8CiberINCIBE-CERT avisos ·
● Trascendental · últimas 48 h
- 9LiteLLM Suspects GitHub Token Leak in AI Gateway Logs Behind Malicious Package Release
LiteLLM sufrió el compromiso de su cadena de distribución el 21 de octubre de 2026, con la publicación de la versión maliciosa 1.107.0 en PyPI, Docker Hub y GHCR. El paquete contiene un robo de credenciales y un backdoor (RAT) que exfiltra secretos de sistemas, navegadores, herramientas de desarrollo y plataformas cloud, ejecutando código remoto cada hora. Los atacantes obtuvieron tokens de GitHub de registros de logs de LiteLLM y deshabilitaron protecciones de rama para forzar cambios maliciosos, lo que permitió que credenciales de AWS fueran robadas y utilizadas para intentar comprometer instancias y servicios de IA.
→ Elimina LiteLLM 1.107.0 de todas las máquinas, aísla los hosts donde se ejecutó la versión maliciosa, revoca credenciales de desarrolladores y audita accesos a AWS, Kubernetes y herramientas de IA entre las 11:39 UTC y 14:20 UTC del 21 de octubre de 2026.
- 9Múltiples vulnerabilidades en GitLab CE/EE de GitLab
GitLab ha publicado un parche crítico para corregir múltiples vulnerabilidades en sus ediciones Community y Enterprise, siendo la más grave CVE-2026-110264, un desbordamiento de entero en la compilación de expresiones regulares que permite la ejecución remota de código sin autenticación. Las versiones afectadas incluyen desde GitLab 7.0 hasta varias ramas 18.x y 19.x; se recomienda actualizar a las versiones corregidas (19.5.1, 19.4.3, 19.3.6, 19.2.9, 19.1.9, 19.0.10 o 18.11.13) inmediatamente.
INCIBE-CERT avisos · hace 3 horasFuente ↗ - 9China-Linked Hackers Use ARTEX AI Agents in ConnectWise Supply Chain Attack
Microsoft reveló que el grupo China-alineado Storm-0940 estuvo detrás del compromiso de la cadena de suministro de ConnectWise Cloud Backup, utilizando ARTEX, un framework de agentes IA de pruebas de penetración en Go, para automatizar escaneo, reconocimiento, password spraying y abuso de OAuth a velocidad de máquina contra cientos de organizaciones en septores como defensa, financiero, energía y tecnología desde septiembre de 2026. Los agentes IA lograron acceso privilegiado a infraestructuras cloud en menos de 3 horas en varios casos, con intentos de autenticación a 2.900 por minuto contra 327 cuentas en ocho organizaciones entre octubre 10 y 14.
The Hacker News · hace 6 horasFuente ↗ - 10Critical GitLab Flaw (CVSS 10.0) Could Allow Unauthenticated RCE Across 12 Years of Releases
GitLab publicó el 21 de octubre correcciones para una vulnerabilidad crítica (CVE-2026-110264, CVSS 10.0) que permite ejecución remota de código sin autenticación en servidores autogestionados. El fallo afecta a todas las versiones desde 7.0 (2014) debido a un desbordamiento de enteros en el compilador de expresiones regulares Onigmo embebido en GitLab. Aunque no hay reportes de explotación activa, GitLab ha distribuido parches para siete ramas de versiones simultáneamente, incluyendo versiones fuera de su política de parcheo habitual.
The Hacker News · hace 16 horasFuente ↗ - 9Today's PHP Security Release, and How We're Strengthening PHP Security
El proyecto PHP ha lanzado hoy actualizaciones de seguridad críticas para toda la línea PHP 8.x que cierran dos agujeros de RCE (ejecución remota de código). Tras un fallo en el proceso de divulgación coordinada, los identificadores CVE circularon prematuramente en foros y redes sociales desde anoche, lo que provocó que una empresa de seguridad publicara un vídeo con prueba de concepto funcional; posteriormente han circulado múltiples PoCs de explotación. Es vital actualizar inmediatamente cualquier servidor que ejecute PHP.
→ Actualiza PHP 8.x a la versión de seguridad lanzada el 21 de octubre de 2026 inmediatamente.
