微软已经修复了其Copilot AI助手中的一个严重安全漏洞,该漏洞允许黑客通过用户单击一个看似合法的URL链接就能窃取大量敏感用户数据。
这次攻击是由安全公司Varonis的白帽研究人员发现的。他们设计的多阶段攻击能够成功窃取数据,包括目标用户的姓名、位置信息以及用户Copilot聊天历史中的具体事件详情。更令人担忧的是,即使用户关闭了Copilot聊天窗口,攻击仍会继续运行,一旦用户点击了邮件中那个看似合法的Copilot链接,就无需进一步交互。这种攻击和由此产生的数据盗窃绕过了企业终端安全控制和终端保护应用的检测。
攻击机制分析
Varonis安全研究员Dolev Taler向媒体解释说:"一旦我们发送带有恶意提示的链接,用户只需点击链接,恶意任务就会立即执行。即使用户只是点击链接然后立即关闭Copilot聊天标签页,攻击仍然有效。"
攻击的基础URL指向Varonis控制的域名。在末尾附加了一长串详细指令,以q参数的形式存在,Copilot和大多数其他大语言模型都使用这种方式将URL直接输入到用户提示中。当被点击时,该参数会导致Copilot Personal将个人详细信息嵌入到网络请求中。
嵌入为q参数的完整提示内容包含了复杂的伪代码指令,这些指令成功提取了用户秘密信息,并将包含敏感数据的网络请求发送到Varonis控制的服务器。攻击并未就此结束,伪装的图片文件包含进一步的指令,寻求包括目标用户名和位置在内的详细信息。
安全防护机制的缺陷
与大多数大语言模型攻击一样,Varonis攻击的根本原因是无法在用户直接输入的问题或指令与请求中包含的不可信数据之间划定清晰的边界。这导致了间接提示注入攻击,目前没有任何大语言模型能够完全防范这种攻击。微软在这种情况下的对策是在Copilot中构建防护栏,旨在防止其泄露敏感数据。
然而,Varonis发现这些防护栏仅应用于初始请求。由于提示注入指令Copilot重复每个请求,第二次请求成功诱导大语言模型泄露私人数据。后续的间接提示也被重复执行,允许多个阶段的攻击,如前所述,即使目标关闭聊天窗口,攻击也会继续进行。
Taler表示:"微软的防护栏设计不当,他们没有进行威胁建模来理解有人如何利用这种缺陷来泄露数据。"
修复情况
Varonis在周三发布的帖子中披露了这次攻击,其中包括两个演示攻击的短视频,公司研究人员将这种攻击命名为"Reprompt"。该安全公司私下向微软报告了其发现,截至周二,微软已经引入了阻止该攻击的更改。该漏洞仅影响Copilot Personal,Microsoft 365 Copilot不受影响。
Q&A
Q1:什么是Reprompt攻击?它是如何工作的?
A:Reprompt是Varonis研究人员发现的一种针对微软Copilot AI助手的多阶段攻击方法。攻击者通过在合法URL中嵌入恶意提示参数,当用户点击链接时,就会触发Copilot执行恶意指令,窃取用户的姓名、位置和聊天历史等敏感信息。
Q2:为什么微软的安全防护没能阻止这种攻击?
A:微软在Copilot中设置的防护栏只对初始请求生效,但攻击利用了重复请求的机制。第二次请求成功绕过了安全检测,导致大语言模型泄露私人数据。研究人员认为微软没有进行充分的威胁建模来预防这种攻击方式。
Q3:普通用户如何防范类似的AI助手攻击?
A:用户应该谨慎点击来源不明的链接,特别是那些包含复杂参数的URL。同时要及时更新AI助手软件,关注官方安全公告。微软已经修复了这个特定漏洞,但用户仍需保持警惕,因为类似的间接提示注入攻击目前还没有完全的防范方案。
好文章,需要你的鼓励
英国国家医疗服务(NHS)正将无人机纳入常规医疗物流体系。自今年2月起,无人机每天在雷恩斯公园和圣乔治医院之间运送血液等诊断样本,飞行仅需3分钟,比公路运输快约85%,且碳排放减少高达98%。目前已有逾2000名患者受益。NHS计划将该服务扩展至圣赫利尔、克罗伊登等多家医院,最终惠及约180万名患者。该网络由英国医疗初创公司Apian与谷歌旗下Wing合作运营。
AgentLens是Explyt公司联合俄罗斯学术机构开发的AI编程助手评测基准,通过分析完整人机交互轨迹而非仅看最终结果,从五个维度评估代码智能体的真实表现。
边缘AI计算厂商Aetina宣布,将在其DeviceEdge AIE-KT风冷系列和新款AIE-PT无风扇平台上支持英伟达全新Jetson T3000和T2000模块。T3000基于Blackwell GPU,最高提供865 FP4 TFLOPS算力,功耗70W;T2000则提供400 FP4 TFLOPS,面向视觉AI代理和自主移动机器人等场景。两款模块预计2027年第一季度上市,支持Nemotron、Cosmos 3等英伟达AI软件生态。
韩国梨花女子大学提出Splash框架,通过识别AI模型中的"休眠参数"并只在其中训练触觉能力,让小型多模态AI在学会感知材质触感的同时,完整保留原有视觉语言推理能力。