作者:

OWASP Top 10 for LLM Applications (下篇)

Posted on by

在上一篇(參考：OWASP Top 10 for LLM Applications (上篇)，我們深入探討了LLM01~LLM05的主要風險，相信各位對LLM應用的潛在威脅已有更清晰的認識。在本篇中，我們將繼續解析OWASP Top 10 for LLM Applications中的LLM06~LLM10，進一步拆解其攻擊手法與實際案例。

■ LLM06: Excessive Agency 過度代理

攻擊手法

當LLM系統功能過多、權限過高或自主性過強，在面對惡意攻擊者、受污染的程式或Prompt Injection時，可能執行非預期的行為，進而影響機密性（Confidentiality）、完整性（Integrity）與可用性（Availability），危及系統內所有可存取的資源。

案例 – AssitAI助手

讓我們用一個情境來說明「過度代理」的風險程度。AssitAI是一個基於 LLM開發的企業內部助手，旨在協助各部門完成他們的工作，如協助整理報表、查找資料、分析資料等。

然而，若AssitAI並未對使用者的請求進行控管，且自身被授予存取公司資料的權限超自身的業務範圍時，攻擊者可透過結合prompt injection的技巧要求AssitAI對公司的機敏資料進行存取、更新、甚至刪除。這將導致公司的機敏資料外洩，甚至財產損失。從AssitAI的情境中可以看出，過度代理可能帶來嚴重的安全風險。當LLM應用具備過多的存取權限，且缺乏適當的請求控管，攻擊者便能誘使系統執行未經授權的操作。

■ LLM07: System Prompt Leakage 系統提示洩漏

攻擊手法

當系統指令或資訊存在未預期暴露的敏感內容（如憑證、連線資訊、系統設定等），攻擊者可透過內容分析，推測系統缺陷，進而識別防護機制漏洞或權限管理不當，造成進一步攻擊風險。

  1. 憑證與密鑰洩露：系統回應中包含授權憑證，可能導致未授權存取
  2. 系統資訊暴露：錯誤訊息或日誌中顯示內部架構，助長攻擊面分析
  3. 過濾機制洩露：回應內容揭露LLM防禦邏輯，使攻擊者得以規避

案例 – Flowise遭竊取system prompts等資訊

Flowise是一個drag-and-drop的LLM開發工具，其可讓開發者快速整合企業內部的LLM架構。並且可透過AI代理進行任務自動化執行，通常Flowise會整合AWS Bedrock、Confluence、Github或OpenAI API等外部服務。

圖片來源：https://flowiseai.com/_next/image?url=%2F_next%2Fstatic%2Fmedia%2Flogo-color-high.e60de2f8.png&w=256&q=75

在2024年，資安服務商Legit針對959台Flowise建構的伺服器，並且發現其中有45%的伺服器存在繞過憑證驗證的弱點CVE-2024-31621。然而透過此弱點，Legit從438台伺服器中取得了Github的access tokens、OpenAI API keys與Flowise相關的密碼、設定值、system prompts提示等。這些洩漏資訊足以讓駭客輕而易舉存取企業內部大部分的資訊，甚至導致企業或客戶的機敏資料外洩。

■ LLM08: Vector and Embedding Weaknesses 向量與嵌入弱點

攻擊手法

在Retrieval Augmented Generation (RAG)架構下，LLM透過檢索外部知識庫來增強回應內容。然而，若向量生成、儲存或檢索機制存在漏洞，攻擊者可藉此影響模型行為，可能導致輸出操控、敏感資料洩露，甚至影響決策準確性。

案例 – ConfusedPilot侵蝕Copilot決策模型

2024年，有一個針對Copilot這類模型Retrieval-Augmented Generation (RAG)的新型態攻擊手法ConfusedPilot問世，該系統是由Symmetry Systems 執行長 Mohit Tiwari 教授所領導的研究團隊揭露。

圖片來源：https://confusedpilot.info/logo.jpg

ConfusedPilot攻擊目的在於將Copilot變成一個搞破壞的助手。首先，攻擊者會對LLM用於決策判斷的相關文件或簡報等進行汙染。一旦LLM對這些污染文件進行查詢時，便會影響LLM的判斷並僅回覆使用者經受汙染的資訊。然而，這些文件內容並無法透過刪除便能解決威脅，其所造成的汙染已侵蝕了LLM的決策模型。這也表明，LLM模型的向量與嵌入已遭受汙染。

