混淆防毒神經網路的判定
雲端儲存與雲端運算,已成為部署機器學習惡意程式偵測器的熱門方式。在這種架構下,模型所需的特徵是在使用者系統上產生,再送到資安公司的伺服器。卡巴斯基的機器學習研究團隊研究了這種灰箱情境,並證明只要掌握特徵的知識,就足以對機器學習模型發動對抗式攻擊。 他們在沒有白箱存取權的情況下,攻擊了卡巴斯基自家的一個防毒機器學習模型,並讓大多數經過對抗式改造的惡意程式檔案,都成功躲過偵測。
沿用 SecureFlow 來源步驟的 ATLAS 標註;不是 MITRE 對跨框架對應的背書。
AI SECURITY CASES × FRAMEWORKS
閱讀 MITRE ATLAS 中 AML.T0003「Search Victim-Owned Websites」相關的 3 個 AI 資安案例,查看事件證據、適用範圍與 AIDEFEND 防禦分析。
Adversaries may search websites owned by the victim for information that can be used during targeting. Victim-owned websites may contain technical details about their AI-enabled products or services. Victim-owned websites may contain a variety of details, including names of departments/divisions, physical locations, and data about key employees such as names, roles, and contact info. These sites may also have details highlighting business operations and relationships. Adversaries may search victim-owned websites to gather actionable information. This information may help adversaries tailor their attacks (e.g. [Adversarial AI Attacks](/techniques/AML.T0017.000) or [Manual Modification](/techniques/AML.T0043.003)). Information from these sources may reveal opportunities for other forms of reconnaissance (e.g. [Search Open Technical Databases](/techniques/AML.T0000) or [Search Open AI Vulnerability Analysis](/techniques/AML.T0001))
雲端儲存與雲端運算,已成為部署機器學習惡意程式偵測器的熱門方式。在這種架構下,模型所需的特徵是在使用者系統上產生,再送到資安公司的伺服器。卡巴斯基的機器學習研究團隊研究了這種灰箱情境,並證明只要掌握特徵的知識,就足以對機器學習模型發動對抗式攻擊。 他們在沒有白箱存取權的情況下,攻擊了卡巴斯基自家的一個防毒機器學習模型,並讓大多數經過對抗式改造的惡意程式檔案,都成功躲過偵測。
沿用 SecureFlow 來源步驟的 ATLAS 標註;不是 MITRE 對跨框架對應的背書。
Cato Networks 的研究人員示範了攻擊者如何利用嵌在企業工作流程中的 AI 系統,以較高的權限執行惡意動作。做法是由外部使用者送出精心設計的內容,例如客服工單,之後這些內容會被內部人員或自動化系統透過 AI agent 處理。這些 AI agent 帶著內部脈絡與信任在運作,因此可能解讀並執行其中的惡意指令,造成資料外洩、權限提升或系統被操弄等未授權行為。
沿用 SecureFlow 來源步驟的 ATLAS 標註;不是 MITRE 對跨框架對應的背書。
Tenet Threat Labs 把這條攻擊稱為 Agentjacking:攻擊者可以用公開的 Sentry DSN 寫入偽造錯誤事件,再讓 Sentry MCP server 把這些事件帶進 AI coding agent 的工作流程;Sentry 是錯誤追蹤與可觀測性 (observability, 透過日誌、指標與執行追蹤,了解系統內部運作的能力)平台,這裡的事件原本只是診斷資料。當開發者要求 Claude Code、Cursor 或 Codex 調查 Sentry issue 時,agent 可能把事件裡偽裝成修復建議的文字當成可信診斷內容,進而執行攻擊者指定的 npm 命令。防禦重點不是把系統觀測資料(日誌、事件與監控資料)當成可信指令,而是在 MCP 輸出、agent 客戶端、工具權限、命令核准、沙箱和對外連線上一起設邊界。
沿用 SecureFlow 來源步驟的 ATLAS 標註;不是 MITRE 對跨框架對應的背書。