今天,Palo Alto Networks Unit 42研究人员发布了关于影响Google Android平台的新型高严重性漏洞的详细信息。2017年9月Android安全公告中提供了用于修复该漏洞的补丁。这种新型漏洞不会影响最新版本Android 8.0 Oreo,但会影响所有之前的Android版本。某些恶意软件会通过本文列出的一些途径进行漏洞利用,但Palo Alto Networks Unit 42目前并未发现针对这一特定漏洞进行的任何攻击。由于Android 8.0版本相对较新,这意味着几乎所有Android用户都应立即采取行动,安装针对此漏洞的更新。
我们的研究人员发现利用该漏洞能够更容易发起“覆盖攻击”,这是一种针对Android平台的已知攻击类型。此类攻击最有可能用于在用户的Android设备上安装恶意软件,还可用于使恶意软件完全控制设备。在最坏的情况下,该漏洞可导致手机无法使用(即“变砖”)或安装任意恶意软件,包括但不限于勒索软件或信息窃取程序。简单说来,该漏洞可用于控制、锁定被攻击设备并在之后窃取信息。
在“覆盖攻击”中,攻击者的应用会在设备上运行的其他窗口和应用上绘制(或者说“覆盖”)一个窗口。如果得逞,则攻击者将会诱骗用户,使其将自己点击的入侵窗口当作正常窗口。在图1的示例中,攻击者让用户以为自己是在通过单击来安装补丁,但实际上用户单击后会授予Porn Droid恶意软件对设备的完全管理员权限。
图1:伪造的补丁安装程序下所覆盖的恶意软件正在请求获取管理权限
您可以看到这种攻击是如何诱骗用户无意中在设备上安装恶意软件的。它还可用于授予恶意软件对设备的完全管理权限。
覆盖攻击也可通过在设备上显示无法关闭的窗口,从而创造拒绝服务条件。这正是攻击者在移动设备上发起勒索软件攻击所使用的方式。
当然,覆盖攻击可在一次攻击中实现以下三个目的:
覆盖攻击并不是新生事物,此前就已经引起过人们的关注。但在此之前,根据IEEE安全与隐私期刊中的最新研究结果,所有人都认为试图发起覆盖攻击的恶意应用要想成功,必须克服两大障碍:
这些都是重要的缓解因素,正因如此,覆盖攻击并没有被视为严重威胁。
但是,我们新的Unit 42研究显示,有一种途径可以绕过这些缓解因素发起覆盖攻击。我们的研究人员发现,如果恶意应用利用这个新漏洞,那么它只需安装在设备上即可发起覆盖攻击。特别是,这意味着来自网站和除Google Play之外的其他应用商店的恶意应用均可发起覆盖攻击。值得注意的是,来自网站和除Google Play之外的其他应用商店的应用是全球Android恶意软件的重要来源。
其中一个特定漏洞可影响名为“Toast”(吐司)的Android功能。“Toast”是一种在屏幕上“弹出”(就像烤吐司一样)的通知窗口。“Toast”通常用于在其他应用之上显示消息和通知。
与Android中的其他窗口类型不同,Toast不需要相同的权限,因此适用于以前的覆盖攻击的缓解因素在此并不适用。此外,我们的研究人员也已概述了如何创建覆盖整个屏幕的Toast窗口,因此使用Toast创建与常规应用窗口功能相同的窗口是可能的。
根据这项最新研究,覆盖攻击的风险便具有更高的严重性。幸运的是,最新版本的Android从一开始即可免受这些攻击的影响。但是,大多数使用旧版本Android的用户却容易受到攻击。这意味着对于所有使用8.0之前版本的Android用户来说,更新设备至关重要。您可以从移动运营商和手机制造商处了解关于补丁和更新可用性的信息。
当然,防范恶意应用最好的途径之一就是仅从Google Play安装Android应用,因为Android安全团队始终积极筛选恶意应用并从一开始就将其排除在商店之外。
好文章,需要你的鼓励
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。