■ LLM09: Misinformation 誤導

手法

使用者對LLM過度信任(Overreliance)，在開發、業務決策、學習、法律諮詢等情境下，可能因錯誤資訊而做出不當決策，進而暴露於風險之中。其中「幻覺」(Hallucination)是主要成因之一，即模型生成內容看似合理，但實際上是憑空編造，可能導致錯誤建議、誤導性決策，甚至影響企業與個人安全。

案例 – 美國律師受LLM「幻覺」影響

近期，LLM在法律領域的應用引起了社會大眾的關注，特別在LLM回覆資訊時，會產生大量虛構案例，即是所謂的「幻覺」。而有數名律師因對內容過度信任而導致面臨制裁。以下是相關案例的彙整：

在2025年，美國知名個人傷害律師事務所Morgan & Morgan的兩位律師，在對沃爾瑪公司的案件中引用了LLM所產生的虛構案例，因故將會面臨制裁。並且在同年2月，其中一位律師承認使用了AI程式，並為此錯誤道歉。過去兩年中，至少有七起類似案例，法院對律師引用AI生成的虛構案例表示關切或進行紀律處分。

■ LLM10: Unbounded Consumption 無約束的資源消耗

攻擊手法

LLM在推理過程中若未設定適當限制，可能陷入無限資源消耗模式，進而成為拒絕服務攻擊(DoS)的目標。攻擊者可透過過量請求或複雜計算，讓系統資源耗盡，導致服務品質下降、營運成本增加，甚至進一步影響模型與資料的安全性。

案例 – Red Hat Enterprise Linux AI遭受DoS攻擊

2024年，Red Hat Enterprise Linux AI(未知版本)被發現存在一個被分類為問題性的漏洞。這個漏洞影響了ilab Model Serve組件中的vllm JSON web API。當攻擊者於參數best_of中輸入未知不當內容時，webAPI可成功實現阻斷服務攻擊攻擊(DoS)。

圖片來源：https://www.redhat.com/rhdc/managed-files/rhel-ai-hero-graphic_0.png

本項攻擊的重點在於，此API主要用處理LLM的聊天內容，並以一個best_of參數從多個選項中取得最佳的結果。然而，一旦參數設定較大，會出現API無法正確運作，造成處理耗時或資源耗盡的威脅。主因為LLM並未適當地對系統資源進行控管，導致LLM被賦予消耗大量資源的權限，使系統無法正常運作，影響其他正常使用者的訪問服務。

透過本篇文章，我們完整解析了OWASP Top 10 for LLM Applications的後五項風險（LLM06~LLM10）。至此，我們已經完整梳理了LLM應用可能面臨的十大風險，幫助企業與開發者在導入LLM技術時做好安全防護。然而，LLM技術仍在快速演進，新的安全問題也可能隨之出現。未來，我們將持續關注LLM的發展，並分享更多與LLM安全相關的最佳實踐，確保大家能夠在創新應用的同時，降低風險，安全地釋放LLM的潛力。

【參考資料】

By Jared

OWASP Top 10 for LLM Applications (上篇)

Posted on by

根據上一篇的內容(參考：LLM 架構解析)，想必各位對LLM模型的架構已經有了初步的認識。本期我們將深入解析OWASP Top 10 for LLM Applications中的10項資安風險與弱點。

或許大家迫不及待想要一次了解所有威脅，但為了讓各位能夠更透徹地理解每個資安風險，我們將逐一剖析每項威脅的攻擊手法與實際案例。今天，我們將率先介紹LLM01~LLM05，其餘五項風險則將在下一篇揭曉！