Destacados · últimas 48 h
8CiberINCIBE-CERT avisos ·
#Vulnerabilidad#ParcheCVE-2026-76299CVE-2026-76302CVE-2025-61726CVE-2025-61731CVE-2025-61732CVE-2025-68119CVE-2025-68121CVE-2026-25679CVE-2026-27137CVE-2026-27140CVE-2026-27143CVE-2026-27144CVE-2026-32280CVE-2026-32281CVE-2026-32283CVE-2026-33186CVE-2026-39830CVE-2026-39831CVE-2026-39832CVE-2026-39833CVE-2026-39834CVE-2026-42508CVE-2026-46595CVE-2026-27141CVE-2026-39821CVE-2026-76407CVE-2026-76531
8CiberThe Hacker News ·
8IA × Ciber✨The Hacker News ·
8IA × Ciber✨BleepingComputer ·
8IA × Ciber✨The Verge AI ·
8IA × CiberThe Hacker News ·
8CiberThe Hacker News ·
Últimas noticias
3751 noticias5IA × CiberarXiv cs.CR ·
Safer Content or Firmer Refusals? A Hybrid Perturbation Defense for Alignment under Harmful Fine-tuning
Un equipo de investigación propone VaccineBooster, una técnica de defensa durante el entrenamiento de alineación que combina perturbación de embeddings y atenuación de gradientes para proteger modelos de lenguaje contra el fine-tuning malicioso. El método demuestra un compromiso entre reducir contenido dañado explícito y preservar el comportamiento de rechazo del modelo cuando se expone a datos de entrenamiento envenenados.
6IA × Ciber✨arXiv cs.CR ·
Does the Unsafe Gradient Survive a Conversation? On the Fragility of Gradient-Based Jailbreak Detection in Multi-Turn Dialogue
Investigadores evalúan la efectividad de detectores de jailbreak basados en gradientes (como GradSafe) en conversaciones multi-turno con modelos de lenguaje alineados con seguridad. Los resultados muestran una degradación significativa del rendimiento en diálogos realistas respecto a escenarios sintéticos, con tasas de falsos positivos superiores al 90% cuando el detector se calibra en datos sintéticos.
6IA × CiberarXiv cs.CR ·
pikit: A Composable Toolkit for Indirect Prompt Injection Research and Evaluation
Investigadores presentan pikit, un toolkit de código abierto para evaluar ataques de indirect prompt injection contra agentes basados en LLM. El toolkit incluye 13 métodos de ataque, 16 canales de distribución y 9 estrategias de defensa, y fue evaluado en un agente de codificación en entorno de producción, logrando reducir la tasa de éxito de ataques en un 71,8 % con las defensas más efectivas.
5IA × Ciber✨arXiv cs.CR ·
Deep Learning Latency Attacks and Defenses: A Cross-Domain Survey of Availability Threats
Una encuesta académica sobre ataques de latencia contra modelos de aprendizaje profundo que aumentan el tiempo de inferencia, consumo energético o carga computacional, causando caídas de rendimiento en sistemas críticos como vehículos autónomos, servicios interactivos y LLMs. El trabajo unifica la literatura sobre estos ataques en diferentes dominios y propone abstracciones de defensa basadas en límites de trabajo computacional.
6IA × Ciber✨arXiv cs.CR ·
Self-Evolving Defense: Continual Security Policy Learning for LLM Agents
Investigadores presentan Self-Evolving Defense (SED), un marco de defensa sin reentrenamiento que aprende políticas de seguridad a partir de trayectorias de ataque contra agentes LLM. El sistema adapta continuamente las defensas contra inyecciones de prompts y jailbreaks sin actualizar los pesos del modelo, demostrando resultados significativamente mejores que las defensas existentes en tres modelos de código abierto (DeepSeek V4 Flash, GLM 5.2 y Kimi K3).
6IA × Ciber✨arXiv cs.CR ·
CyberPersistBench: Evaluating LLM-Based Cyber Attackers on Installation and Persistence
Investigadores presentan CyberPersistBench, el primer benchmark para evaluar atacantes basados en LLM en tareas de instalación y persistencia post-compromiso. Mientras que los benchmarks de ciberseguridad existentes terminan tras el acceso inicial, este trabajo examina si agentes autónomos pueden mantener puntos de apoyo duraderos ante reinicios y disrupciones del servicio.
