Cloudflare已修复其Web应用防火墙(WAF)中的一个缺陷,该缺陷允许攻击者绕过安全规则直接访问源服务器,可能导致数据盗窃或服务器完全被接管。
FearsOff安全研究人员在10月通过Cloudflare的漏洞赏金计划报告了这个漏洞,该CDN公司表示已修补其ACME(自动证书管理环境)验证逻辑中的漏洞,客户无需采取任何行动。
ACME是证书颁发机构和Cloudflare等服务用于自动化SSL/TLS证书颁发、更新和撤销的协议。它使用挑战来证明域名所有权,然后再颁发安全证书,这通常通过HTTP-01挑战完成,该挑战按以下格式检查HTTP路径上的验证令牌:http://{客户域名}/.well-known/acme-challenge/{令牌值}。
网络威胁狩猎公司在其报告中将WAF比作前门,将ACME比作走廊,该走廊应该只供证书机器人用来验证域名所有权。正确配置后,WAF可以帮助让预期的验证流量通过,同时过滤掉许多恶意请求,包括自动化机器人。
"证书机器人的走廊永远不应该成为侧门,"FearsOff研究人员写道。
这个"侧门"是由Cloudflare处理某些ACME挑战请求时的逻辑缺陷造成的。
"以前,当Cloudflare提供HTTP-01挑战令牌时,如果调用者请求的路径与我们系统中活跃挑战的令牌匹配,提供ACME挑战令牌的逻辑会禁用WAF功能,因为Cloudflare会直接提供响应,"Cloudflare在周一的博客中解释道。
"这样做是因为这些功能可能会干扰证书颁发机构验证令牌值的能力,并会导致自动化证书订购和更新失败,"它继续说道。
然而,这种情况下的逻辑未能验证请求中的令牌是否与主机名的活跃挑战匹配,这将允许攻击者完全绕过WAF安全控制并到达源服务器。
Cloudflare在10月27日通过推送代码修复了这个缺陷,该代码只有在请求与主机名的有效ACME HTTP-01挑战令牌匹配时才允许禁用WAF功能。
虽然没有证据表明恶意分子在Cloudflare修复问题之前发现并滥用了这个安全漏洞,但漏洞猎手表示,面对生成式AI驱动的攻击,这种类型的WAF绕过对组织构成了更大的威胁。
"由机器学习驱动的自动化工具可以快速枚举和利用暴露的路径,如/.well-known/acme-challenge/,大规模探测框架特定的弱点或错误配置,"FearsOff在周一的分析中写道。"例如,训练用于识别servlet遍历怪癖或PHP路由漏洞的生成式AI模型可以将这种绕过与有针对性的有效载荷链接起来,将狭窄的维护路径转变为广泛的攻击载体。"
Q&A
Q1:什么是WAF绕过漏洞?
A:WAF绕过漏洞是指攻击者能够绕过Web应用防火墙安全规则直接访问源服务器的安全缺陷。在这个案例中,Cloudflare的ACME验证逻辑存在缺陷,未能正确验证挑战令牌与主机名的匹配关系,导致攻击者可以完全绕过WAF保护。
Q2:ACME协议是什么作用?
A:ACME是自动证书管理环境协议,用于自动化SSL/TLS证书的颁发、更新和撤销。它通过挑战来证明域名所有权,通常使用HTTP-01挑战检查特定路径上的验证令牌,格式为http://{域名}/.well-known/acme-challenge/{令牌值}。
Q3:生成式AI如何加剧WAF绕过威胁?
A:生成式AI驱动的自动化工具可以快速枚举和利用暴露路径,大规模探测框架弱点或错误配置。训练过的生成式AI模型能够识别特定漏洞并将WAF绕过与有针对性攻击载荷链接,将原本狭窄的维护路径转变为广泛的攻击载体。
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。