LLM01: Prompt Injections 提示詞注入

攻擊手法

攻擊者可透過精心設計的LLM提示詞(prompt)來竊取敏感資訊或影響模型的判斷，進而執行惡意行為。這類攻擊可分為兩種模式：

  1. 直接提示詞插入 (Direct Prompt Injection)
    • 此類攻擊是利用惡意提示詞影響LLM的回應邏輯，讓模型執行不當行為。
    • 攻擊者可能試圖透過提示詞繞過安全限制，甚至存取後端系統的敏感資訊。
  2. 間接提示詞插入 (Indirect Prompt Injection)
    • 此類攻擊是針對LLM參考的外部資料來源(如網頁、文件)進行內容篡改，讓模型在讀取該資訊時產生非預期的行為。
    • 攻擊者可在這些資料來源中注入惡意內容，從而影響LLM的回應，甚至進一步存取或控制後端系統。

案例：Jailbreaks

Jailbreak是一種突破大型語言模型用途限制的技術，當輸入繞過模型內建的安全限制，其將會輸出本不應提供的資訊，如非法內容、濫用指引或其他違規資訊。其中，已經被發現的Jailbreak prompt已多達數十種，以下提供Evil-Bot Prompt範例供參考。

當模型被上述的Prompt誘導進入如「EvilBOT」的角色時，它可能會開始提供本應受限制的資訊，進一步加劇濫用風險。詳細越獄結果可參考下圖，每當攻擊者提出LLM原先無法處理或受限的請求時，模型起初會回應無法滿足該請求的說明，但隨後便透過角色扮演「EvilBOT」的方式，提供違法資訊，從而繞過安全機制。

圖片來源：https://gist.github.com/sertdfyguhi/4e291776fe95b975becf468e762a28e7?permalink_comment_id=4516928

LLM02: Sensitive Information Disclosure 敏感資訊揭露

攻擊手法

LLM在許多應用場景中可能涉及機敏訊息，如：

  1. 個人識別資訊(PII)：姓名、身分證字號、聯絡資訊等。
  2. 財務資料：信用卡資訊、銀行帳戶、交易紀錄等。
  3. 健康紀錄：病歷、醫療診斷、保險資料等。
  4. 商業機密：公司內部文件、專利技術、客戶資料等。

如果未妥善管理，這些機敏資訊可能會因未經授權的存取而遭到洩露，導致：

  1. 敏感資料與機密資訊的暴露
  2. 隱私權侵害(Privacy Violation)
  3. 知識產權(IP)侵犯

這類風險通常發生在LLM agent將機敏資料回傳至application service 或plugins/extensions，導致機密資訊被意外存取或利用。

案例 – OmniGPT資料外洩

OmniGPT是一個由多個熱門且常見的LLM模型所構建而成，如下圖所示。

圖片來源：https://omnigpt.co/

在2025年2月，BreachForums的論壇上有人聲稱掌握了OmniGPT大量的機敏資料，包含30K的使用者信箱和手機號碼與34M的聊天訊息，並且外洩的資料也包含了大量的API keys、憑證與帳單等內容，詳細資訊可參考下圖。

圖片來源：https://cyble.com/blog/omnigpt-leak-risk-ai-data/

根據Cyble的研究團隊調查結果，這些資料分成了四份文件，分別為：

  1. File.txt：記錄了使用者上傳檔案的連結，並且部分內容屬於機敏資料。
  2. Messages.txt：包含了使用者與OmniGPT聊天所使用的prompt，並且部分內容屬於機敏資料。
  3. User_Email_Only.txt：儲存了使用者的信箱地址。
  4. UserID_Phone_Number.txt：記載了大量使用者帳號信箱與聯絡電話。

其中在File.txt和Messages.txt的資料中儲存了tokens、API keys、credentials、帳號密碼等關鍵資訊，這導致惡意攻擊這可進一步利用這些資訊發動攻擊。並且，User_Email_Only.txt與UserID_Phone_Number.txt中的資料看似無害，但這些資料可被駭客用於進行釣魚攻擊、身分竊取或是社交工程等。

LLM03: Supply Chain 供應鏈威脅

攻擊手法

LLM供應鏈的每個環節都有可能成為攻擊目標，影響訓練資料、模型完整性、部署平台，甚至導致不正確的回應、安全漏洞或系統故障。這些風險可能來自：

  1. 軟體層面：程式碼漏洞，如Python內建函式的安全弱點、外部或供應鏈中的API套件、搭建LLM的平台等。
  2. 機器學習模型層面：由供應鏈所提供的參考資料或訓練資料已被污染，如惡意或低品質資料影響模型學習、受汙染或竄改的資料儲存系統。