6IA × Ciber✨arXiv cs.CR ·
CounterSteer: Suppressing Indirect Prompt Injection with Activation Steering
CounterSteer es una defensa de tiempo de inferencia que mitiga los ataques de indirect prompt injection en agentes LLM mediante steering de activaciones. El método suprime comportamientos no deseados dentro del modelo sin requerir fine-tuning ni modelos auxiliares, demostrando reducciones significativas en tasas de éxito de ataques en múltiples modelos de código abierto.
5IA × CiberarXiv cs.CR ·
Know the Normal, Track the Attack: Context-Grounded and Stateful LLM Investigation over System Provenance
ANCHOR es un sistema de investigación basado en proveniencia que combina curación de evidencia con razonamiento LLM para analizar flujos de auditoría y reconstruir narrativas de ataque. El sistema calibra anomalías según tipo de relación y mantiene contexto de despliegue específico junto con estado de ataque persistente, mejorando la recuperación de indicadores de compromiso respecto a líneas base anteriores.
5IA × CiberarXiv cs.CR ·
Quantization Enables Private Dense Retrieval against Malicious Service Providers
Investigadores proponen un protocolo criptográfico para realizar búsquedas densas privadas en sistemas RAG, protegiendo la privacidad de las consultas y la integridad de los resultados frente a servidores maliciosos. Utilizan cuantización de bajo bit para hacer la computación práctica, logrando que consultas privadas sobre corpus de millones de documentos se ejecuten en minutos.
5IA × CiberarXiv cs.CR ·
Audience-Bound Persistent Memory: Authorization Across the Memory Lifecycle
Investigación sobre cómo controlar el acceso a la memoria de agentes de lenguaje personal que operan en conversaciones privadas y compartidas. El artículo propone un esquema de autorización que etiqueta cada elemento de memoria con la audiencia presente cuando fue registrado e impide que información privada se filtre a audiencias no autorizadas.
4IA × Ciber✨arXiv cs.CR ·
TTMark: Pairwise Distortion-Free Watermarking Beyond Single-Token Entropy
TTMark es una técnica de investigación para mejorar la detección de textos generados por IA mediante watermarking sin distorsión en pares de tokens consecutivos en lugar de tokens individuales. El enfoque amplía el espacio de detección de V a V², mejorando la capacidad de atribución de contenido mientras preserva la calidad del texto generado.
5IA × CiberarXiv cs.CR ·
Adversarial Debiasing of Machine Learning Models for Enhanced Network Security against DDoS Attacks
Investigadores proponen un método para detectar ataques DDoS combinando redes generativas adversariales (GAN) con clasificadores de Random Forest. El enfoque utiliza datos sintéticos generados por GAN, que mostraron una similitud del 80,3% con tráfico real, junto con técnicas de debiasing adversarial para abordar desbalances en los datos de paquetes.
6IA × Ciber✨arXiv cs.CR ·
Render Before Reading: Visual Rendering as a Prompt Injection Defense
Investigadores demuestran que los LLM multimodales son más vulnerables a inyecciones de prompt cuando el contenido adversario es texto que cuando se entrega como imagen. Proponen una defensa sin entrenamiento llamada Pictionary que renderiza contenido no confiable como imágenes tipográficas antes de alimentar el modelo, reduciendo consistentemente las tasas de éxito de ataque en diez modelos diferentes.
5IA × CiberarXiv cs.CR ·
Multi-Class, Multi-Tier Network Intrusion Detection: A Comprehensive and Reproducible Benchmark
Investigadores publican un benchmark comprehensivo para detección de intrusiones en redes basado en machine learning, corrigiendo errores de etiquetado y evaluación en trabajos anteriores sobre el dataset CIC-IDS2017. Un ensemble de Random Forest, XGBoost y LightGBM logra un macro-F1 de 0.955 en clasificación de 15 tipos de ataque, con código abierto y reutilizable para nuevos conjuntos de datos.
5IA × Ciber✨arXiv cs.CR ·
PrivacySkills: How Privacy Guidance Shapes Source Selection in LLM Agents
PrivacySkills es un marco de evaluación que estudia cómo los agentes basados en LLM eligen entre fuentes de información cuando acceden a datos personales. El trabajo demuestra que sin orientación sobre privacidad, los modelos acceden a fuentes confidenciales en el 30% de los casos incluso cuando existen alternativas públicas, alcanzando el 45% cuando el usuario no está disponible.
