Adobe近日发布了针对Acrobat和Reader零日漏洞的修复补丁,而此前攻击者已利用该漏洞活跃了数月之久。
此次补丁于4月11日正式推出,修复了编号为CVE-2026-34621的高危漏洞。该漏洞影响Windows和macOS平台上的Acrobat及Reader,可导致任意代码执行。换句话说,一个经过特殊构造的PDF文件,仅需被打开就能让攻击者完全掌控受害者的设备。
Adobe在安全公告中表示,其"已知悉CVE-2026-34621正在被野外利用"。这句话意味深长——在此之前,Adobe从未公开承认该漏洞的存在,更不用说承认攻击者正在积极利用它。此次补丁的发布,恰好是在外部研究人员将相关攻击活动曝光后的几天内完成的。
攻击原理与手法
攻击者在恶意文档中内嵌了经过高度混淆的JavaScript代码,并借助Acrobat的合法API运行,以收集宿主系统的详细信息。随后,恶意软件会根据收集到的信息决定是否进一步升级攻击,包括下载具备远程代码执行能力的第二阶段载荷,或突破Reader的沙箱防护。
部分受害者仅遭受了系统信息的"指纹采集",而另一些则被纳入更深度入侵的目标。这种差异化的攻击策略表明,此次行动并非无差别的垃圾邮件投递,而是针对特定目标的定向攻击。研究人员观察到,部分恶意文档以俄语写成,内容涉及油气行业主题,暗示攻击目标较为集中,但目前尚无法确认幕后黑手的具体身份。
长达数月的隐匿攻击
根据研究人员的分析,恶意活动最早可追溯至2025年底,这意味着攻击者享有了长达数月的自由活动窗口期。在此期间,该漏洞的利用方式与Reader的正常行为高度相似,成功规避了依赖已知特征或异常行为检测的传统安全防御手段。
补丁虽已修复该漏洞,但无法还原此前已造成的损失。任何在此期间打开过恶意PDF的用户,都可能已经遭到信息采集,甚至面临更严重的安全威胁,具体取决于其在攻击者眼中的"价值"。Adobe迄今尚未披露受影响用户的数量、漏洞的内部发现经过,以及为何公开确认的时间落后于外部报道。截至发稿,Adobe仍未回应媒体的相关提问。
门已关上,但不知有多少人已经趁虚而入。
Q&A
Q1:CVE-2026-34621漏洞是什么?它会造成什么危害?
A:CVE-2026-34621是Adobe Acrobat和Reader中的一个高危零日漏洞,影响Windows和macOS平台。攻击者可以通过构造恶意PDF文件,利用该漏洞在受害者打开文件时执行任意代码,进而完全控制目标设备。更危险的是,该漏洞此前已被攻击者在野外利用数月,期间Adobe没有任何公开披露。
Q2:这次Adobe漏洞攻击活动是针对哪些人的?
A:根据研究人员的分析,此次攻击并非随机的垃圾邮件式投递,而是具有明确目标的定向攻击。部分恶意文档以俄语写成,内容涉及油气行业相关主题,暗示攻击目标可能集中在该行业或特定地区的用户群体。攻击者会先对目标进行信息采集筛选,再决定是否实施更深度的入侵。
Q3:Adobe已经发布补丁了,用户还需要担心吗?
A:Adobe已于4月11日发布修复补丁,建议用户立即更新Acrobat和Reader至最新版本。但补丁无法消除此前已造成的影响——在漏洞被修复之前打开过可疑PDF的用户,可能已遭受系统信息泄露乃至更深度的入侵。Adobe目前尚未公布受影响用户数量,受影响用户应尽快进行安全自查。
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。