這些問題可能讓攻擊者操控LLM的行為，進而影響企業運作或造成資訊洩露。

案例 – DeppSeek tokens竊取

DeepSeek作為2025年間備受矚目的LLM模型，其一上線即引起全球的關注。

圖片來源：https://www.deepseek.com/

2024年12月26日，DeepSeek發布了DeepSeek-V3版本，但僅在發布後數天內，駭客就取得了該模型的完整存取權限。根據Nexus-AI的說明，本次攻擊的駭客被稱為LLM Hijackers。此次攻擊是由於Nexus-AI雲端託管平台的零時差漏洞所致，駭客利用這一漏洞盜取了tokens，並通過這些tokens合法地存取DeepSeek-V3的完整功能。Nexus-AI還表示，此次事件已威脅到DeepSeek-V3的部分功能。

此外，駭客還在黑市上販售這些tokens以獲取非法利益，這些tokens的價格低至30美元，可以提供30天的訪問權限。這些非法販售的tokens在地下論壇和某些平台上廣告，吸引了大量買家。此案例主因為供應鏈中的Nexus-AI雲端託管平台存在漏洞，致使DeepSeek遭受攻擊。

LLM04: Data and Model Poisoning 資料和模型中毒

攻擊手法

在預訓練(Pre-training)、微調(Fine-tuning)或嵌入(Embedding)過程中，惡意攻擊者可針對內容發動攻擊，導致模型性能下降、產生偏見與有害內容，甚至植入漏洞與後門，最終使使用者與下游服務暴露於安全威脅之中。

案例 – 醫療用資料集The Pile汙染

2025年1月，Nature Medicine發布了一篇最新有關如何利用資料汙染嚴重影響LLM模型輸出結果的正確性。

圖片來源：https://www.nature.com/articles/s41591-024-03445-1

首先，研究團隊針對醫療領域常用於訓練的The Pile資料進行攻擊，然而他們僅汙染0.001%的訓練資料為錯誤的醫療訊息，便成功使得1.3B的參數模型增加了7.2%的錯誤率。並且，團隊嘗試將汙染資料提高到0.01%進行實驗，此時錯誤內容則飆升到了11.2%。這項研究表明，即使是極小比例的資料汙染，也能顯著影響大型語言模型的準確性。更令人擔憂的是，進行這種攻擊的金錢成本非常低。研究團隊指出，僅需約5美元的成本便能生成足夠的錯誤資料來進行有效的資料汙染攻擊，這對於依賴這些模型進行醫療診斷和決策的應用程序尤為重要。

LLM05: Improper Output Handling 輸出處理不當

攻擊手法

當LLM處理完資料後，未經驗證或過濾即直接回傳資訊給使用者或下游服務，可能導致以下風險：

  1. 跨站腳本攻擊(XSS)
  2. 跨站請求偽造(CSRF)
  3. 伺服端請求偽造(SSRF)
  4. 提權攻擊
  5. 遠端程式碼執行(RCE)

這類攻擊可能使使用者與下游服務暴露在嚴重的安全威脅之中。

案例 – ChatGPT遭受駭客組織濫用

2024年，OpenAI發布了有關ChatGPT遭到濫用的研究報告，其中說明了駭客組織利用ChatGPT輔佐惡意活動進行，如資料蒐集或生成惡意程式，這些行為屬LLM模型對於輸出的管理與過濾不當。

圖片來源：https://zh.wikipedia.org/zh-tw/OpenAI

接下來，我們以大陸「SweetSpecter」與伊朗「CyberAv3ngers」駭客組織的案例進行說明。

  • SweetSpecter：該組織利用了ChatGPT進行惡意攻擊的準備。此次攻擊涵蓋的對象包含中東、非洲與亞洲的政府機關與OpenAI員工。經深入調查該組織在ChatGPT的使用者行為，發現SweetSpecter利用多個ChatGPT輔佐進行了惡意程式的腳本與弱點分析等。
  • CyberAv3ngers：該組織透過ChatGPT針對工業控制系統(ICS)與可程式邏輯控制器(PLCs)進行攻擊。經過調查分析，該組織利用ChatGPT協助了偵查、取得預設帳號密碼與協助開發惡意程式等。

