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。
Prompt Injection
深度分析
Tracebit 推出「上下文炸彈」Context Bombing：利用安全護欄反制 AI 駭客代理人
面對 AI 代理人自動化攻擊的威脅，資安公司 Tracebit 提出一種名為「上下文炸彈」的防禦新招。該技術透過在敏感資料旁植入能觸發 LLM 安全護欄的禁忌提示詞，誘導攻擊 AI 觸發拒絕機制而強制停止運作。實驗證明，此舉能將 AI 代理人的管理員權限獲取率從 57% 降至 5%，將原本的攻擊漏洞轉化為強大的防禦屏障。
深度分析
HalluSquatting：LLM 幻覺資源佔領與 AI 編碼助手安全風險分析
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。
深度分析
LLM‑Solver 敘事缺口分析：驗證結果易受 Prompt Injection 顛倒
研究指出，將SAT/SMT求解器與大型語言模型結合的流程缺少敘事驗證，攻擊者可透過提示注入在最終回覆中顛倒驗證結果，實驗顯示即使使用證書門檻仍無法完全防禦。此問題揭示了LLM與形式工具結合時的安全盲點，研究亦測試了硬化提示的防禦效果，發現仍可被適應性攻擊繞過。
速報
GuardNet：以淺層神經網路提升大型語言模型防護效能
大型語言模型在自然語言處理上雖有突破，但仍易受提示注入與越獄攻擊，且評測可能因資料污染與資訊洩漏而失真。研究提出 GuardNet，採用約 4700 萬參數的雙向 LSTM 組合，強調範例多樣性與門檻校準，而非模型規模。
深度分析
AI 代理人安全：Anthropic 與 Nvidia 的零信任架構對比分析
AI 代理人部署速度快於安全防禦，導致企業面臨巨大的治理危機。本文對比 Anthropic 與 Nvidia 最新推出的零信任架構，分析「腦手分離」與「多層封鎖」兩種技術路線如何解決憑證外洩與提示詞注入攻擊，並提供企業安全審核指南。