GlassWorm恶意软件活动正被用于推动一场持续攻击,该攻击利用窃取的GitHub令牌向数百个Python仓库注入恶意软件。
StepSecurity表示:"该攻击针对Python项目——包括Django应用程序、机器学习研究代码、Streamlit仪表板和PyPI包——通过在setup.py、main.py和app.py等文件中附加混淆代码。任何从受感染仓库运行pip install或克隆并执行代码的人都会触发恶意软件。"
据这家软件供应链安全公司称,最早的注入可追溯到2026年3月8日。攻击者在获得开发者账户访问权限后,将目标仓库默认分支的最新合法提交与恶意代码重新整合,然后强制推送更改,同时保持原始提交消息、作者和作者日期不变。
GlassWorm活动的这一新分支被代号为ForceMemo。该攻击通过以下四个步骤展开:
通过恶意VS Code和Cursor扩展用GlassWorm恶意软件感染开发者系统。该恶意软件包含一个专门用于窃取机密信息(如GitHub令牌)的组件。
使用窃取的凭据通过将混淆恶意软件重新整合到名为"setup.py"、"main.py"或"app.py"的Python文件中,向受感染GitHub账户管理的每个仓库强制推送恶意更改。
Base64编码的有效载荷附加在Python文件末尾,具有类似GlassWorm的检查功能,以确定系统是否将其区域设置为俄语。如果是,则跳过执行。在所有其他情况下,恶意软件查询与先前链接到GlassWorm的Solana钱包关联的交易备忘录字段,以提取有效载荷URL。
从服务器下载额外的有效载荷,包括旨在窃取加密货币和数据的加密JavaScript。
StepSecurity表示:"C2地址的最早交易日期为2025年11月27日——比2026年3月8日首次GitHub仓库注入早三个多月。该地址总共有50笔交易,攻击者定期更新有效载荷URL,有时一天多次。"
这一披露正值Socket标记了GlassWorm的新迭代,该迭代在技术上保留了相同的核心战术,同时通过利用extensionPack和extensionDependencies来通过传递分发模型传递恶意有效载荷,提高了生存能力和规避能力。
与此同时,Aikido Security还将GlassWorm作者归因于一场大规模活动,该活动使用不可见的Unicode字符隐藏恶意代码,感染了151个以上的GitHub仓库。有趣的是,解码的有效载荷被配置为从同一个Solana钱包获取C2指令,表明威胁行为者一直在多波次地针对GitHub仓库。
使用不同的传递方法和代码混淆方法,但使用相同的Solana基础设施,表明ForceMemo是由GlassWorm威胁行为者维护和操作的新传递载体,该行为者现在已从感染VS Code扩展扩展到更广泛的GitHub账户接管。
StepSecurity指出:"攻击者通过强制推送到受感染仓库的默认分支来注入恶意软件。这种技术重写了git历史记录,保留了原始提交消息和作者,并且在GitHub的UI中不留下拉取请求或提交记录。没有其他记录在案的供应链活动使用这种注入方法。"
Q&A
Q1:GlassWorm攻击是什么?它如何工作?
A:GlassWorm是一种恶意软件攻击活动,通过恶意VS Code和Cursor扩展感染开发者系统,窃取GitHub令牌,然后向Python仓库注入恶意代码。攻击者使用强制推送技术将混淆的恶意代码附加到setup.py、main.py等关键文件中。
Q2:ForceMemo攻击有什么特殊之处?
A:ForceMemo是GlassWorm的新分支,其特殊之处在于使用强制推送技术重写git历史记录,保留原始提交信息和作者,在GitHub界面中不留下任何拉取请求或提交记录,使攻击更难被发现。
Q3:如何防护GlassWorm攻击?
A:开发者应谨慎安装VS Code和Cursor扩展,定期检查账户安全,监控仓库的异常提交活动。同时,在运行pip install或克隆代码前应验证代码完整性,特别注意setup.py等关键文件的变化。
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。