7IA × Ciber✨arXiv cs.CR ·
Same Bytes, Different Authority: Reserved-Token Representations in Chat-Template Prompt Injection
Un estudio demuestra que los prompt injections contra agentes LLM son mucho más efectivos cuando las instrucciones inyectadas usan el chat template propio del modelo, específicamente los tokens reservados como <|im_start|>. La investigación revela que la autoridad del ataque reside en la representación aprendida del token reservado, no en su texto, y que la mitigación estándar (codificar tokens especiales como subword ordinarios) deja vulnerables a 255 de los 400 modelos más descargados en Hugging Face.
6IA × Ciber✨arXiv cs.CR ·
MMSkillRisk: Can Agents Stay Safe When Multimodal Skills Become Traps?
Investigadores presentan MMSkillRisk, un benchmark para evaluar ataques basados en imágenes en skills multimodales de agentes IA. Diseñan Native-Context Visual Attack (NCVA), que oculta instrucciones maliciosas dentro de imágenes de enseñanza legitimas, logrando una tasa de éxito del 43,1% en nueve configuraciones de modelos sin que el agente falle en sus tareas originales.
6IA × Ciber✨arXiv cs.CR ·
Cheap to Hypothesize, Costly to Verify: The Defense Surface of Agentic Vulnerability Discovery
Un equipo de investigación presenta RedHerring, una técnica defensiva que inserta señuelos verificables en repositorios de código para desviar los esfuerzos de búsqueda de agentes autónomos basados en LLM que descubren vulnerabilidades. La técnica explota la asimetría entre generar hipótesis de vulnerabilidades (barato) y verificarlas (costoso), logrando reducir en 38–60% las vulnerabilidades reales descubiertas por estos agentes.
6IA × Ciber✨arXiv cs.CR ·
Similarity Is Not Validity: Defending LLM Semantic Caches Against Poisoning
Investigadores proponen una defensa contra el envenenamiento de cachés semánticos en LLMs, que explotan la brecha entre la similitud de embeddings y la validez de las respuestas. Los atacantes inyectan respuestas maliciosas bajo consultas con alta similitud coseno a peticiones benignas. La solución utiliza técnicas de análisis textual (Deletion Gain y Answer Check) para detectar contenido residual malicioso, bloqueando entre el 82% y el 98,2% de entradas envenenadas con una tasa de falsos positivos del 5%.
6IA × CiberarXiv cs.CR ·
Raising the Bar for Chinese Adolescent LLM Safety: A Culturally-Grounded, Fine-Grained Benchmark
QH-Bench es un benchmark de seguridad en chino para adolescentes que evalúa riesgos de contenido en conversaciones con LLM, considerando la edad, contexto y múltiples turnos de diálogo. El estudio evaluó 13 modelos de código abierto y encontró que todos fallan en escenarios de contacto offline, donde los usuarios podrían reunirse con contactos en línea desconocidos o adultos, especialmente bajo presión relacional.
5IA × CiberarXiv cs.CR ·
SaplingGuard: A Multidimensional-Profile-Aware Multi-Agent Guardrail for Developmentally Safe Adolescent-LLM Interaction
SaplingGuard es un guardrail multidimensional para LLMs que protege a adolescentes de riesgos implícitos y contextuales durante su interacción con modelos de lenguaje. El sistema utiliza tres agentes especializados que analizan el perfil del usuario, el contexto del diálogo y optimizan los prompts para mejorar la seguridad sin modificar los parámetros del modelo. En evaluaciones sobre SaplingBench, SaplingGuard reduce la tasa de respuestas dañinas del 17,10% al 5,27% y aumenta la puntuación de seguridad general.
6IA × Ciber✨arXiv cs.CR ·
SINGED: Correct Outputs Do Not Certify Safe Execution in LLM Agents
Un estudio sobre agentes LLM que utilizan herramientas de terceros revela que las salidas correctas no garantizan ejecución segura: implementaciones falsificadas pueden devolver el resultado solicitado mientras ejecutan efectos ocultos prohibidos. El benchmark SINGED demuestra que en el 45% de los casos con una única opción, el agente selecciona la ejecución maliciosa, aunque este problema se reduce cuando hay alternativas benignas disponibles.
