网络安全研究人员披露了一项正在进行的网络流量劫持攻击活动的详细信息,该活动针对 NGINX 安装和宝塔(BT)等管理面板,试图将流量路由到攻击者的基础设施中。
Datadog 安全实验室表示,他们观察到与最近的 React2Shell (CVE-2025-55182,CVSS 评分:10.0)漏洞利用相关的威胁行为者,使用恶意 NGINX 配置来实施攻击。
"恶意配置拦截用户与网站之间的合法网络流量,并将其路由到攻击者控制的后端服务器,"安全研究员 Ryan Simon 说。"该攻击活动针对亚洲顶级域名(.in、.id、.pe、.bd、.th)、中国托管基础设施(宝塔面板)以及政府和教育顶级域名(.edu、.gov)。"
该活动涉及使用 Shell 脚本将恶意配置注入 NGINX,NGINX 是一个用于网络流量管理的开源反向代理和负载均衡器。这些"location"配置旨在捕获特定预定义 URL 路径上的传入请求,并通过"proxy_pass"指令将其重定向到攻击者控制的域名。
这些脚本是多阶段工具包的一部分,该工具包有助于持久化和创建包含恶意指令的恶意配置文件来重定向网络流量。该工具包的组件如下:
zx.sh,充当协调器,通过 curl 或 wget 等合法实用程序执行后续阶段。如果这两个程序被阻止,它会创建原始 TCP 连接来发送 HTTP 请求。
bt.sh,针对宝塔(BT)管理面板环境,覆盖 NGINX 配置文件。
4zdh.sh,枚举常见的 Nginx 配置位置,并在创建新配置时采取措施最小化错误。
zdh.sh,采用更窄的目标定位方法,主要针对 Linux 或容器化 NGINX 配置,并针对 .in 和 .id 等顶级域名。
ok.sh,负责生成详细列出所有活动 NGINX 流量劫持规则的报告。
"该工具包包含目标发现和几个为持久化和创建包含重定向网络流量指令的恶意配置文件而设计的脚本。"
此次披露之际,GreyNoise 表示,在 React2Shell 公开披露两个月后,两个 IP 地址——193.142.147[.]209 和 87.121.84[.]24——占所有观察到的漏洞利用尝试的 56%。在 2026 年 1 月 26 日至 2 月 2 日期间,共有 1,083 个唯一源 IP 地址参与了 React2Shell 漏洞利用。
"主要来源部署了不同的后漏洞利用载荷:一个从暂存服务器检索加密挖矿二进制文件,而另一个直接向扫描器 IP 打开反向 Shell,"该威胁情报公司说。"这种方法表明对交互式访问的兴趣,而非自动化资源提取。"
此外,还发现了一项针对 Citrix ADC Gateway 和 Netscaler Gateway 基础设施的协调侦察活动,使用数万个住宅代理和单个 Microsoft Azure IP 地址("52.139.3[.]76")来发现登录面板。
"该活动运行两种不同模式:使用住宅代理轮换的大规模分布式登录面板发现操作,以及集中的 AWS 托管版本披露冲刺,"GreyNoise 指出。"它们具有查找登录面板和枚举版本的互补目标,这表明了协调侦察。"
Q&A
Q1:什么是 NGINX 流量劫持攻击?它是如何工作的?
A:这是一种针对 NGINX 服务器的网络攻击,攻击者通过注入恶意配置来拦截用户与网站之间的合法流量,然后将这些流量重定向到攻击者控制的服务器。攻击者使用"location"配置和"proxy_pass"指令来实现流量重定向。
Q2:这次攻击活动主要针对哪些目标?
A:该攻击活动主要针对亚洲顶级域名(如.in、.id、.pe、.bd、.th)、中国的宝塔管理面板托管基础设施,以及政府和教育机构的顶级域名(.edu、.gov)。
Q3:React2Shell 漏洞在这次攻击中起什么作用?
A:React2Shell(CVE-2025-55182)是一个评分为 10.0 的高危漏洞,攻击者利用这个漏洞来部署恶意 NGINX 配置。在漏洞公开披露后的两个月内,已有超过 1,000 个 IP 地址参与相关的漏洞利用活动。
好文章,需要你的鼓励
Kollmorgen发布NDC布局助手软件工具,专为工厂和仓库中的自动导引车(AGV)及自主移动机器人(AMR)的路线规划与优化而设计。该工具通过分段分析路线,帮助工程师在系统部署前识别瓶颈与低效环节,提供行驶时间、车速及优化潜力等关键数据,并以可视化方式标注问题区域,从而缩短布局设计与验证周期。Kollmorgen表示,该工具未来还将融入AI驱动的优化能力。
这篇由加州大学圣地亚哥分校等六所机构联合发布的综述(arXiv:2605.02913,2026年4月),首次系统梳理了大型语言模型强化学习训练中长期被忽视的轨迹设计问题,提出了GFCR四模块框架(生成、过滤、控制、回放),覆盖数学、代码、多模态和智能代理等多个应用场景,并附有实用的故障诊断手册,为AI训练工程师提供系统性的方法论指导。
现代仓储已从幕后走向前台,配送速度成为品牌竞争核心。面对次日达甚至两小时送达的市场压力,领先履约中心借鉴敏捷开发理念,以周为单位迭代代码、机器人与工作流程。IoT信标、边缘计算与视觉识别模块构建双层架构,实现厘米级货盘追踪与低延迟决策。人机协作模式让员工从重体力劳动转向异常处理与数据分析,拣选准确率突破99%。同时,自动化系统实时采集碳排放数据,在提速的同时实现可量化的减排目标。
中国科学技术大学与FrameX.AI联合提出Stream-R1框架,针对AI视频生成蒸馏训练中"一视同仁"的核心缺陷,引入奖励模型对训练样本进行双重加权:在样本层面根据质量分数筛选可靠的学习信号,在像素与帧层面通过梯度显著性热力图集中优化最需改进的区域,使4步快速学生模型在VBench多项指标上超越慢速多步教师模型,推理速度提升30倍且不增加任何额外计算开销。