Dream Security安全研究人员警告,一个CVSS评分高达9.8的Telnet严重漏洞,使攻击者能够在身份验证启动之前就完全控制受影响的系统。
该漏洞编号为CVE-2026-32746,存在于GNU inetutils telnetd中。这是一个广泛部署的Telnet远程访问协议实现,常见于传统基础设施、网络设备和嵌入式系统中。自2000年代初以来,该协议在现代环境中已基本被SSH(安全外壳协议)所取代。
在仍运行易受攻击的Telnet服务的系统中,新披露的漏洞允许因缓冲区溢出问题导致的越界写入,从而实现未经身份验证的远程代码执行(RCE),并获得root权限。
根据国家漏洞数据库条目,根本原因是telnetd LINEMODE设置本地字符(SLC)处理程序中的缓冲区溢出,该溢出在Telnet协议协商期间被触发。由于该漏洞可在身份验证之前被利用,攻击者可以使用特制消息在建立连接后立即执行任意代码。
Dream表示,在许多部署中,telnetd以root权限运行,意味着成功利用可能导致系统完全沦陷。
Dream于3月11日将该漏洞告知GNU Inetutils维护者,描述了缓冲区溢出的利用方式。
根据GNU邮件列表中的消息,该公司告诉维护者:"SLC响应构建在一个固定的108字节缓冲区slcbuf中,在4字节头部后只有104字节用于数据。函数add_slc()(第162-175行)每个SLC三元组附加3字节,但从不检查缓冲区是否已满。指针slcptr每次都只是递增。"
消息继续说道:"大约35个三元组后,超出了104字节空间,代码写入超出slcbuf末尾。这会破坏BSS中其后的任何内容(包括slcptr指针)。随后,end_slc()使用损坏的slcptr写入子选项结束标记,这为攻击者提供了内存中的任意写入机会。因此,该漏洞是一个典型的缓冲区溢出,没有边界检查。"
根据Dream咨询公告中的时间表,维护者在第二天准备了补丁,计划在4月1日前发布。
Dream表示,易受攻击的系统包括:暴露Telnet接口的嵌入式系统和物联网设备;监听TCP端口23并使用易受攻击代码库的服务器和设备;以及提供inetutils并启用或可安装telnetd的Linux发行版,包括Debian、Ubuntu、RHEL和SUSE。
Dream指出:"仅需一个到端口23的网络连接就足以触发该漏洞。不需要凭据、用户交互或特殊网络位置。"
Dream建议在软件打补丁之前采取若干即时解决方案,包括迁移到SSH等安全替代方案,禁用telnetd或在没有root权限的情况下运行。在无法做到这些的情况下,建议在网络边界阻止端口23,并限制其仅供可信主机使用。
这是今年出现的第二个Telnet相关漏洞,此前1月份发现了一个身份验证绕过漏洞,该漏洞会使设备面临完全接管的风险。
Q&A
Q1:CVE-2026-32746漏洞的危险性有多大?
A:这是一个CVSS评分高达9.8的严重漏洞,攻击者可以在身份验证之前就完全控制受影响的系统。由于许多telnetd以root权限运行,成功利用可能导致系统完全沦陷,仅需一个到端口23的网络连接就能触发。
Q2:哪些系统容易受到这个Telnet漏洞影响?
A:主要包括暴露Telnet接口的嵌入式系统和物联网设备、监听TCP端口23的服务器和设备,以及提供GNU inetutils并启用telnetd的Linux发行版,如Debian、Ubuntu、RHEL和SUSE等系统。
Q3:如何防护这个Telnet漏洞?
A:建议迁移到SSH等安全替代方案、禁用telnetd或在没有root权限下运行、在网络边界阻止端口23并限制仅供可信主机使用。最根本的解决方案是等待并安装官方补丁。
好文章,需要你的鼓励
近期数据显示,2026年5月前企业已宣布约9万个与AI相关的裁员岗位,部分预测称未来五年美国15%的工作将被AI取代。然而,Ramp与Revelio Labs追踪近2.2万家企业的最新报告显示:重度投入AI的企业反而实现了更快的人员增长,包括初级岗位在内的各职能人数均有上升。但这一数据主要来自技术型企业,能否普遍适用仍存疑。报告同时指出,资源匮乏的企业可能在AI浪潮中持续落后。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
AI数据中心开发商向多家电力公司同时提交大负荷接入申请以确定选址,导致区域需求预测虚高、电网投资失衡。美国联邦能源监管委员会(FERC)及ERCOT、PJM、SPP等机构正推动"承诺优先"规划机制,要求项目具备实质性商业承诺方可纳入长期传输规划。谷歌、亚马逊、微软、OpenAI等科技巨头支持建立标准化的项目成熟度评估体系,但各方在具体机制上仍存分歧。发电建设问题尚未被纳入联邦传输改革议程。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。