EVM Deep Dive: Reentrancy Attacks and the Checks-Effects-Interactions Pattern

InfoQ1 Hot3 phút13 giờ trướcAI

Beyond Zero: Google Publishes Successor to BeyondCorp

Google đã phát hành bài nghiên cứu mô tả Beyond Zero, mô hình bảo mật được mô tả là “mô hình cho thời đại AI” và là sự phát triển của mô hình Zero Trust đã được triển khai trong BeyondCorp. Nguyên nhân kỹ thuật là sự xuất hiện của các tác nhân AI tự chủ cần đưa ra quyết định truy cập liên tục dựa trên bối cảnh thực time, thay vì dựa trên chính sách tĩnh ở mức ứng dụng. Do đó, Beyond Zero chuyển quyết định truy cập từ lớp ứng dụng sang lớp chính sách trung tâm, sử dụng telemetry và đánh giá rủi ro động để cấp hoặc thu hồi quyền truy cập ngay lập tức. Hệ quả của việc này là giảm bề mặt tấn công cho các workload AI và cho phép triển khai tự động hóa mà không làm giảm mức độ tin cậy bảo mật. Bài học cho các lập trình viên là khi mở rộng mô hình Zero Trust sang hệ thống AI, cần đầu tư vào cơ sở hạ tầng chính sách dưới dạng mã và khả năng phản hồi real‑time để kịp thời thích ứng với hành vi của các tác nhân tự trị.

Beyond Zero giúp lập trình viên hiểu cách mở rộng mô hình Zero Trust cho tác nhân AI tự chủ trong kỷ nguyên an ninh mạng mới.

#security #google #ai-agent Nguồn

Adventures in Nodeland99 Hot7 phút1 tháng trướcAI

No, We Can't Harden Node.js Against Prototype Pollution

Lỗ hổng prototype pollution không phải lỗi của Node.js hay thư viện, mà phụ thuộc vào cách ứng dụng ngăn chặn các lỗ hổng bảo mật.

Lập trình viên nên đọc bài này để hiểu cách bảo vệ Node.js khỏi nguy cơ prototype pollution—một lỗ hổng thường bị bỏ qua mà có thể phá hủy tính bảo mật và tính ổn định của ứng dụng.

#javascript #nodejs #appsec Nguồn

Teleport4 Hot5 phút13 ngày trướcAI

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 Nguồn

Laravel News2 Hot4 phút11 ngày trướcAI

Laravel Auditor Audits Your App With Your Own AI Agent

Laravel Auditor cho phép Claude Code, Codex và Cursor thực hiện một quy trình kiểm tra 75 rule kèm read‑only MCP để đánh giá bảo mật, hiệu năng và schema. Kiểm tra này dựa trên các công cụ tự động mà không thay đổi mã nguồn, giúp phát hiện lỗi tiềm ẩn và tối ưu hoá cấu trúc database. Kết quả là việc giảm thiểu lỗi bảo mật, tăng tốc độ chạy ứng dụng và duy trì tính nhất quán của các bảng dữ liệu. Vì vậy, nếu bạn đang cân nhắc tích hợp AI vào quy trình review mã, Laravel Auditor cung cấp một cách thực tiễn để tự động hoá kiểm tra. Điều này cho thấy việc kết hợp công nghệ AI với các quy tắc đã định nghĩa sẵn có thể nâng cao chất lượng và độ tin cậy của dự án Laravel.

Laravel Auditor trang bị cho bạn khả năng tự động kiểm tra ứng dụng với phương pháp luận 75 quy tắc và công cụ AI chuyên sâu để đảm bảo bảo mật, hiệu suất và tính nhất quán.

