【正常】
欢迎回到"被黑了"专栏。在这里,我们分享来自IT从业者的亲身经历——他们自己踩过坑,或者亲眼目睹别人踩坑。本期故事告诉我们:即便是安装健身器材这样看似简单的工作,也绝对不能把安全凭证随意留在外面。
本周的故事主人公,我们姑且称他为JC,他经营一家销售和安装二手健身器材的公司。他曾与一家酒店签订合同,负责安装一批配备视频屏幕的有氧健身设备,让健身的客人可以通过局域网观看Netflix。
然而,JC的一名员工在其中一台跑步机上贴了一张便利贴,上面写着设备的默认管理员PIN码。结果,一位酒店住客发现了这张便利贴,登录了控制面板,开始播放80年代的音乐视频。我们不知道这位"捣蛋旅客"具体点播了哪些歌曲,但不难猜到,Olivia Newton-John的《Physical》很可能排在歌单第一位。
酒店前台员工听到健身房里传来奇怪的音乐声,一时以为健身房"闹鬼"了。后来才弄清楚,原来是有人把YouTube开着走人了,根本没有登录Netflix。所幸,这位"攻击者"并未造成实质性损害。但如果换成一个更有企图心的人控制了这些设备,后果就难以预料了——这些机器完全可能被用于发起命令与控制攻击。
对此,JC表示他将这次事件视为一次宝贵的教训。现在,他的团队会将所有终端设备隔离在访客VLAN中,修改默认密码,甚至会禁用健身设备上的USB接口。他们在设备老化测试阶段就完成补丁更新,还会锁定网络面板,防止任何人拔出网线、将自己的设备接入局域网。
Forrester Research副总裁兼研究总监Merritt Maxim表示,他还建议在防火墙层面限制出站访问,确保健身器材只能与Netflix之间收发数据。否则,一旦黑客控制了健身设备,造成的破坏将远不止于此。
上周我们讲过一台咖啡机如何成为企业网络的安全威胁入口。这次的情况与之如出一辙,两个故事共同说明了一件事:无论一台联网设备看起来多么"人畜无害",做好安全防护都至关重要。
如果你也有过类似"网络被开了大口子"的故事,欢迎发送至 pwned@sitpub.com,我们可以为你保密。
Q&A
Q1:这次健身房安全事件是怎么发生的?
A:一家酒店的健身器材安装人员将设备默认管理员PIN码写在便利贴上,直接贴在跑步机上。一位住客发现后登录了控制面板,播放起80年代的音乐视频。这位住客并未造成实际损害,但如果是恶意攻击者,则可能利用这些设备发起命令与控制攻击。
Q2:健身房联网设备被入侵会有哪些风险?
A:联网健身设备一旦被恶意控制,不只是播放音乐视频这么简单。攻击者可以将其用于命令与控制攻击,渗透到更大范围的局域网,甚至借此攻击酒店内网中的其他系统。Forrester Research的专家建议在防火墙层面限制这类设备的出站访问,让其只能连接特定服务,从而降低风险。
Q3:安装健身器材后应该采取哪些安全措施?
A:根据这次事件的经验,安装方事后采取了多项改进措施:将所有终端隔离在访客VLAN中、修改设备默认密码、禁用USB接口、在老化测试阶段完成补丁更新,并锁定网络面板防止他人随意插拔网线。安全专家还建议在防火墙层面对这类设备的网络访问权限进行严格限制。
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。