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
英国国家医疗服务(NHS)正将无人机纳入常规医疗物流体系。自今年2月起,无人机每天在雷恩斯公园和圣乔治医院之间运送血液等诊断样本,飞行仅需3分钟,比公路运输快约85%,且碳排放减少高达98%。目前已有逾2000名患者受益。NHS计划将该服务扩展至圣赫利尔、克罗伊登等多家医院,最终惠及约180万名患者。该网络由英国医疗初创公司Apian与谷歌旗下Wing合作运营。
AgentLens是Explyt公司联合俄罗斯学术机构开发的AI编程助手评测基准,通过分析完整人机交互轨迹而非仅看最终结果,从五个维度评估代码智能体的真实表现。
边缘AI计算厂商Aetina宣布,将在其DeviceEdge AIE-KT风冷系列和新款AIE-PT无风扇平台上支持英伟达全新Jetson T3000和T2000模块。T3000基于Blackwell GPU,最高提供865 FP4 TFLOPS算力,功耗70W;T2000则提供400 FP4 TFLOPS,面向视觉AI代理和自主移动机器人等场景。两款模块预计2027年第一季度上市,支持Nemotron、Cosmos 3等英伟达AI软件生态。
韩国梨花女子大学提出Splash框架,通过识别AI模型中的"休眠参数"并只在其中训练触觉能力,让小型多模态AI在学会感知材质触感的同时,完整保留原有视觉语言推理能力。