开发者广泛使用的Axios HTTP客户端库这一JavaScript组件最近遭到黑客攻击,通过被入侵的账户分发恶意软件。
攻击者利用npm上被劫持的账户进行攻击。npm是Node.js的默认包管理器,这是一个允许开发者共享、安装和管理JavaScript项目代码的工具,被用来分发恶意软件。
据Step Security Inc.的安全研究人员称,此次攻击影响了两个软件包,并安装了远程访问木马(RAT),允许第三方控制计算机。该软件可以控制Windows、macOS和Linux操作系统。
"这不是机会性攻击,而是精准攻击," Step Security联合创始人兼首席技术官Ashish Kurmi表示。"恶意依赖项提前18小时就已部署。针对三个操作系统预先构建了三个载荷。两个发布分支在39分钟内相继被污染。每个攻击组件都设计为自毁。"
Axios是一个极其流行的库,每周下载量近3亿次。开发者依靠它在应用程序和网络服务之间交换请求。从前端应用到后端系统都在使用它,可谓无处不在。
据研究人员称,攻击者在3月30日开始攻击,首先入侵了Axios主要维护者"jasonsaayman"的账户,这使他们能够绕过GitHub上的主要安全检查。然后攻击者将库关联的邮箱替换为他们控制的匿名Proton Mail地址。
"Axios本身内部没有任何恶意代码行,这正是使这次攻击如此危险的原因," Kurmi补充道。
Axios并非恶意载荷本身,而是成为了一个会自我删除的安装程序。在MacOS上它伪装成系统守护进程;在Windows上作为PowerShell的一部分;在Linux上则使用Python脚本后门。
尽管这次入侵被快速发现,但仍不足以阻止开发者下载受感染的库。安全专业人员敦促开发者迅速采取行动检查和更新当前版本,如果已被入侵则需要处理安全问题。
"我们已经看到了主动利用的情况," Huntress Labs Inc.高级首席安全研究员John Hammond告诉SiliconANGLE。"任何安装了axios@1.14.1或axios@0.30.4的环境都应被视为已被入侵。组织必须立即审核其依赖项,降级至经过验证的安全版本,轮换安装期间可访问的所有凭据,并扫描每个操作系统特定的恶意软件痕迹。"
Axios的入侵代表了网络安全研究人员所称的"供应链攻击"。这些极其隐蔽的攻击发生在敌对方针对安全性较低的第三方供应商、供应商或软件依赖项,而不是试图攻击防护良好的目标时,比如本案例中攻击者将恶意代码注入可信软件或更新中。
Cybersecurity Ventures的一份报告估计,供应链攻击在2025年将使企业损失近600亿美元,并预测到2031年这一数字可能上升至约1380亿美元。
Q&A
Q1:Axios是什么?为什么被攻击影响这么大?
A:Axios是开发者广泛使用的JavaScript HTTP客户端库,每周下载量近3亿次。开发者依靠它在应用程序和网络服务之间交换请求,从前端应用到后端系统都在使用,因此影响范围极其广泛。
Q2:黑客是如何攻击Axios的?
A:攻击者首先入侵了Axios主要维护者"jasonsaayman"的账户,绕过GitHub安全检查,然后将库关联邮箱替换为他们控制的匿名邮箱。攻击者没有在Axios本身植入恶意代码,而是让它成为会自我删除的恶意软件安装程序。
Q3:如果安装了被感染的Axios版本该怎么办?
A:任何安装了axios@1.14.1或axios@0.30.4版本的环境都应被视为已被入侵。必须立即审核依赖项,降级至经过验证的安全版本,轮换安装期间可访问的所有凭据,并扫描每个操作系统特定的恶意软件痕迹。
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。