標籤: Security

[Tempest Security Daily] (2026-10-06)

本期聚焦 AWS Continuum 與自主化程式碼安全。隨著 AI 模型持續提升弱點探索與攻擊路徑分析能力，資安團隊必須重新檢視既有的弱點處理速度與作業流程。

AWS Continuum 推動自主化程式碼安全

  • AWS Continuum 將焦點放在自主化程式碼安全，反映 AI 正逐步改變弱點發現與防禦工作的運作方式。
  • 隨著 AI 模型能力增強，可辨識的資安弱點數量也隨之增加，讓防守方需要處理更多潛在風險。
  • AI 不只協助找出弱點，也能辨識更複雜的利用路徑，使程式碼安全分析的深度持續提升。
  • 弱點探索速度加快後，防守團隊的回應時效成為關鍵，既有處理節奏可能無法因應新的威脅規模。
  • 資安團隊目前面對的潛在弱點數量，可能已超出原有流程設計時預期的負荷。
  • 傳統依賴人工分流、確認與追蹤的作業方式，將面臨更高的處理壓力與擴充挑戰。
  • 自主化安全能力的核心價值，在於縮短弱點發現與防守回應之間的時間差。
  • 面對更複雜的攻擊路徑，團隊需要重新評估弱點分析、優先級排序與後續處理流程是否足以支撐。
  • AI 能力提升同時影響攻防兩端；防守方除了強化偵測，也必須加快內部協作及應變流程。
  • AWS Continuum 所呈現的方向，是讓程式碼安全朝更高程度的自主化發展，以因應持續增加且日益複雜的潛在弱點。

原始來源：https://ift.tt/WiAq5Ky

[Tempest Security Daily] (2026-10-07)

本期聚焦 Langflow 漏洞修補、聯邦軟體風險治理、AI 代理執行環境與身分授權，以及模型判斷惡意程式碼時可能面臨的限制。以下整理 10 則資安重點。

1. IBM 公告 Langflow 25 項漏洞

IBM 發布安全公告，說明 Langflow OSS 1.0.0 至 1.12.2 版本共涉及 25 項漏洞。使用相關版本的團隊應依公告內容盤點部署範圍與修補狀態。原文：https://ift.tt/XP3R0lu

2. Langflow 包含兩項重大遠端程式碼執行漏洞

公告涵蓋 CVE-2026-104334 與 CVE-2026-93674，兩者均被描述為重大遠端程式碼執行漏洞。維運人員應優先確認對外服務、管理介面及受影響版本，並依原廠指引處理。原文：https://ift.tt/XP3R0lu

3. CISA BOD 26-04 強調實際風險情境

CISA 最新指令將修補決策焦點，從單純依賴弱點嚴重度或發現數量，轉向評估實際風險情境。這代表漏洞管理不能只看分數，還需要納入系統用途、暴露狀況與可能影響。原文：https://ift.tt/OrMSuWv

4. 漏洞修補優先順序需要風險導向

當漏洞被發現的速度超過團隊修補能力，僅以「高風險」標籤排序，未必足以支援有效決策。BOD 26-04 所反映的方向，是讓資安團隊將有限資源優先投入真正可能造成影響的問題。原文：https://ift.tt/OrMSuWv

5. Nvidia 提出 AI 代理安全框架

Nvidia 公布 AI 代理安全框架，核心包括可強制執行的邊界、明確的責任歸屬，以及能證明防護措施有效的證據。這些原則適用於具備自主操作能力、可能存取工具與資料的 AI 系統。原文：https://ift.tt/gyuw4Lh

6. OpenShell 作為 AI 代理控制執行環境

Nvidia 同時介紹 OpenShell，將其定位為可落實控制措施的執行環境。AI 代理的安全設計不應只依賴提示詞或行為規範，也需要能在執行階段限制其操作範圍。原文：https://ift.tt/gyuw4Lh

7. AI 資料代理應沿用既有湖倉治理政策

企業讓使用者透過自然語言查詢湖倉資料時，AI 資料代理仍必須遵循既有的資料集存取規則。若在應用程式內重新實作一套授權邏輯，可能增加維護成本並造成政策不一致。原文：https://ift.tt/c72HdDE

