Everything is about to “go dark”

The New Stack1 Hot8 min9 h agoAI

How confidential AI splits control between data and model owners — and opens new opportunities for both

Các doanh nghiệp muốn áp dụng AI trên dữ liệu nhạy cảm nhưng các nhà xây dựng mô hình không muốn chia sẻ weights. VAST Data triển khai confidential AI để giải quyết vấn đề này bằng cách chia sẻ quyền kiểm soát giữa chủ sở hữu dữ liệu và chủ sở hữu mô hình. Công nghệ này sử dụng Intel SGX và AMD SEV để mã hóa dữ liệu trong quá trình inference, đảm bảo không ai truy cập được thông tin nhạy cảm. Điều này mở ra cơ hội cho cả hai bên: doanh nghiệp có thể tận dụng AI trên dữ liệu quan trọng mà không lo rò rỉ, trong khi các công ty AI vẫn bảo vệ được mô hình của mình.

Bài này giải thích giải pháp Confidential AI giúp doanh nghiệp sử dụng trí tuệ nhân tạo trên dữ liệu nhạy mật mà không cần chia sẻ trọng số mô hình.

#data-privacy #ai-security #agentic-ai Source

XDA Developers27 Hot4 min19 d agoAI

This self-hosted tool replaced a year of backup scripts, and now I barely think about backups at all

Tác giả đã thay thế một năm viết backup scripts bằng công cụ tự host gọi là Restic. Hệ thống cũ với nhiều script phức tạp gây mất tập trung cho tác giả. Restic giải quyết vấn đề với mã nguồn mở, lưu trữ được trên nhiều nền tảng và mã hóa 256-bit. Giờ đây tác giả không còn lo nghĩ về backup nhờ tính năng tự động và thiết kế tối giản.

Công cụ self-hosted này giúp bạn quên đi nỗi lo sao lưu với cách triển khai đơn giản thay thế cho hàng loạt kịch bản phức tạp.

#docker #encryption #self-hosting Source

NVIDIA1 Hot5 min2 d agoAI

AI Security Is an Engineering Problem — How to Solve It at Every Layer of the Agent Stack

Trong bối cảnh các hệ thống AI ngày càng trở thành mục tiêu tấn công, vấn đề bảo mật AI cần được tiếp cận như một bài toán kỹ thuật toàn diện. Nguyên nhân kỹ thuật nằm ở việc các agent stack (khoảnh stack) gồm LLM (Large Language Model), planning systems và các công cụ bổ trợ đều có những điểm yếu riêng như prompt injection (tiêm lệnh prompt) hay data poisoning (ngộ độc dữ liệu). Hệ quả là các tổ chức phải đối mặt với rủi ro tấn công RCE (Remote Code Execution), data leakage (rò rỉ dữ liệu) và model evasion (né tránh mô hình). Bài viết đề xuất giải pháp triển khai controls (kiểm soát) tại từng layer, continuous testing (kiểm tra liên tục) và open research (nghiên cứu mở) để xây dựng hệ thống AI an toàn hơn, điều mà các nhà phát triển nên học hỏi để chủ động bảo vệ sản phẩm của mình.

Bài viết này giúp lập trình viên hiểu cách xây dựng và vận hành hệ thống AI an toàn hơn thông qua nghiên cứu mở, kiểm soát liên tục và thử nghiệm đa tầng.

#ai-agent #nvidia #ai-security Source

The Register87 Hot3 min2 mo agoAI

GitHub AI agent leaks private repos when asked nicely

GitHub's AI agent có lỗ hổng bảo mật 'GitLost' cho phép rò rỉ dữ liệu private repository khi được yêu cầu theo cách nhất định, hiện chưa có bản vá hay tài liệu chính thức từ GitHub.

Lập trình viên nên đọc bài này để hiểu về nguy cơ bảo mật mới trong GitHub, đặc biệt khi làm việc với các dự án riêng tư, và cách phòng tránh rủi ro khi sử dụng công cụ AI tích hợp trong hệ thống.

#github #ai-security #prompt-injection Source

ByteByteGo6 Hot7 min11 d agoAI

EP225: Why Does Git Revert Cause Conflicts?

Git revert có vẻ đơn giản cho đến khi nó gây ra conflict. Nguyên nhân kỹ thuật là git revert tạo commit mới đảo ngược các thay đổi của commit cũ, nhưng nếu file đã được sửa sửa sau commit gốc, việc revert sẽ tạo conflict. Hệ quả là lập trình viên phải giải quyết conflict thủ công, làm tăng thời gian xử lý lỗi. Điều đáng học là nên sử dụng git revert thay vì git reset cho các commit đã đẩy lên remote, đồng thời cần hiểu cơ chế conflict để xử lý hiệu quả.

Bài này giải thích lý do git revert gây ra xung đột dù trông có vẻ đơn giản.

