Hackaday Links: October 3, 2026

Git 3.0's upcoming SHA-256 default will be a costly mistake

Git 3.0 đang chuẩn bị chuyển sang sử dụng SHA-256 làm thuật toán hash mặc định, gây ra …

Upcoming Next.js September Security Release

Vào ngày 30 tháng 9 năm 2026, Next.js sẽ ra mắt bản cập nhật bảo mật định kỳ cho phiên bản September Security Release. Bản vá này nhằm khắc phục các lỗ hổng bảo mật tiềm ẩn trong framework Next.js. Việc cập nhật là cần thiết để đảm bảo ứng dụng web của bạn không bị tấn công khai thác các lỗ hổng mới phát hiện. Lập trình viên nên theo dõi cập nhật và triển khai ngay khi có bản vá để bảo vệ hệ thống của mình khỏi các mối đe dọa bảo mật mới nhất.

Bạn nên đọc bài này để cập nhật các lỗ bảo mật mới phát hiện trong Next.js trước ngày phát hành bản vá bảo mật tháng 9 năm 2026.

I got targeted: Trying to get your credentials via a git post-checkout hook

Tác giả trở thành nạn nhân của một cuộc tấn công nhằm đánh cắp thông tin đăng nhập do vai trò trong lĩnh vực open source và tư vấn. Kẻ tấn công đã lợi dụng git post-checkout hook - một tính năng cho phép thực thi script sau khi chuyển nhánh repository - để cài đặt mã độc. Khi tác giả chạy checkout command, hook đã được kích hoạt và cố gắng truyền thông tin về file config sang máy chủ điều khiển. Sự việc này minh họa rõ ràng tầm quan trọng của việc không sử dụng hook tự động từ các repository không đáng tin cậy và luôn kiểm tra kỹ nội dung các file hook trước khi kích hoạt.

Bài viết chia sẻ kinh nghiệm thực tế về cách kẻ tấn công đánh cắp thông tin đăng nhập qua git post-checkout hook giúp lập trình viên phòng thủ hiệu quả.

DeepSeek-Reasonix: How a poisoned config can hijack an AI coding agent

Nhóm Threat Research của GitLab phát hiện ra lỗi ConfigPoisoning trong DeepSeek-Reasonix, cho phép kẻ tấn công thực thi mã độc khi lập trình viên xem diff của file. Lỗi này xuất phát từ việc hệ thống không xác thực đúng cách file cấu hình (.deepseek-reasonix/config.toml) chứa mã độc. Khi sử dụng tính năng "AI Coding Assistant" để xem diff, hệ thống sẽ thực thi mã được nhúng trong file cấu hình. Đáng lưu ý là lỗi này tận dụng tính năng tự động hóa của AI coding agent mà không cần thay đổi code source.

Bài viết cảnh báo nguy cơ ConfigPoisoning trong DeepSeek-Reasonix có thể khiến lập trình viên vô tình thực thi mã độc khi xem diff file.

Load-Bearing People

Bài viết bắt đầu bằng việc mô tả cách một gói npm tên left-pad, chỉ gồm mười một dòng JavaScript, đã được tác giả xóa khỏi kho lưu trữ công cộng vào tháng 3/2016. Vì hàng nghìn dự án Node.js và các công cụ xây dựng phụ thuộc trực tiếp hoặc gián tiếp vào left-pad để thực hiện hàm padding chuỗi, việc xóa này khiến quá trình cài đặt và biên dịch của nhiều dự án thất bại ngay lập tức. Hậu quả lan rộng đến mức các dịch vụ web lớn như Netflix, PayPal và cả các hệ thống nội bộ của các công ty công nghệ đều gặp lỗi build, dẫn đến sự gián đoạn triển khai và trong một số trường hợp là downtime tạm thời. Bài viết nhấn mạnh rằng nguyên nhân không phải do lỗi phức tạp mà là sự quáмер phụ thuộc vào một gói nhỏ, không có bản sao lưu hoặc phiên bản dự phòng trong hệ thống quản lý phụ thuộc. Kết luận là để tránh tình trạng tương tự, các đội ngũ cần áp dụng chính sách khóa phiên bản, kiểm tra lại cây phụ thuộc và cân nhắc sao chép mã nguồn quan trọng vào nội bộ thay vì tin tưởng hoàn toàn vào gói bên ngoài.

Những dòng code làm sập Internet dạy chúng ta về tầm quan trọng của con người trong cấu trúc nhóm và trách nhiệm cá nhân.

We Automated Over 15,000 Security Reviews Without Letting AI Decide Everything

Để giải quyết bài toán kiểm tra bảo mật mất hàng giờ, công ty đã triển khai hệ thống automation với 15,000+ security reviews. Họ kết hợp deterministic controls và specialized AI agents để xử lý tác vụ nhưng vẫn giữ con người giám sát an toàn. Nhờ hệ thống này, thời gian verification giảm từ vài giờ xuống còn vài phút. Bài học đáng học là cách thiết kế hybrid approach giữa AI và human oversight mà không để AI tự quyết định, sử dụng safe escalation khi cần xử lý phức tạp. Các công nghệ như deterministic controls và specialized AI agents được tận dụng tối ưu để đạt hiệu suất cao.

Bài viết này giúp lập trình viên hiểu cách kết hợp kiểm soát xác định và AI chuyên dụng để tự động hóa hiệu quả quy trình rà bảo mật.

Why Every QA Wolf AI Agent Gets Its Own Computer

Trong QA Wolf, mỗi agent AI cần môi trường độc lập để thực hiện test automation vì agent sessions không hoạt động như các cloud jobs thông thường. Hệ thống gốc sử dụng Docker containers chia sẻ tài nguyên, dẫn đến xung đột khi nhiều agent cùng truy cập file system, shell hay browser. Đội ngũ đã chuyển sang kiến trúc mô hình isolation, mỗi agent được cấp phát một máy ảo riêng biệt với 2 CPU, 4GB RAM và hệ điều hành Linux full-featured. Giải pháp này loại bỏ hoàn toàn xung đột đồng thời tăng bảo mật và giảm chi phí 40% so với cloud-based alternatives. Làm được điều này nhờ sử dụng dụng Proxmox VE và libvirt để quản lý các máy ảo, kết hợp với custom scripts để tối ưu phân bổ tài nguyên.

Bài viết giải thích cách kiến trúc cơ sở hạ tầng được thiết kế để mỗi agent AI QA Wolf có máy riêng, đảm bảo hoạt động độc lập với filesystem, shell và browser thực.

How LLMs Are Compressing Attacker MTTE, and What Defenders Need to Do About It

Bối cảnh của bài viết là các LLM đang làm giảm thời gian trung bình để thực hiện tấn công (MTTE). Nguyên nhân kỹ thuật là khả năng của các Large Language Models trong việc tự động hóa các công cụ tấn công như Mythos. Hệ quả là các nhà bảo mật phải đối mặt với thời gian phản ứng ngắn hơn đáng kể, đòi hỏi các chiến lược phòng thủ mới. Điều đáng học là các defender cần hiểu cách thức các LLM như Hugging Face có thể được sử dụng trong tấn công để phát triển các cơ chế bảo vệ phù hợp trước khi các công nghệ này trở nên phổ biến rộng rãi.

Bài viết giải thích cách LLMs đang nén thời gian phát hiện tấn công và điều phòng thủ cần thiết cho lập trình viên.