8. Trusted Identity Propagation 傳遞使用者身分

AWS Lake Formation 搭配 Trusted Identity Propagation，可讓資料代理在處理查詢時保留使用者身分脈絡，使既有治理政策能依原本的授權關係判斷資料存取權限。原文：https://ift.tt/c72HdDE

9. 模型判斷惡意程式碼不只分析語法與行為

當模型被問及某段程式碼是否具有惡意時，可以從語法與實際行為進行分析；但「是否惡意」也涉及程式用途、使用情境及意圖，因此不同於單純判斷程式碼會執行哪些操作。原文：https://ift.tt/afhYuDq

10. 惡意程式碼分類需區分能力、用途與意圖

相同行為可能出現在管理工具、安全測試或攻擊程式中，僅要求模型回答「是否惡意」，容易把技術能力與使用意圖混為一談。實務上應分別檢視程式碼功能、執行情境與潛在危害，避免把模型的單一結論直接視為最終判定。原文：https://ift.tt/afhYuDq

[Tempest Security Daily] (2026-10-01)

本期收錄 1 項資安弱點，重點整理如下。

弱點重點摘要

  1. 本次揭露的弱點識別碼為 CVE-2026-103012。
  2. 此弱點於 2026 年 9 月 30 日發布，並於同日更新。
  3. 公告將整體影響程度評定為低度風險（Low）。
  4. CVSS 3.1 基礎分數為 3.3。
  5. CVSS 向量為 CVSS:3.1/AV:L/AC:L/PR:L/UI:N/S:U/C:N/I:L/A:N。
  6. 攻擊向量為本機（AV:L），攻擊者必須具備目標系統的本機存取條件。
  7. 攻擊複雜度為低（AC:L），但需要低權限（PR:L）才能利用。
  8. 利用此弱點不需要使用者互動（UI:N），且影響範圍維持不變（S:U）。
  9. 弱點不影響機密性與可用性，但可能對完整性造成低度影響。
  10. 此弱點歸類為 CWE-280，代表權限不足或權限處理不當；原始資訊請參閱 https://ift.tt/xD6lLpJ。

[Tempest Security Daily] (2026-09-23)

本期聚焦 AI 安全治理、生成式 AI 模型的效能與成本，以及原始碼安全檢測工具，共整理 9 則重點摘要。

1. AI 安全決策報告彙整逾 300 位專業人士經驗

《AI Security Decisions Report》蒐集超過 300 位資安專業人士的意見，整理不同組織如何保護 AI 系統，可作為企業檢視自身 AI 安全策略的參考。原文：https://ift.tt/wNJABrh

2. 企業可比對同業的 AI 安全決策

報告的核心價值在於提供同業決策基準，讓組織能將現行 AI 安全措施與其他企業的作法互相比對，找出值得重新檢查的環節。原文：https://ift.tt/wNJABrh

3. 部分 AI 安全調查結果出乎研究者預期

作者表示，調查中有多項結果令人意外，並建議組織逐項對照自身決策。原始摘要未揭露這些發現的具體內容，實際結論仍應以完整報告為準。原文：https://ift.tt/wNJABrh

4. Claude Opus 5.5 成為 Claude 5.5 系列首款模型

文章宣布推出 Claude Opus 5.5，並將其定位為全新 Claude 5.5 系列的第一款模型。原文：https://ift.tt/S7p3G08

5. 多數工作效能對標 Claude Fable 5.1

依文章提供的說法，Claude Opus 5.5 在多數工作上的表現達到 Claude Fable 5.1 的水準；原始摘要未列出測試項目、評測方法或完整數據。原文：https://ift.tt/S7p3G08

6. 執行成本較 Opus 5 降低 40%

文章宣稱 Claude Opus 5.5 的執行成本比 Opus 5 低 40%，顯示此次更新同時著重效能與成本；實際導入成本仍需依工作負載與使用方式評估。原文：https://ift.tt/S7p3G08

7. 新模型發布延續前沿 AI 發展步調議題

文章提到，Claude Opus 5.5 是其公開呼籲調整前沿 AI 發展步調後的首項模型發布；原始摘要未提供該主張與新模型安全措施的完整說明。原文：https://ift.tt/S7p3G08

