过去几周,许多Mac管理员都在讨论Netskope威胁实验室发布的一份报告,内容涉及一种新型macOS ClickFix攻击活动。这种攻击手法堪称精妙却令人不寒而栗,它也恰恰说明了为何传统的90天系统更新延迟窗口期必须被废弃——无论是由苹果主动调整,还是由IT团队自行收紧政策。
ClickFix攻击原理
ClickFix是一种攻击策略,攻击者通过伪造CAPTCHA验证页面或虚假的浏览器更新提示,诱骗用户将恶意脚本复制并粘贴到终端(Terminal)应用中执行。一旦用户运行该脚本,系统便会弹出一个与macOS原生系统提示界面几乎一模一样的AppleScript对话框。
该对话框会持续要求用户输入密码,且没有关闭按钮,循环提示直至用户妥协输入为止。密码一旦被捕获,恶意软件随即窃取整个macOS钥匙串数据库,以及Safari、Chrome等浏览器中的实时会话Cookie。窃取实时会话Cookie是此类攻击的终极目标,因为它可以让攻击者完全绕过多重身份验证机制。
苹果已开始应对
苹果已针对这一特定攻击类型采取了反制措施。在macOS Sequoia和macOS Tahoe 26.4中,苹果引入了终端原生安全警告功能。该功能会在用户尝试将来自不可信来源的有害命令粘贴到终端时发出警报,从而有效干扰ClickFix攻击。
90天更新延迟政策已不合时宜
这正是本文的核心观点所在。长期以来,苹果允许IT管理员通过设备管理平台将macOS更新延迟最多90天。多年来,这被视为IT管理的最佳实践,能够为团队提供足够时间测试内部应用、验证兼容性,并确保在整个设备群中平稳推进更新部署。
然而,在AI时代,威胁态势的演变速度早已不是三个月的延迟所能应对的。如果企业将更新推迟长达90天,用户将错过终端粘贴警告等关键的操作系统级防护措施。也就是说,整整三个月内,员工都暴露在本可被最新系统轻易拦截的社会工程攻击之下。
建议将延迟窗口缩短至30至45天
苹果或许应该重新审视设备管理框架,将软件更新的最大延迟窗口从90天正式缩短至30至45天。现实情况是:如果某款企业应用的软件供应商在macOS新版本发布后30天内仍未完成适配,那是供应商的问题,而非苹果的问题。
即便苹果继续保留90天选项,IT团队也应主动收紧内部策略。将最大延迟窗口设定为30天,是在应用兼容性测试与企业数据安全防护之间取得平衡的最佳方案。企业不能承受让设备群在整整一个季度内持续处于暴露状态所带来的风险。
Q&A
Q1:ClickFix攻击是什么?它是如何入侵Mac设备的?
A:ClickFix是一种社会工程攻击手法,攻击者通过伪造CAPTCHA页面或虚假浏览器更新提示,诱导用户将恶意脚本粘贴到macOS终端中运行。脚本执行后会弹出仿冒系统提示框,持续索要用户密码直至成功获取,随后窃取macOS钥匙串数据库及浏览器实时会话Cookie,甚至可以绕过多重身份验证。
Q2:苹果在macOS Sequoia和Tahoe 26.4中新增了哪些安全防护措施?
A:苹果在macOS Sequoia和macOS Tahoe 26.4中引入了终端原生安全警告功能。当用户尝试将来自不可信来源的命令粘贴到终端时,系统会自动发出警报,从而有效阻断ClickFix类攻击的执行路径。这是操作系统层面的主动防御能力,需要设备保持最新版本才能生效。
Q3:企业IT团队应该如何调整macOS更新延迟策略?
A:建议将macOS更新的最大延迟窗口从原来的90天缩短至30天。30天的时间已足够完成应用兼容性测试,同时能确保员工及时获得系统级安全防护。如果软件供应商在新系统发布30天后仍未完成适配,应视为供应商问题,而非推迟更新的理由。
好文章,需要你的鼓励
谷歌推出两款新AI模型:Nano Banana 2 Lite是其最快、最具成本效益的图像生成模型,4秒生成图像,成本仅0.034美元/千像素图;Gemini Omni Flash则支持高质量视频生成与对话式编辑,定价0.10美元/秒。两款模型均已在Google AI Studio和Gemini API平台开放,可串联使用实现从图像到视频的完整多媒体工作流。
香港中文大学(深圳)与字节跳动联合提出FlexiSLM,首个支持动态与可控帧率的语音大模型,在输入输出两端均实现自适应帧合并,6.25赫兹下推理速度提升一倍,语音对话质量超越同规模固定帧率模型。
英国《金融时报》记者萨拉·奥康纳新书探讨人工智能与自动化对工作的冲击。从亚马逊仓库的人机协作到远程视频监控岗位,技术进步带来的不仅是效率提升,更引发对工作尊严的担忧。作者指出,关键问题不在于技术本身,而在于将人类劳动视为可优化系统的管理理念。书中也展现了积极案例:编剧工会罢工争取AI使用规则,荷兰护理工作者自主建立实践模式。未来工作形态仍可由我们塑造。
这项研究提出DataEvolver框架,把被丢弃的"不合格训练图片"转化为改进数据收集策略的反馈,让AI文字图像生成训练数据的构建流程能自我进化,在相同数据量下显著提升文字渲染质量。