开放全球应用安全项目(OWASP)刚刚发布了2025年应用安全十大风险类别,这是自2021年以来的首次更新。研究发现,访问控制缺陷仍然是最主要的安全问题,安全配置错误紧随其后排名第二,软件供应链问题依然突出。
该更新在组织的全球应用安全美国大会上发布。据OWASP十大风险联合负责人Neil Smithline和Tanya Janca表示,榜单已最终确定,但官方详细说明仍在预览阶段。
他们表示,这份十大风险榜单是"一份基于数据的认知文档,旨在帮助组织确定优先级"。榜单基于各组织和调查受访者提供的数据编制而成。
2021年与2025年OWASP十大应用风险的变化
这些类别不可避免地存在不精确性,并在2025年版本中进行了更新。软件供应链故障是新增类别,取代了之前的"易受攻击和过时组件"。服务器端请求伪造(SSRF)已合并到访问控制缺陷中。还新增了一个类别——"异常条件处理不当"。
据Smithline和Janca介绍,访问控制缺陷"毫无疑问是网络应用、API和许多其他数字系统的头号问题"。这一问题影响了3.73%的被测应用程序。此类错误包括通过URL篡改绕过访问控制、API缺失访问控制、普通用户猜测特权页面URL,或任何违反最小权限原则的行为。
"除公共资源外,默认拒绝"是预防此类问题的首要建议。
安全配置错误排名第二,Smithline和Janca在演讲中表示,如果针对云和基础设施安全,这一问题将排名第一。由于工程趋势更多地将安全基于配置而非其他方法,这一问题在榜单中的排名有所上升。
供应链故障排名第三,尽管发生频率相对较低,但OWASP报告称,此类问题"在通用漏洞披露(CVE)中具有最高的平均利用和影响评分"。
注入攻击已从第三位降至第五位,这得益于它是测试最充分的类别之一。注入问题包括SQL注入和跨站脚本攻击。
OWASP的一个独立项目涵盖了大语言模型和生成式AI应用的十大风险,其中提示注入被列为首要风险,这种攻击通过提示输入操纵模型响应以绕过安全检查。
基于社区反馈新增的异常条件处理不当类别,涵盖了代码无法正确响应异常情况的问题,包括竞争条件、对部分完成交易的攻击,或在错误消息中泄露敏感信息。
Janca在Reddit上表示:"最初我们考虑将'代码质量差'作为一个类别,但这个范围太宽泛了。而且如何修复呢?建议会是什么?……'你的代码很糟糕,做得好一点',这根本没有帮助。"
OWASP提供了大量改善应用安全的优秀建议,但是否取得了进展?一位开发者在回应新的十大风险时抱怨道:"安全方面的情况与5年前、10年前、15年前、20年前完全一样",不过他也承认现在有更多问题被工具识别出来。
另一位从小企业角度发言的人士表示,安全编码仍然"很大程度上是事后考虑",管理层更关注新功能,直到出现问题时才重视,但那时为时已晚。
Q&A
Q1:OWASP十大应用风险榜单是什么?
A:OWASP十大应用风险榜单是开放全球应用安全项目发布的年度应用安全风险排名,是一份基于数据的认知文档,旨在帮助组织确定安全优先级。2025年版本是自2021年以来的首次更新。
Q2:访问控制缺陷为什么排名第一?
A:访问控制缺陷是网络应用、API和许多数字系统的头号问题,影响了3.73%的被测应用程序。常见错误包括通过URL篡改绕过访问控制、API缺失访问控制、普通用户猜测特权页面URL等违反最小权限原则的行为。
Q3:2025年榜单相比2021年有哪些主要变化?
A:主要变化包括:新增"软件供应链故障"类别取代"易受攻击和过时组件";服务器端请求伪造合并到访问控制缺陷中;新增"异常条件处理不当"类别;注入攻击从第三位降至第五位;安全配置错误上升至第二位。
好文章,需要你的鼓励
2025年人工智能在企业中实现突破性应用,从实验阶段转向实用阶段。八位代表性CIO分享核心经验:AI工具快速进化、需保持快节奏实验思维、重视工作流程而非组织架构、数据质量成为新挑战、采用前瞻性指标管理项目、无需等待完美时机、AI既是技术也是社会文化现象、需严格项目管理、变革重在人员而非技术、多智能体架构成未来趋势。
这项由加州伯克利分校等机构联合完成的研究开发了MomaGraph系统,首次实现了机器人对空间关系和功能关系的统一理解。该系统通过强化学习训练,能够同时识别物品位置和操作方法,并具备状态感知能力。在综合测试中达到71.6%准确率,超越同类开源系统11.4%,在真实机器人平台上验证了实用性,为智能家庭机器人的发展奠定重要基础。
日本科技投资巨头软银需要在年底前筹集225亿美元,以履行对AI合作伙伴OpenAI的资金承诺。软银是OpenAI价值5000亿美元Stargate数据中心计划的主要资助者之一。为筹集资金,软银CEO孙正义可能动用多种手段,包括利用其持有的英国芯片设计公司Arm股份作为抵押贷款。软银已清仓英伟达股份为该项目提供资金,目前可通过Arm股份借贷115亿美元,还持有价值110亿美元的T-Mobile股份及270亿美元现金储备。
MIT研究团队提出了突破性的双向归一化流(BiFlow)技术,通过训练独立的逆向模型替代传统的精确逆向过程,解决了归一化流方法架构受限和推理缓慢的核心问题。该方法采用创新的隐藏对齐策略,让逆向模型学习高效的生成路径,在ImageNet数据集上实现了高达697倍的速度提升,同时将图像质量提升到新的技术水平,为生成模型领域带来了重要的思路突破。