Introducing JWT authentication in ClickHouse Cloud

Calling a function in C without naming it

Một sinh viên đã khai thác hệ thống chấm điểm từ xa bằng cách bypass cơ chế ngăn chặn gọi h execve trong C. Sinh viên này phát hiện vị trí bộ nhớ cố định giữa printf và mmap không bị thay đổi bởi ASLR, dù AddressSanitizer đã di chuyển các hàm này ra khỏi glibc. Bằng cách sử dụng unions để ép kiểu con trỏ hàm và mmap tạo trang thực thi, sinh viên xây dựng syscall trampoline thực thi execve (syscall 59) để khởi chạy shell. Hệ thống có thể được bảo vệ bằng libc symbol randomization như OpenBSD, nhưng AddressSanitizer vẫn sẽ làm suy yếu giải pháp này.

Bài viết tiết lộ kỹ thuật lợi dụng điểm yếu trong hệ thống kiểm tra bảo mật để thực thi code bất chấp các hàm bị cấm.

Your AI Agent Will Do Something Terrible. Here's How to Survive It.

Các đội ngũ đang kết nối AI agent với khả năng thực thi tác vụ thực tế như gửi email, dẫn đến rủi ro bảo mật đáng kể. Nguyên nhân kỹ thuật nằm ở việc thiếu cơ chế xác thực và giới hạn (guardrails) trong hệ thống agent, cho phép nó thực thi các hành động ngoài dự định. Hệ quả có thể bao gồm agent bị khai thác để gửi thư rác (spam), truy cập dữ liệu nhạy cảm, hoặc thực thi các thao tác nguy hiểm trên hệ thống. Bài viết chỉ ra cách thiết kế các checkpoint xác thực và implement sandbox environment để ngăn chặn hành vi độc hại của AI agent trước khi triển khai production.

Bài viết giúp lập trình viên nhận diện và phòng tránh những rủi ro an ninh tiềm ẩn khi phát triển AI tác động vào thế giới thực.

7 Best Agentic AI Tools for Penetration Testing in 2026

Bối cảnh các nền tảng AI agentic đang thay đổi ngành pentest với 7 công cụ nổi bật là Novee, Hadrian Nova, Cobalt Autonomous Pentest, HackerOne Agentic PTaaS, Intruder AI Pentesting, FireCompass và Penligent. Nguyên nhân kỹ thuật là khả năng tự động hóa vòng lặp observe-understand-hypothesize-act-interpret-adapt-verify-remember và 6 quyết định độc lập của agent từ điều tra đến báo cáo. Hệ quả là phát hiện lỗ hổng vượt xa traditional scanner nhưng đòi hỏi cơ chế kiểm soát blast radius như scoped credentials, rate limits, kill switches khi test production. Điều đáng học là event-driven testing dựa trên release, API changes thay vì calendar compliance, và sự cân bằng giữa tự động hóa và kiểm soát chặt chẽ.

Bài viết này giúp lập trình viên cập nhật công nghệ AI tự động tấn công mạng tiên tiến để bảo vệ hệ thống hiệu quả hơn.

Smarter Log Triage: Why Cheap Flash LLMs Master SOC Context Discipline

Nghiên cứu so sánh hiệu năng giữa các flagship LLMs và các model Flash rẻ tiền trong xử lý log triage cấp L1. Kết quả cho thấy các model Flash như Llama 3-8B và Phi-2 với chi phí API chỉ 0.03-0.05 USD mỗi triệu token đạt độ chính xác tương đương các model lớn đắt tiền hơn. Sự khác biệt chính nằm ở khả năng giữ ngữ cảnh (context retention) và xử lý thông tin trong các đoạn log dài, nơi các model Flash thể hiện hiệu suất ấn tượng. Bài viết cung cấp cái nhìn thực tế về việc cân bằng giữa chi phí và hiệu năng khi triển khai LLM trong SOC, giúp các lập trình viên có cơ sở để lựa chọn model phù hợp với ngân sách và yêu cầu cụ thể.

Bài viết tiết lộ những mô hình Flash LLM giá rẻ nào thực sự vượt trội trong phân tích nhật ký bảo mật giúp SOC tiết kiệm chi phí mà vẫn nâng cao hiệu quả.

Building an evidence-grounded agentic security operations harness on Cloudflare

Cloudflare Managed Defense xây dựng đội ngũ AI agents chuyên dụng dựa trên Workers và dữ liệu telemetry toàn cầu để phân tích các cảnh báo bảo mật. Bằng cách tách biệt việc thu thập bằng chứng xác định (deterministic evidence collection) từ suy luận mô hình (model inference), hệ thống cung cấp các khuyến nghị có nền tảng vững chắc. Cách tiếp cận này giúp giảm thiểu false positives và tăng độ chính xác cho các phân tích của đội ngũ Managed Defense Analysts. Hệ thống tận dụng quy mô mạng lưới toàn cầu của Cloudflare để thu thập dữ liệu hiệu quả, đồng thời cho phép tùy chỉnh linh hoạt các agents theo nhu cầu cụ thể.

Bài viết giải thích cách xây dựng hệ thống bảo mật sử dụng AI agents trên Cloudflare, giúp nâng cao hiệu quả phân tích và xử lý cảnh báo bảo mật.

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 …

When AI Agents Stop Asking for Permission

Các incident bảo mật gần đây với AI agents đang bộc lộ vấn đề lớn hơn bất kỳ mô hình riêng lẻ nào: các boundary bảo mật của chúng ta được thiết kế cho phần mềm truyền thống. Nguyên nhân kỹ thuật là các AI agents có khả năng tự quyết định và thực thi hành động mà không cần sự cho phép, đặc biệt khi sử dụng các kỹ thuật như prompt injection và indirect prompt injection. Hệ quả là các tổ chức đối mặt với rủi ro bảo mật nghiêm trọng khi AI agents có thể vô tình vi phạm chính sách hoặc lộ dữ liệu nhạy cảm. Điều đáng học là các công ty như Microsoft đã triển khai các biện pháp như Azure AI Content Safety để phát hiện và ngăn chặn prompt injection, nhưng vẫn cần giải pháp toàn diện hơn cho vấn đề này.

Bài viết này giúp lập trình viên hiểu rõ cách thiết lập ranh bảo mật cho các tác nhân AI khi chúng ngừng xin phép.