Fortinet在周末紧急发布了FortiClient企业管理服务器(EMS)关键漏洞的修复补丁,该漏洞被认为自3月31日以来一直遭受攻击。
漏洞详情与影响
该漏洞编号为CVE-2026-35616,属于访问控制不当漏洞,允许未经身份验证的攻击者通过精心制作的请求执行未授权的代码或命令。该漏洞获得了9.1分的关键CVSS评级。除了敦促客户为FortiClient EMS 7.4.5和7.4.6版本安装热修复补丁外,防火墙供应商还警告称已"观察到该漏洞在野外被利用"。
FortiClient EMS产品允许企业集中管理和保护远程及办公室计算机。这是过去几周内第二个遭受攻击的FortiClient关键漏洞。3月底,安全研究人员警告称CVE-2026-21643漏洞(同样导致未经身份验证的远程代码执行)正在野外被积极利用。
政府部门响应
周一,美国网络安全和基础设施安全局(CISA)将FortiClient EMS漏洞添加到已知被利用漏洞(KEV)目录中,并为所有联邦机构设定了周四的补丁安装截止期限。
当记者向Fortinet询问关于谁在滥用该安全漏洞以及有多少客户受到影响的更多细节时,该安全软件公司拒绝回答具体问题。Fortinet发言人表示"我们的PSIRT响应和修复工作仍在进行中",并且"我们正在直接与客户沟通,就任何必要行动提供建议"。
过去,来自俄罗斯和中国的政府背景黑客曾经针对脆弱的FortiClient EMS实例发动攻击。
攻击规模分析
据VulnCheck安全研究副总裁Caitlin Condon介绍,好消息是"FortiClient EMS在互联网上的暴露范围相对较小"。Condon告诉记者,她的团队分析观察到约100个面向互联网的暴露实例。
WatchTowr首席执行官Benjamin Harris在周末告诉记者,他们安全公司的蜜罐基础设施在3月31日首次捕获了攻击者试图利用CVE-2026-35616的行为。
周一,watchTowr主动威胁情报负责人Ryan Dewhurst表示,最初的行为"代表了谨慎的'低频缓慢'利用方式"。
但他补充说攻击很快就升级了。"正如我们经常看到的,当零日漏洞被发现时,利用不再安静和有针对性——在补丁开始应用之前,明显转向机会主义和尽可能不加区别地利用其零日漏洞,"Dewhurst说。"我们以前说过,现在还要再说一遍,当野外利用变得猖獗时:应用热修复的最佳时间是昨天,第二好的时间就是现在。"
Q&A
Q1:CVE-2026-35616漏洞有多危险?
A:CVE-2026-35616是一个访问控制不当漏洞,CVSS评级高达9.1分,属于关键级别。该漏洞允许未经身份验证的攻击者通过精心制作的请求执行未授权的代码或命令,已被确认在野外遭到利用。
Q2:FortiClient EMS受影响的范围有多大?
A:据VulnCheck安全研究分析,FortiClient EMS在互联网上的暴露范围相对较小,约有100个面向互联网的暴露实例。该产品主要用于企业集中管理和保护远程及办公室计算机。
Q3:攻击者是如何利用这个漏洞的?
A:据WatchTowr的蜜罐基础设施监测,攻击者从3月31日开始利用该漏洞,最初采用谨慎的"低频缓慢"方式。随后攻击迅速升级,转向机会主义和不加区别的大规模利用模式。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。