思科发布了更新程序,以解决身份服务引擎(ISE)和ISE被动身份连接器(ISE-PIC)中的中等严重性安全漏洞,该漏洞已有公开的概念验证(PoC)漏洞利用代码。
该漏洞被标记为CVE-2026-20029(CVSS评分:4.9),存在于许可功能中,可能允许具有管理权限的已认证远程攻击者获取敏感信息的访问权限。
思科在周三的公告中表示:"此漏洞是由于对思科ISE和思科ISE-PIC的基于Web管理界面处理的XML解析不当造成的。攻击者可以通过向应用程序上传恶意文件来利用此漏洞。"
成功利用该漏洞可能允许拥有有效管理凭据的攻击者从底层操作系统读取任意文件,而公司表示即使对管理员来说,这些文件也应该是禁止访问的。
趋势科技零日倡议的Bobby Gould被认定发现并报告了该漏洞。该漏洞影响以下版本:
思科ISE或ISE-PIC 3.2之前的版本 - 迁移到修复版本
思科ISE或ISE-PIC 3.2版本 - 3.2补丁8
思科ISE或ISE-PIC 3.3版本 - 3.3补丁8
思科ISE或ISE-PIC 3.4版本 - 3.4补丁4
思科ISE或ISE-PIC 3.5版本 - 不受影响
思科表示没有解决该漏洞的变通办法,并补充说已知存在PoC漏洞利用代码。目前没有迹象表明该漏洞在实际环境中被利用。
与此同时,该网络设备公司还发布了另外两个中等严重性错误的修复程序,这些错误源于分布式计算环境远程过程调用(DCE/RPC)请求的处理,可能允许未经身份验证的远程攻击者导致Snort 3检测引擎泄露敏感信息或重启,影响可用性。
趋势科技研究员Guy Lederfein因报告这些漏洞而获得认可。这些问题的详细信息如下:
CVE-2026-20026(CVSS评分:5.8) - Snort 3 DCE/RPC拒绝服务漏洞
CVE-2026-20027(CVSS评分:5.3) - Snort 3 DCE/RPC信息泄露漏洞
它们影响多个思科产品:
思科安全防火墙威胁防御(FTD)软件,如果配置了Snort 3
思科IOS XE软件
思科Meraki软件
由于思科产品中的漏洞经常被恶意行为者利用,用户更新到最新版本以获得充分保护至关重要。
Q&A
Q1:CVE-2026-20029漏洞的严重程度如何?会造成什么影响?
A:CVE-2026-20029是一个中等严重性漏洞,CVSS评分为4.9。该漏洞存在于思科ISE和ISE-PIC的许可功能中,可能允许具有管理权限的已认证远程攻击者获取敏感信息的访问权限,甚至读取底层操作系统中本应对管理员禁止访问的任意文件。
Q2:思科ISE的哪些版本受到CVE-2026-20029漏洞影响?
A:受影响的版本包括:3.2之前的版本需迁移到修复版本,3.2版本需升级到3.2补丁8,3.3版本需升级到3.3补丁8,3.4版本需升级到3.4补丁4。3.5版本不受此漏洞影响。
Q3:除了CVE-2026-20029,思科还修复了哪些其他安全漏洞?
A:思科还修复了两个与Snort 3检测引擎相关的中等严重性漏洞:CVE-2026-20026(CVSS评分5.8)是拒绝服务漏洞,CVE-2026-20027(CVSS评分5.3)是信息泄露漏洞。这些漏洞影响配置了Snort 3的思科安全防火墙威胁防御软件、思科IOS XE软件和思科Meraki软件。
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。