#ai-agent #php #laravel Nguồn

GitHub Blog1 Hot13 phút11 ngày trướcAI

How to evaluate LLMs before production

Bối cảnh: Trước khi đưa LLM vào hệ thống sản xuất để quét mật mã, nhóm cần xác định xem mô hình có đủ khả năng phát hiện chính xác các secret không. Nguyên nhân kỹ thuật: Các LLM thường sinh ra phản hồi không nhất quán, dễ bị lừa bởi prompt và có xu hướng hallucinate, dẫn đến cả false positive và false negative trong việc nhận diện chuỗi khóa, token hoặc mật khẩu. Hệ quả: Nếu không kiểm soát những lỗi này, hệ thống có thể bỏ qua các secret thực sự (gây rò rỉ bảo mật) hoặc tạo ra quá nhiều cảnh báo không đúng (gây cảnh báo mệt mỏi và lãng phí công sức kiểm tra). Điều đáng học: Đánh giá trước khi triển khai nên dựa trên bộ dữ liệu secret thực tế, đo lường precision, recall và latency, đồng thời kiểm tra mô hình đối với các adversarial prompt và thiết lập quy trình giám sát liên tục sau khi đưa vào production. Các bước này giúp giảm rủi ro và tăng độ tin cậy của giải pháp quét secret dựa trên LLM.

Bài viết chia sẻ kinh nghiệm thực tế đánh giá LLMs cho quét dữ liệu bí mật trong môi trường ứng dụng thực tế.

#security #llm #github Nguồn

XDA Developers1 Hot3 phút14 ngày trướcAI

I gave Claude Code its own disposable computer, and stopped caring what it installed

Tác giả đã cấp cho Claude Code một máy tính dùng một lần (disposable computer) để chạy các lệnh mà không cần phê duyệt trước. Môi trường này được tạo ra như một ảo máy hoặc container tách biệt hoàn toàn khỏi hệ thống chính, vì vậy bất kỳ thay đổi nào cũng sẽ bị xóa sau khi phiên bản kết thúc. Nhờ cách cô lập này, anh không còn phải xác nhận từng lệnh mà Claude Code thực hiện, từ đó tiết kiệm thời gian và giảm áp lực quyết định. Kết quả là quy trình làm việc với AI trở nên liền mạch hơn, cho phép tập trung vào mục tiêu thay vì các bước thủ tục. Bài học là việc sử dụng tài nguyên tính toán dùng một lần và cô lập có thể làm giảm rủi ro khi tự động hoá các tác vụ do mô hình ngôn ngữ thực hiện.

Bài viết này giúp lập trình viên tiết kiệm thời gian bằng cách tự động hóa phê duyệt lệnh trong quá trình phát triển.

#ai-agent #docker #claude-code Nguồn

Awesome Java Newsletter1 Hot11 phút16 ngày trướcAI

Don't Let the AI Find Your Bugs. Let It Judge Them.

Bài viết đề xuất sử dụng AI để đánh giá lỗi bảo mật thay vì tìm kiếm chúng, minh họa qua một phương thức Java bị quét lỗ hổng SQL injection.

Bài viết này giúp lập trình viên hiểu cách sử dụng AI một cách hiệu quả để đánh giá và cải thiện chất lượng code, thay vì chỉ tìm lỗi bề mặt.

#llm #java #sql Nguồn

Snyk1 Hot7 phút16 ngày trướcAI

Remediation Agents and Agentic AppSec Explained

Bài viết giải thích cách Snyk's Remediation Agent biến các bản vá backlog thành pull request có thể merge trong livestream từ AI Security Engineers.

Bài viết này giải thích cách Snyk's Remediation Agent tự động hóa việc sửa lỗi bảo mật, giúp lập trình viên tiết kiệm thời gian và nâng cao hiệu suất làm việc.

#security #ai-agents #appsec Nguồn

EVM Deep Dive: Reentrancy Attacks and the Checks-Effects-Interactions Pattern

Đề xuất cho bạn

Bình luận

Beyond Zero: Google Publishes Successor to BeyondCorp

No, We Can't Harden Node.js Against Prototype Pollution

We Had 13 Engineers Spend Three Months Finding Vulnerabilities with LLMs

Laravel Auditor Audits Your App With Your Own AI Agent

How to evaluate LLMs before production

I gave Claude Code its own disposable computer, and stopped caring what it installed

Don't Let the AI Find Your Bugs. Let It Judge Them.

Remediation Agents and Agentic AppSec Explained

Một tài khoản, cả hệ sinh thái

8syncdev.com

Khóa học

Luyện code

IELTS

ZUS — IDE AI

mind0

AcoLeads