5IA × Ciber✨arXiv cs.CR ·
Agentic Commerce Bench: Measuring Fraud Detection for Agents That Spend Money
Un equipo de investigadores presenta Agentic Commerce Bench, un conjunto de herramientas para medir y mitigar el fraude en sistemas de IA con autoridad de gasto autónomo. El trabajo revela que los agentes pueden ser defraudados incluso por contrapartes legítimas que cobran más de lo debido, un riesgo que los controles tradicionales de identidad no detectan. La evaluación muestra que ocho de veinte clases de fraude no mejoran respecto al azar, y que los escáneres de seguridad existentes fallan en detectar estos ataques.
5IA × Ciber✨arXiv cs.CR ·
CipherGenome: Homomorphic Inference for Genomic Mixture-of-Experts
Un estudio presenta CipherGenome, un protocolo que protege los genomas privados durante la inferencia en modelos de expertos parcialmente distribuidos mediante cifrado homomórfico. Los investigadores demuestran que un servidor con acceso a un único experto puede recuperar nucleótidos de entrada con 99,8% de precisión, lo que motiva una solución que mantiene componentes críticos en un cliente de confianza y delega el 95,8% de los parámetros a servidores no confiables bajo encriptación module-LWE.
5IA × Ciber✨arXiv cs.CR ·
GenomeOcean Anywhere: Private WebGPU Inference for Genome MoEs
Investigadores presentan GenomeOcean Anywhere, un sistema que ejecuta un modelo de mezcla de expertos de 15 mil millones de parámetros para genómica en navegadores web de voluntarios, protegiendo las secuencias de ADN privadas mediante computación codificada de Lagrange. El sistema distribuye los expertos entre múltiples dispositivos sin confianza, demostrando que los expertos con código mantienen la privacidad de los tokens mientras preservan la precisión del modelo.
4IA × Ciber✨arXiv cs.CR ·
GenoTrace: Inheritable Watermarks for Genome Foundation Model Distillation
GenoTrace es un método de watermark heredable para modelos de fundación genómica que resiste la destilación. Los investigadores demuestran que marcas de agua a nivel de token, sensibles a la posición de codones y al uso específico del organismo, pueden detectarse en modelos estudiantes incluso tras ediciones dirigidas de nucleótidos, lo que abre nuevas líneas de investigación en la trazabilidad de datos sintéticos en IA biológica.
5IA × Ciber✨arXiv cs.CR ·
SameFact: The Same Safety Facts Lead to Different Responses Across Interfaces
SameFact es un benchmark que prueba si los modelos de lenguaje responden de forma consistente a hechos de seguridad cuando se les presenta en diferentes interfaces: juicios explícitos de seguridad, admission de candidatos y selección de acciones abiertas. El estudio muestra que seis modelos diferentes tienen menores sensibilidades bajo selección abierta de acciones que bajo juicio explícito, lo que sugiere que la interfaz de respuesta influye en las mediciones de seguridad.
6IA × Ciber✨arXiv cs.CR ·
Says Block, Still Acts: Why LLM Safety Judgments Fail to Govern Action in LLM Agents
Un estudio demuestra que los agentes basados en LLM pueden juzgar correctamente que una acción debe bloquearse, pero aun así preferir ejecutarla. La investigación revela que el problema no es pérdida de información, sino un acoplamiento débil entre los circuitos de decisión de seguridad y los de selección de acciones, lo que sugiere que mejorar solo el reconocimiento de amenazas es insuficiente para garantizar la seguridad del agente.
5CiberNVD (CVSS crítico) ·
CVE-2026-103109 · CVSS 9.4 · Pexip Infinity before 38.2, plus 39.0, 39.1 and 40.0, is affected by improper input validation in the media implementation that allows a …
Pexip Infinity versiones anteriores a 38.2, así como 39.0, 39.1 y 40.0, contienen una validación de entrada impropia en la implementación de medios que permite a un atacante remoto provocar corrupción de memoria o un aborto de software resultando en una denegación de servicio.
4IASecurityWeek ·
Trump Says Top Tech Firms Have Signed Accord to ‘Self-Police’ AI Development
Principales empresas tecnológicas han firmado un acuerdo voluntario para autorregular el desarrollo de inteligencia artificial bajo iniciativa de Trump. El acuerdo contempla cuatro medidas voluntarias y abre la puerta a futuras regulaciones.
#Regulación