Booking.com近日开始向受影响用户发送邮件,提醒他们的预订信息可能已被未知攻击者获取。这一事件再次表明,这家旅游巨头在保护平台数据流转方面仍存在明显漏洞。
公司在邮件中表示,"未经授权的第三方"可能访问了与用户账户相关的预订信息,涉及内容包括姓名、联系方式、预订日期,以及用户通过平台与酒店之间的往来消息。
尽管Booking.com强调财务数据未受波及,但对于受影响用户的具体数量,公司却几乎只字不提。截至目前,Booking.com未回应《The Register》的置评请求。
据《The Register》获取的一封致受影响用户的邮件显示,Booking.com表示已检测到可疑活动,对问题进行了处置,并出于预防目的重置了预订PIN码。同时,公司提醒用户警惕钓鱼攻击,考虑到泄露数据的性质,这一风险尤为突出。
邮件原文写道:"我们近期发现了影响部分客人预订的可疑活动,这可能导致未经授权的第三方能够访问相关预订信息。我们正在向客人发送邮件,告知其预订确认书的PIN码已被更改,以保障预订安全。"
此次泄露的数据虽不涉及信用卡信息,但恰恰是制造高度逼真钓鱼邮件所需的素材。事实上,Booking.com平台内置的消息系统此前已多次被滥用——通常在酒店账户遭攻击后,合法的沟通渠道便成为传播支付诈骗的工具。
目前,Booking.com尚未说明数据被访问的具体方式、此次事件是否与合作伙伴系统遭入侵有关,以及数据暴露持续了多长时间才被发现。
这也并非Booking.com首次陷入类似困境。2021年,荷兰监管机构曾对该公司处以47.5万欧元罚款,原因是一起数据泄露事件导致逾4,000名用户的个人信息外泄,部分用户的信用卡信息也未能幸免。该事件的根源在于攻击者通过酒店员工登录凭据渗透系统,属于供应链层面的入侵,而非直接攻破Booking.com本身。类似的攻击模式在旅游行业已多次重演。
若此次事件遵循相同路径,数据泄露本身或许只是问题的一半。更迫切的威胁来自后续的钓鱼攻击——攻击者利用真实预订数据精心伪造看似合法的信息,轻易绕过用户和基本安全检测。
Q&A
Q1:Booking.com这次数据泄露具体泄露了哪些用户信息?
A:根据Booking.com发送给受影响用户的邮件,此次可能泄露的数据包括用户姓名、联系方式、预订日期,以及用户通过平台与酒店之间的往来消息记录。公司表示财务数据未受影响,但对受影响用户的具体数量并未公开披露。
Q2:Booking.com数据泄露后用户应该怎么做?
A:Booking.com建议用户重点警惕钓鱼攻击。由于攻击者可能掌握真实预订信息,伪造的钓鱼邮件或消息会显得非常真实可信。用户应避免点击陌生链接,不要轻易提供支付信息,并通过Booking.com官方渠道核实任何与预订相关的通知。此外,平台已主动重置了受影响用户的预订PIN码。
Q3:Booking.com之前发生过类似的数据安全事件吗?
A:是的。2021年,Booking.com曾因一起数据泄露事件被荷兰监管机构罚款47.5万欧元,该事件导致超过4,000名用户的个人数据外泄,部分涉及信用卡信息。当时的入侵方式是通过酒店员工账户渗透,属于供应链攻击,而非直接入侵Booking.com平台。
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。