從上述案例可以看出，駭客組織已經將LLM技術作為輔助工具，以提升攻擊的精確度與自動化程度。這些案例反映出LLM在輸出管理與內容過濾上的挑戰，尤其當駭客透過繞過限制或提示工程的方式，誘導模型生成有害內容時，現有的防範機制仍存在漏洞。

在本次粉絲文中，我們介紹了OWASP Top 10 for LLM Applications的前五項安全風險（LLM01~LLM05），並透過實際案例剖析了可能的攻擊方式。這些風險揭示了LLM於應用時的潛在風險，提醒開發者與使用者在部署LLM時必須提高警覺。然而，這僅僅是LLM安全挑戰的一部分，還有更多潛在風險值得我們關注。在下一篇粉絲文中，我們將進一步解析剩餘的五大風險（LLM06~LLM10），幫助大家全面掌握LLM應用的安全防護要點。

【參考資料】

By Jared

LLM 架構解析

Posted on by

隨著ChatGPT、Claude、Copilot等人工智慧工具的廣泛應用，許多領域已與大型語言模型深度融合，顯著提升整體服務品質與營運效能，為各行各業帶來前所未有的變革與發展機遇。然而，資訊技術的發展總伴隨著資訊安全的潛在風險，這已成為不可忽視的重要議題。

國際知名的資訊安全組織OWASP(參考：OWASP Top 10 2021入門介紹)在2023年即啟動了Large Language Model Applications計畫，專門研究大型語言模型(LLM)應用可能面臨的資安風險，類似於之前粉絲文中所介紹Web風險弱點。該計畫聚焦於各領域在LLM模型開發、設計與應用階段時應關注的威脅與資安弱點。目前，該計畫最新的版本 – OWASP Top 10 for LLM Applications 2025，已於2024年11月17日正式發布。

為了讓大家更清楚了解LLM的潛在風險，本系列內容將分為三個部分進行介紹：

  1. LLM架構解析：首先，我們將介紹LLM的基本架構，幫助大家理解其運作原理，包括使用者輸入、模型運行、外部服務交互以及模型更新等關鍵流程。
  2. OWASP Top 10 for LLM Applications (上篇)：接著，我們將剖析OWASP Top 10 for LLM Applications中的LLM01~LLM05，詳細說明每項風險的定義、攻擊手法、實際案例與對應的防範措施。
  3. OWASP Top 10 for LLM Applications (下篇)：最後，我們將進一步解析 LLM06~LLM10，補充更多與LLM應用安全相關的風險，確保大家能夠全面認識LLM的潛在威脅，降低LLM系統的安全隱患。

隨著LLM技術的快速發展，資訊安全風險也隨之提升。希望透過本系列的介紹，幫助大家更有系統地理解LLM資安議題，進而強化應用防護，確保系統穩定與安全！

LLM架構

從下圖中，我們可以看到一個簡易的LLM架構。儘管整體框架看起來較為複雜，但我們先認識每個元件的功能與意義，其核心運作方式將會透過簡單的情境來理解。

  • End User：LLM模型的使用者。
  • Application Service：Core/GreenField: 供使用者的應用程式服務，如ChatGPT的服務介面。
  • LLM Production Services：
    • LLM Automation(Agents): 負責調用、管理、交互。
    • LLM Model: 負責內容理解、分析、推理、生成。
  • Plugins/Extensions：LLM串接的應用功能。
  • Downstream Services：根據LLM結果，進一步處理或應用於其他系統。
  • Training Dataset & Preprocessing 
    • Training Data: 用於建立模型基本能力，包括語言理解、分析、推理、生成之資料集。
    • Fine-tuning Data: 用於微調模型的資料集，以適應特定任務或行業需求。
  • External Data Sources：提供模型即時查詢的資料、文件、知識庫。