8. Karma Pro 主打開源原始碼檢視

文章介紹 Karma Pro，將其描述為可協助程式碼審查人員的開源工具，提供多種原始碼檢視功能。原文：https://ift.tt/f6Jbtng

9. Karma Pro 提供 macOS 原始碼安全掃描

Karma Pro 亦被描述為適用於 macOS 的原始碼安全掃描器，並採用 AST 技術。原始摘要未列出支援語言、偵測規則、安裝方式或掃描成效，採用前仍需查閱專案文件並自行驗證。原文：https://ift.tt/f6Jbtng

[Tempest Security Daily] (2026-09-24)

本期聚焦兩項資安議題：巴黎奧運相關的仿冒網域威脅獵捕，以及 Apache Doris FE Meta Service 的不當驗證漏洞。

巴黎奧運仿冒網域威脅獵捕

  • Sekoia.io 為因應巴黎 2024 奧運可能面臨的網路威脅，主動展開威脅獵捕作業。
  • 調查工作於 2024 年 7 月及 8 月間進行，重點鎖定與奧運相關的拼字仿冒網域。
  • 研究目標包含辨識由惡意行為者註冊、容易與官方或相關服務混淆的網域。
  • 潛在威脅來源涵蓋網路犯罪活動，以及可能涉及進階持續性威脅（APT）的攻擊行動。
  • 此類主動獵捕可協助防禦團隊及早掌握可疑網域與相關惡意操作。原始資訊：[https://ift.tt/ogkKQY0]

Apache Doris FE Meta Service 驗證漏洞

  • Apache Doris 被揭露一項編號為 CVE-2026-31377 的不當身分驗證漏洞。
  • 漏洞影響 Apache Doris 的 FE Meta Service，可能允許未經授權的存取。
  • 公告將此漏洞的嚴重程度標示為「important」，系統維運與資安團隊應納入風險評估。
  • 漏洞資訊由 Apache 的 Calvin Kirs 發布至 oss-sec 郵件論壇，公告時間為 2026 年 9 月 23 日。
  • 使用 Apache Doris 的組織應確認 FE Meta Service 的曝露範圍與存取控管狀態，並追蹤官方後續處置資訊。原始資訊：[https://ift.tt/TEylZeM]

[Tempest Security Daily] (2026-09-25)

本期整理兩篇資安內容，主題涵蓋將安全檢查前移至軟體開發生命週期，以及原始碼安全實作導覽。以下摘要僅依據所提供的文章標題與說明整理。

Shift Left Security：效益、技術與最佳實務

1. 軟體安全不應只在開發流程尾端處理，而應提早納入軟體開發生命週期（SDLC）。

2. Shift Left Security 的核心概念，是將安全實務前移至系統設計與程式碼撰寫階段。

3. 團隊若能在開發早期發現弱點，便可降低問題進入後續測試或交付階段的風險。

4. 提早識別安全問題，有助於減少弱點修補所需的成本與負擔。

5. 將安全工作整合至既有開發流程，可協助團隊交付安全性更高的軟體。

6. 原文連結：https://ift.tt/v9ZsrfR

TryHackMe：Source Code Security 實作導覽

7. 這篇文章以 TryHackMe 的 Source Code Security 內容為主題，採逐步導覽（walkthrough）形式呈現。

8. 提供的文章說明僅提及第一項任務為介紹章節，未包含後續操作步驟、技術細節或實驗結果。

9. 由於現有資訊有限，實際涵蓋的弱點類型、分析工具及操作方法，仍應以原文內容為準。

10. 原文連結：https://ift.tt/20kO3VF

[Tempest Security Daily] (2026-09-22)