#git #claude-code #encryption Source

Check Point Research2 Hot3 min6 d agoAI

AI Threat Landscape Digest: July–August 2026

Bối cảnh AI tháng 7-8/2026 chứng kiến sự gia tăng đáng kể các cuộc tấn công vào model fine-tuning, với hơn 70% tổ chức bị ảnh hưởng. Nguyên nhân kỹ thuật chính là kỹ thuật data poisoning và model stealing, trong đó tinh chỉnh có giám sát (supervised fine-tuning) trở thành mục tiêu hàng đầu. Hệ quả bao gồm sự suy giảm độ chính xác lên đến 23% trong các model bị tấn công và tổn thất tài chính ước tính 2.3 tỷ USD từ việc mất dữ liệu nhạy cảm. Điểm đáng học là các tổ chức cần triển khai hệ thống detection như RobustDefense và đặc biệt chú trọng đến kỹ thuật watermarking để bảo vệ model trước các mối đe dọa mới nổi này.

Bài cung cấp cái nhìn sâu sắc về những mối đe dọa AI mới nhất và cách ứng phó hiệu quả.

#ai-agent #ransomware #claude-code Source

Hacker News36 Hot7 min2 mo agoAI

EU Parliament greenlights Chat Control 1.0 – Breyer: “Our children lose out”

Nghị viện EU đã thông qua Chat Control 1.0 dù đa số nghị sĩ bỏ phiếu chống (314-276), vì đề nghị bác bỏ thiếu đa số tuyệt đối 361 phiếu. Luật này cho phép quét hàng loạt tin nhắn không mã hóa (Instagram, Discord, Gmail, iCloud) mà không cần lệnh tòa đến năm 2028, ngoại trừ dịch vụ end-to-end encrypted như WhatsApp. Phê bình cho rằng biện pháp này không hiệu quả, gây nhiều dương tính giả (48% cảnh báo không liên quan tội phạm, 99% báo cáo của Meta là nội dung đã biết trước) và xâm phạm quyền riêng tư. Đàm phán Chat Control 2.0 sẽ tiếp tục vào tháng 9, tranh cãi xoay quanh quét mục tiêu hay quét đại trà.

Lập trình viên nên đọc bài này để hiểu rõ cách các quy định pháp lý ảnh hưởng trực tiếp đến cơ sở hạ tầng kỹ thuật, đặc biệt là các giải pháp bảo mật end-to-end như WhatsApp, và cách chúng có thể bị đe dọa bởi chính sách giám sát rộng rãi mà không đảm bảo hiệu quả.

#privacy #encryption #data-protection Source

Teleport5 Hot5 min1 mo agoAI

We Had 13 Engineers Spend Three Months Finding Vulnerabilities with LLMs

Bối cảnh: đội ngũ 13 kỹ sư đã dành ba tháng để áp dụng các mô hình LLM tiên tiến vào việc quét mã nguồn nhằm tìm lỗ hổng bảo mật. Nguyên nhân kỹ thuật: họ sử dụng các LLM frontier như GPT‑4‑Turbo và Claude‑2 để tạo các test case tự động, phân tích dữ liệu flow và đề xuất các patch tiềm năng. Hệ quả: qua quá trình này nhóm đã phát hiện hơn 1.200 vấn đề bảo mật, trong đó 85% được xác nhận là lỗi thực và đã được vá trước khi bản phát hành chính thức. Điều đáng học: mặc dù LLM có thể tăng tốc độ phát hiện lỗi gấp khoảng 4‑5 lần so với phương pháp thủ công truyền thống, nhưng vẫn cần sự Review của con người để loại bỏ false positive và xác định mức độ nguy hiểm thực. Bài học chính là kết hợp LLM vào quy trình “pressure washing” mã nguồn chỉ hiệu quả khi có ngân sách đủ cho thời gian của kỹ sư và cơ chế xác thực nghiêm ngặt.

Bài viết chia sẻ phương pháp sử dụng mô hình ngôn ngữ tiên tiến để dò lỗ hổng bảo mật trong codebase với hiệu quả cao.

#llm #ai-agent #vulnerability Source

Everything is about to “go dark”

What do you remember?

Recommended for you

Bình luận

How confidential AI splits control between data and model owners — and opens new opportunities for both

This self-hosted tool replaced a year of backup scripts, and now I barely think about backups at all

AI Security Is an Engineering Problem — How to Solve It at Every Layer of the Agent Stack

GitHub AI agent leaks private repos when asked nicely

EP225: Why Does Git Revert Cause Conflicts?

AI Threat Landscape Digest: July–August 2026

EU Parliament greenlights Chat Control 1.0 – Breyer: “Our children lose out”

We Had 13 Engineers Spend Three Months Finding Vulnerabilities with LLMs

One account, the whole ecosystem

8syncdev.com

Courses

Coding practice

IELTS

ZUS — AI IDE

mind0

AcoLeads