接下來，將為大家講述一個直觀的案例，幫助大家更輕鬆地掌握LLM的基本概念與應用方式。

  1. 使用者輸入：End user透過application service(ChatGPT、Claude、Copilot)輸入對話內容(prompt)，類似我們開啟ChatGPT頁面進行提問的方式。
  2. 模型運作：Application service會將問題傳送至LLM production services，模型隨後執行理解、分析、推理與生成等處理程序。根據需求，模型可能會採取以下處理方式：
    • 無需額外擴充功能：系統直接在LLM production services內部生成回覆，並回傳至application service，供使用者查看結果。
  • 需額外擴充功能：若LLM需要額外工具來處理請求，如計算、程式碼執行，則可能透過Plugin/Extension機制進行額外運算，完成後回傳結果至 Application Service。
  • 需下游服務：若系統需要存取外部資料，如企業資料庫、核心應用程式或網站，則可透過plugin轉發請求至 downstream services。
  1. 模型訓練與微調：Training Dataset & Preprocessing是 LLM 訓練與優化的核心流程，其資料來源可分為：
    • 使用者輸入的內容可能會被收集來優化未來模型版本，但不會直接影響當前模型。
    • 外部資料庫，如維基百科、新聞、學術論文等，可作為 LLM 訓練時的基礎資料。

透過本篇文章，我們解析了LLM的基本架構，從使用者輸入到模型運行，再到外部服務交互與模型更新，讓大家對LLM的運作方式有了更清晰的理解。然而，除了技術架構外，LLM應用的安全性也是不可忽視的重要課題。在下一篇文章中，我們將聚焦於OWASP Top 10 for LLM Applications，探討LLM應用可能面臨的前五大安全風險，並解析對應的攻擊手法。

【參考資料】

By Jared

紅隊工具介紹-Cobalt Strike

Posted on by

近年來業界對於資安防護的需求日益增長，針對企業相關的檢測也逐漸從針對特定範圍的檢測擴展至企業整體全方位的紅隊演練。


所謂紅隊演練是模擬真實攻擊者對目標進行攻擊，以測試安全防禦和應急反應的訓練活動。紅隊成員利用多種技術和策略，試圖入侵系統並竊取資料，為了能夠達成目的，大多進行演練的公司會自行開發或使用相關的產品，而Cobalt Strike便是其中一套強力的工具。

Cobalt Strike是一款專為紅隊演練與滲透測試而設計的強大工具，廣泛應用於模擬攻擊和安全演練中。它最初由Raphael Mudge開發，旨在提供一個全面的紅隊作業平台，以幫助安全專家模擬真實的攻擊行為，從而評估目標系統的弱點和防禦措施。

紅隊人員可以透過其多功能的Command-and-Control（C2）框架輕鬆部署和控制各種攻擊向量，如惡意軟體、社交工程學攻擊和滲透測試工具，並且Cobalt Strike還提供了強大的漏洞利用工具，能夠利用目標系統中的漏洞進行特權升級和持久性存取。

在實際應用中，Cobalt Strike通常用於模擬典型的APT（進階持續性威脅）攻擊，例如偽造電子郵件、利用已知漏洞進行內網滲透以及橫向移動，其高度可定制化的特性使得使用者能夠根據具體需求定製攻擊模式，以最大程度地模擬現實世界的威脅。

此外，Cobalt Strike還提供了強大的報告和分析功能，用於評估測試的結果並生成專業的測試報告，這些報告不僅可以幫助使用者了解其安全防禦機制的可能風險，還能提供改進和加強安全策略。

總結來說，Cobalt Strike作為一個多功能的紅隊演練工具，普遍用於模擬攻擊和滲透測試。它提供了多種攻擊向量和功能，包括社交工程、漏洞、持久化存取、命令與控制等，以支援團隊協作和即時攻擊模擬，還能夠提供深入的攻擊模擬和分析功能，並幫助安全專家測試和增強企業的安全防禦。

By Stanley

什麼是SSL憑證？

Posted on by

在現今數位時代中，網站的安全性至關重要，SSL（Secure Sockets Layer）憑證是用於網站加密的一種安全技術，它能保護使用者在網站上傳輸的數據。當網站使用 SSL 憑證後，瀏覽器網址欄會顯示「HTTPS」並且出現鎖頭圖示，這意味著該網站傳輸資訊是經過加密的。SSL憑證的類型根據其保護的網域範圍，可劃分為以下三種：