Aikido 發表首款開放權重資安模型 Altar，主打讓組織在自行掌控的基礎設施中部署進階防禦能力，朝「主權式資安智慧」方向發展。

重點摘要

  1. Altar 是 Aikido 推出的第一款開放權重資安模型。
  2. 產品定位聚焦於防禦型資安用途，而非一般用途的 AI 模型。
  3. Aikido 表示，Altar 旨在把前沿等級的防禦資安能力導入由使用者自行掌控的基礎設施。
  4. 此模型強調「主權式資安智慧」，核心概念是讓組織保有對執行環境與資安能力的控制權。
  5. 採用開放權重形式，有別於只能透過封閉式雲端服務存取的模型；但原文摘要未進一步說明授權條款或開放範圍。
  6. Altar 延續 Aikido 將資安能力部署於客戶控制環境中的產品方向。
  7. Aikido 先前已推出自主滲透測試設備 Aikido Machine，並將其視為邁向主權式資安智慧的第一步。
  8. Aikido Machine 的特色是自主執行滲透測試，且原文強調其可完全在內部環境運作。
  9. 從此次發布資訊來看，Aikido 正嘗試結合開放權重模型、自主管理基礎設施與防禦型資安應用。
  10. 原始文章連結：https://ift.tt/trEsNQu

[Tempest Security Daily] (2026-09-19)

本期聚焦 AI 滲透測試、身分安全驗證，以及 Visual Studio Code 惡意專案可能帶來的開發端風險。以下內容依據提供的三篇文章摘要整理。

資安重點摘要

  1. 根據 Aikido《State of AI in Pentesting 2026》報告，76% 的團隊至少每週會發布一次重大變更，顯示軟體交付節奏已相當密集。來源：[https://ift.tt/vTlpaHL]
  2. 報告指出，將近 40% 的團隊每天都會發布重大變更；快速迭代也使安全測試必須更緊密地整合至交付流程。來源：[https://ift.tt/vTlpaHL]
  3. 僅有 21% 的團隊會在每次發布時進行安全驗證，反映部署頻率與安全檢查覆蓋率之間仍有明顯落差。來源：[https://ift.tt/vTlpaHL]
  4. 隨著 AI 生成程式碼快速增加，團隊需要處理的程式碼與變更量同步上升，也讓 AI 滲透測試工具成為 2026 年值得關注的議題。來源：[https://ift.tt/vTlpaHL]
  5. Delinea 已加入 Anthropic 的 Project Glasswing，將參與身分安全相關測試。來源：[https://ift.tt/eadgrCG]
  6. Delinea 將使用 Claude Mythos 5.1 檢視自家的身分安全軟體，將 AI 模型導入產品安全驗證流程。來源：[https://ift.tt/eadgrCG]
  7. Project Glasswing 的合作動向顯示，AI 已開始被用於檢驗身分安全產品本身，而不只應用於一般程式碼分析。來源：[https://ift.tt/eadgrCG]
  8. Visual Studio Code 被揭露一項嚴重安全問題：攻擊者可能利用惡意專案資料夾，對開發人員的工作站取得持續性存取權限。來源：[https://ift.tt/JoNVtUH]
  9. 相關攻擊會濫用 VS Code 原始碼編輯器內的可點擊連結；使用者在惡意專案中點擊一次，即可能觸發後續風險。來源：[https://ift.tt/JoNVtUH]
  10. 開發人員應將來源不明的 VS Code 專案與編輯器內連結視為潛在攻擊面，避免在未確認內容與來源前直接開啟或點擊。來源：[https://ift.tt/JoNVtUH]

[Tempest Security Daily] (2026-09-18)

本期聚焦雲端原生安全平台、AI 程式碼協作、RabbitMQ Go AMQP 套件重大漏洞，以及 Azure DevOps 認證相關實務，整理開發與維運團隊值得關注的重點。

Aqua Security 的雲端原生安全涵蓋範圍

Aqua Security 定位為雲端原生應用程式保護平台（CNAPP），透過在各叢集部署代理程式監控執行中的容器。除容器執行階段外，涵蓋範圍也包括容器映像檔、Kubernetes、Serverless 與虛擬機器。

來源：[https://ift.tt/1A6JkCm]

評估 CNAPP 替代方案時應盤點部署模式

文章以 2026 年的 Aqua Security 替代方案為主題。評估此類平台時，可依原文提及的能力範圍，比較各方案是否支援容器執行階段、映像檔、Kubernetes、Serverless 與虛擬機器，並確認是否需要在每個叢集部署代理程式。

Aqua 同時維護開源弱點掃描工具 Trivy，因此團隊比較替代方案時，也應分別檢視商用平台與開源掃描工具在既有流程中的角色。

來源：[https://ift.tt/1A6JkCm]

