這週的資安威脅趨勢顯示出一個令人不安的特點：攻擊者並不總是追求最尖端的技術，反而傾向於利用「最簡單的漏洞」與「最基礎的人性弱點」。對於工程師而言，這提醒我們：最危險的漏洞往往不是複雜的邏輯錯誤，而是那些被忽視的基礎配置與過時的系統。
以下將本週重點威脅分為三個維度進行技術解析，幫助大家理解其背後的運作機制與影響。
網路設備與基礎設施的關鍵漏洞
首先是最值得關注的 PAN-OS 遠端程式碼執行漏洞（CVE-2026-0300）。這是一個發生在 Palo Alto Networks 設備 User-ID 認證門戶服務中的緩衝區溢位（Buffer Overflow）漏洞。簡單來說，攻擊者只要發送精心構造的網路封包，就能在不需要任何帳號密碼的情況下，直接以 root 最高權限在設備上執行任意指令。
這類漏洞之所以危險，是因為防火牆通常位於網路邊緣，一旦被攻破，攻擊者就拿到了進入內網的門票。目前已有證據顯示該漏洞被用於部署 EarthWorm 等惡意載荷。對於維運工程師來說，這再次證明了「及時更新韌體」雖然枯燥，卻是防止整個公司被攻破的最有效手段。
AI 模型的全新攻擊面：Tokenizer 劫持與幻覺掃描
隨著 AI 整合進各種產品，攻擊面也隨之擴展。其中一個非常有趣的技術是 Tokenizer Tampering（分詞器篡改）。
在 AI 模型中，Tokenizer 是將人類文字轉換為模型可理解之數字（Tokens）的組件。研究發現，如果攻擊者能修改 Hugging Face 儲存庫中的 tokenizer.json 檔案，他們可以在不更動模型權重（Weights）的情況下，直接控制模型的輸出結果。這意味著攻擊者可以誘導 AI 執行隱蔽的工具調用（Tool Call），進而外洩敏感數據。這告訴我們，AI 模型的供應鏈安全不僅在於模型本身，連同設定檔在內的所有元數據都必須經過驗證。
另外，關於 AI 掃描程式碼的實務經驗也值得思考。Anthropic 的 Mythos 模型在掃描 cURL 原始碼時，指出了五個漏洞，但最終僅有一個被證實是低風險漏洞，其餘皆為誤報（False Positives）。這說明了目前的 AI 靜態分析雖然效率極高，但仍需要資深工程師進行人工複核，不能盲目信任 AI 的掃描結果。
社交工程與新型持久化手段
目前的攻擊者非常擅長利用「信任感」來繞過防禦。例如，有攻擊者利用 Microsoft Teams 的外部存取功能，偽裝成 IT 支援人員發送訊息，誘導使用者下載偽裝成 JPEG 圖片的 PowerShell 腳本。
這裡有一個技術細節：攻擊者使用偽裝的副檔名（如 sysupdate.jpeg）來欺騙使用者與部分簡易的檔案檢查機制。一旦執行，他們會部署如 ModeloRAT 等遠端控制工具，並利用 CVE-2023-36036 漏洞將權限提升至 SYSTEM 等級。
此外，一種名為 GhostLock 的新技術揭示了 SMB 共享檔案系統的設計特性。攻擊者只需利用普通域使用者權限，透過 CreateFileW 函數將檔案設為獨佔鎖定狀態（Exclusive Lock），就能讓其他所有使用者無法存取該檔案。這種行為在效果上與勒索軟體（Ransomware）完全一致，但它不需要加密檔案，因此不會觸發傳統勒索軟體的偵測訊號。
給工程師的實務建議
面對這些多樣的攻擊，我們不需要陷入恐慌，而應該回歸基礎：
第一，嚴格執行補丁管理。無論是 PAN-OS 還是 Linux 核心，漏洞修補永遠是第一優先。
第二，實施最小權限原則。GhostLock 的案例告訴我們，即使是讀取權限，在特定條件下也能造成拒絕服務（DoS）攻擊，應審視檔案共享的權限分配。
第三，強化供應鏈驗證。在使用開源 AI 模型或 npm 套件時，必須驗證雜湊值（Hash）或簽名，避免被篡改的設定檔或惡意套件滲入。
第四，提升對社交工程的警覺。任何來自外部通訊軟體、要求執行指令或下載檔案的 IT 支援請求，都應視為高風險。
來源：thehackernews.com
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。