單域名憑證（Single-Domain Certificate）

單域名憑證專門用於保護單一域名，不包含任何子域名。它僅適合用於只需要保護一個網站的情境，如www.example.com。

多域名憑證（Multi-Domain Certificate）

多域名憑證又稱SAN（Subject Alternative Name）憑證，允許一張憑證同時保護多個不同的域名，甚至可以跨不同的主域名。例如，您可以使用同一張多域名憑證來保護www.example.com、shop.example.net以及blog.example.org。

萬用憑證（Wildcard Certificate）

萬用憑證適合用來保護同一主域名及其所有子域名。當您擁有一個主域名並包含多個子域名時，萬用憑證是一個便捷的選擇。例如，*.example.com萬用憑證可以保護子域名如shop.example.com、blog.example.com、support.example.com等。但不能保護sub.blog.example.com或example.net等二級子域名或其他域名。

SSL憑證種類與比較

單域名憑證多域名憑證 (SAN憑證)萬用憑證
保護範圍單一個域名多個不同的域名主域名與 所有一級子域名
適用場景單一域名網站多個域名的網站具大量子域名的網站
擴充性每個域名都需要各自的憑證可彈性新增多個域名只要是一級子域名皆可適用
私鑰存放位置單一伺服器多個套用此憑證的伺服器多個套用此憑證的伺服器
成本低高中

如何申請SSL憑證？– Let’s Encrypt

申請SSL憑證有多種方法，本篇文章將簡介Let’s Encrypt進行憑證申請的流程。Let’s Encrypt是提供免費SSL憑證的開源機構，讓網站管理員能輕鬆快速地取得基本的SSL憑證。透過 Let’s Encrypt申請憑證時，主要分為兩大步驟：

  1. 證明網域所有權：Let’s Encrypt會要求申請者在網站的某個路徑上放置一個特殊的驗證文件，並進行隨機數簽名，以此證明申請者擁有該網域的管理權限。
  2. 憑證頒發：一旦網域所有權通過驗證，Let’s Encrypt就會生成一份SSL憑證。這份憑證包含該網域的公開金鑰，並由Let’s Encrypt的簽章進行驗證，確保憑證的真實性。

透過這兩個步驟，網站管理員可以輕鬆為網站啟用HTTPS，增強資料傳輸的安全性。

總結來說，SSL憑證對於網站安全至關重要，而Let’s Encrypt 提供了一個方便、免費的選擇。希望本篇文章能幫助您理解SSL憑證的種類以及申請流程，並提升網站安全性！

[參考資料]

[1] Let’s Encrypt 的運作原理，

https://letsencrypt.org/zh-tw/how-it-works/，2019-10-18

[2]SSL 憑證：憑證是什麼？為什麼您必須使用憑證？以及要如何取得憑證呢，https://www.ithome.com.tw/pr/142541，2021-02-01

By Gary

什麼是社交工程?

Posted on by

前言：

        在現代，由於通訊及網路設備的普及，幾乎人人都有智慧型手機，隨時隨地都可上網。這些科技的進步為世界帶來許多便利，這也衍伸出許許多多資訊安全的問題，而在這樣資訊爆炸的環境也助長駭客的成長，他們會利用各式各樣的技術或手法來達成他們想要的目的，今天就要來介紹其中一樣攻擊手法——社交工程。

什麼是社交工程：

社交工程就是，利用人們的心理活動，誘使人們進行某些操作，以達到竊取資訊或是植入惡意軟體等等的目的，例如：在路上撿到一個隨身碟，裡面可能就包含有惡意程式，當你因為好奇裡面有什麼檔案而插入電腦並點開時，你的電腦可能就被植入惡意程式，這將會導致電腦中的資料被竊取，甚至是電腦被有心人士控制。