Qodo 以程式碼脈絡輔助 Pull Request 審查

Qodo 是 AI 程式碼品質與治理平台，會分析 Pull Request 的差異內容，並搭配 Jira 工單及過往 PR 等周邊脈絡進行審查。這類做法著重的不只是單次程式碼變更，也包含變更背後的需求與歷史資訊。

來源：[https://ift.tt/01HX9DA]

AI 程式碼助手的治理與測試能力

原文指出，Qodo 聚焦多代理設計與測試產生，並將程式碼品質及治理納入產品定位。團隊評估替代工具時，可針對 PR 審查脈絡、測試產生能力，以及是否能銜接既有議題追蹤與程式碼審查流程進行比較。

來源：[https://ift.tt/01HX9DA]

RabbitMQ Go AMQP 套件出現重大漏洞公告

GitHub Security Advisory 公告 GHSA-33mj-cw25-m34h，對應 CVE-2026-77405，嚴重性標示為 Critical。受影響套件為 github.com/rabbitmq/amqp091-go，受影響版本為 1.13.0 以前版本。

來源：[https://ift.tt/TLVo24k]

amqp091-go 應升級至 1.13.0

公告列出的修補版本為 1.13.0。使用此 Go 套件的團隊應確認相依套件版本；若低於 1.13.0，應依公告資訊評估並安排升級，同時重新執行相依性與整合測試。

來源：[https://ift.tt/TLVo24k]

AZ-400 對應 Azure DevOps Engineer Expert 路徑

AZ-400 考試與 Microsoft DevOps Engineer Expert 認證路徑相關，對象為橫跨開發與維運工作的專業人員，重點在於理解現代應用程式交付流程的運作方式。

來源：[https://ift.tt/QxgFukS]

DevOps 能力需連結開發與維運實務

原文從 DevOps 實務與 Microsoft Azure 開發切入 AZ-400。對備考或規劃能力培訓的團隊而言，可將應用程式交付流程、開發與維運協作，以及相關技術與實務列為學習主軸。

來源：[https://ift.tt/QxgFukS]

[Tempest Security Daily] (2026-09-17)

本期聚焦 AI 生成程式碼的安全風險，以及資安業者如何運用 AI 模型檢測正式環境程式碼中的弱點。

AI 生成程式碼與零信任

1. AI 生成程式碼仍可能帶入常見弱點

AI 產生的程式碼可能重現軟體開發中常見的資安漏洞，因此不能直接將生成結果視為安全或可立即上線的程式碼。

2. 憑證暴露是已知風險之一

生成內容可能包含暴露的帳號密碼、金鑰或其他憑證，開發團隊仍須進行安全檢查，避免敏感資訊進入程式碼。

3. 未處理的輸入可能形成漏洞

AI 生成程式碼可能未妥善驗證或清理使用者輸入，延續既有的輸入處理風險。

4. 身分驗證機制可能缺漏

生成的應用程式可能缺少必要的身分驗證控制，顯示 AI 輸出仍需要人工審查與既有安全流程把關。

5. 零信任可協助控制 vibe coding 風險

除了錯誤的安全設定外，vibe coding 應用程式也可能包含其他常見弱點；零信任策略可協助組織限制並控制相關風險。來源：https://ift.tt/H7Twinl

Tanium 測試 Anthropic AI 弱點檢測能力

6. Tanium 加入 Project Glasswing

Tanium 已加入 Anthropic 的 Project Glasswing，參與 AI 在防禦型資安工作上的測試。

7. 測試模型為 Claude Mythos 5

這項合作將測試 Claude Mythos 5，重點放在程式碼弱點與防禦型資安應用。

8. 測試對象涵蓋正式產品程式碼庫

Tanium 將該模型套用至自身的正式產品程式碼庫，而非僅以示範或實驗性程式碼進行評估。

9. 相關軟體用於 IT 與資安作業

受測軟體供 IT 與資安團隊使用，功能涉及端點環境的管理與安全防護。

10. 測試涉及廣泛使用的端點管理產品

這些軟體服務數千個組織，因此針對正式程式碼進行 AI 弱點檢測，直接關聯到端點管理與防護產品的安全性。來源：https://ift.tt/bPtTyKO