考 当前网络安全领域许多厂商均有推出类似的AI大模型,比如深信服、奇安信、安恒、360、腾讯云、阿里云等(排名不分先后)。其中一些厂商有SAAS版的服务,可以选择试用体验下。

    8 min
  4. AI反钓鱼,国内外最新进展及模型分析

    12/01/2025

    AI反钓鱼,国内外最新进展及模型分析

    选自公众号:AI与安全 原文链接:https://mp.weixin.qq.com/s/RYM7oGm7VCs-N3qRiEGKaA 难得见到如此全面的分析,原文更加精彩,推荐大家看看。 🎙️ 核心主题AI驱动的反钓鱼技术前沿发展,涵盖学术研究突破与国内外厂商实践案例,解析大模型在邮件安全领域的应用范式与技术挑战。 关键内容速览 反钓鱼技术演进史从规则匹配(SPF/DKIM校验)→ 传统机器学习(SVM/随机森林)→ 深度学习(CNN/RNN)→ 大模型时代(LLM/SLM多模态检测)的技术跃迁痛点解析:传统方法受限于人工特征工程,难以捕捉语义级社工攻击意图 学术研究双方案对比ChatSpamDetector(单模型) :流程:邮件解析→简化处理→结构化提示词→LLM判定(输出JSON结果含钓鱼概率/冒充品牌/判断理由)局限:对模型能力要求极高,单Agent误报率超20%(Llama2-70B实测数据)MultiPhishGuard(多智能体) :创新点:对抗代理生成变体邮件+Text/URL/Metadata三Agent协同检测+PPO强化学习优化权重优势:高对抗样本检出率提升15%,误报率降低至行业平均水平的1/3 国际厂商技术实践微软Defender for Office 365:混合架构:LLM(语义理解)+ SLM(Phi-3系列4B/7B模型,成本优化)核心能力:意图分析(如CEO冒充/工资欺诈判定)+ 威胁分类(10+细分场景标签)Proofpoint语义引擎:轻量化模型:0.3B参数专用模型(每2.5天更新),支持100+语言检测特色功能:OCR解析二维码钓鱼+行为AI引擎(发件人异常/URL信誉关联分析) 国内标杆方案(深信服)技术架构:8B多模态推理模型:支持图片/HTML/附件联动分析,集成OCR与浏览器自动化工具向量数据库优化:误报样本特征存储,相似度检索降低误报率至0.046%实战性能:硬件部署:双4090服务器日处理10万+邮件,检出精准率95.4%多模态案例:自动破解验证码→下载网盘恶意文件→沙箱动态分析 产业洞察 成本对比:训练8B模型需H100*50卡运行30天,安全语料标注成本占比超60%攻防趋势:大模型生成钓鱼邮件能力已超越人类红队,催生"AI护栏"防护需求

    12 min

About

各位CSO好,这是一档分享网络安全建设干货的双人对话播客,emm~和全麦面包一样干

You Might Also Like