深度分析
HalluSquatting 攻擊揭露：利用 LLM 幻覺將 AI 助手轉化為大規模殭屍網路
資安研究揭露一種名為 HalluSquatting 的新型提示注入攻擊，利用 LLM 解析資源路徑時的幻覺漏洞。攻擊者預測模型最常出錯的儲存庫路徑並提前搶註，在其中植入惡意指令。由於 AI 程式碼助手具備終端機執行權限，此手法能讓駭客在無需針對個體的情況下大規模感染設備，進而構建殭屍網路或執行 DDoS 攻擊。
深度分析
資安研究揭露一種名為 HalluSquatting 的新型提示注入攻擊，利用 LLM 解析資源路徑時的幻覺漏洞。攻擊者預測模型最常出錯的儲存庫路徑並提前搶註，在其中植入惡意指令。由於 AI 程式碼助手具備終端機執行權限，此手法能讓駭客在無需針對個體的情況下大規模感染設備，進而構建殭屍網路或執行 DDoS 攻擊。
深度分析
研究顯示，AI 大型語言模型易受 HalluSquatting 攻擊，攻擊者搶佔熱門 repo 名稱並注入反向殼程式，能在 Cursor、GitHub Copilot 等編碼助手上感染裝置，造成大型僵屍網路與勒索風險。研究者指出六大模型均有相同幻覺，攻擊者註冊可搶占的 repo，即可在多個 AI 編碼工具植入惡意程式。