社交工程的攻擊手法層出不窮，常見的攻擊手法包含：

  1. 假冒正常網站：有心人士利用知名網站，並製造出與其網站相似的內容，讓使用者難辨真偽，例如 www.yahoo.com 變成 www.yαhoo.com，如果不仔細觀察的話很難發現區別，如果使用者不小心進入到假冒的網站，並且輸入登入資訊，那麼不法人士就取得了使用者的帳號密碼，如果是銀行帳戶的話，他將可以把使用者的金錢盜領一空。
  2. 惡意廣告：現在的網頁中充斥著各式各樣的廣告，這些廣告中也是有著真真假假，其中廣為人知的惡意廣告可能就是「恭喜中獎！恭喜您抽中XXXX」這類的廣告，如果你點擊並填寫姓名手機電子郵件的話，他們就能取得個資，並透過各種方式對你進行詐騙。
  3. 釣魚郵件：不法人士透過偽裝成各式各樣的電子郵件，例如：社群推播、公司內部訊息等等，誘使使用者點開電子郵件並點擊連結或下載附件，這將會觸發駭客潛藏的惡意程式並自動下載到使用者的裝置中，這些惡意程式可能會竊取裝置內資料或是側錄設備的使用過程，這樣駭客就能取得使用者的各式敏感資訊進行下一步的攻擊。
  4. 魚叉式攻擊：前面說到釣魚郵件通常是撒網捕魚的類型，誰上鉤就攻擊誰，魚叉式則不同，他具有高度針對性，其對象通常是某個機構，目的與釣魚郵件一樣，誘使使用者點擊電子郵件中的連結或是下載附件，以達到竊取資料或植入惡意程式的目的。
  5. 商業電子郵件詐騙（BEC詐騙）：又稱變臉詐騙，通常從歹徒入侵高階主管郵件帳號或合作廠商帳號做為起點。通常是經由鍵盤側錄的惡意程式或式網路釣魚取得，歹徒將會建立高度仿真的公司內部或相關企業的電子郵件，誘騙目標提供資料。入侵電子郵件後，歹徒將監控並試圖找出轉帳或是要求轉帳的對象，並發送偽造的電子郵件要求匯款至歹徒控制的銀行帳戶中。

如何防範社交工程攻擊：

社交工程攻擊通常都是透過網站或是電子郵件，並且利用人性的弱點進行詐騙，所以如果要防止受到攻擊，要從人身上做起防護：

  1. 不要點擊來路不明的連結
  2. 不要直接開啟郵件內的附件，須先由防毒軟體掃描後，確保無惡意程式後再進行開啟。
  3. 不要直接點擊郵件內的連結，如果有連結需要操作，應透過其他管道連線正確官網確認後再進行操作。

By Dennis

零信任

Posted on by

零信任是近幾年流行的資安話題，你可能已經看過關於介紹零信任的文章，今天就讓三甲科技再帶你重新簡單地溫習這個名詞吧！

在傳統的企業網路架構上，以往我們都是透過防火牆區隔內部與外部網路，將外部網路視為威脅進行阻隔，而內部網路則視為安全區域，不做過多的防護或認證機制。然而，倘若內部網路任何一台設備遭受惡意入侵，攻擊者很有可能藉此在內部網路橫向擴散，整個內部資料遭竊取、設備遭加密勒索或是網路癱瘓。再者，技術的發展與疫情的爆發，伴隨的是網路使用習慣或基礎架構的轉變，例如雲端服務、BYOD或是居家辦公等。在這些轉變下，內部網路存在的設備已不像以前那麼單純，過往的安全架構未必仍可達到足夠的防護。

        基於上述的問題，零信任便是為了解決這些問題而發展的一個概念。單從字面上來看，或許能猜出它的大意，但所謂的「信任」指的又是什麼？在前面所描述的情境，內部資料遭受竊取的首要條件是內部網路其中一台設備被入侵，但為何僅僅一台設備被入侵就能取得整個內部的資料？就是因為內部其他的服務「信任」這台被入侵的設備，而沒有做任何驗證或限制，導致駭客可隨心所欲，想去哪就去哪。因此，零信任便是提倡即使在內部網路中，也不輕易信任任何設備，需要先經過一些驗證才可存取或提供資料。如此一來，就算有惡意人士可以入侵企業的內部網路，想存取其他的服務或設備也會變得更加困難，進而降低影響的範圍與損失。

        前兩段我們說明了零信任想解決的問題與它的概念，而到底要做哪些事才能邁向零信任？NIST在2020年8月發佈SP 800-207標準文件，內容針對零信任架構進行說明，並提供導入零信任架構的建議步驟。其中第一步即為「評估」，應先針對企業資產、資料流、系統、人員、工作流程等細節進行盤點調查。在完整了解組織的營運狀況後，便可擬定適當的零信任架構調整計畫或政策方針，接下來則包含風險評估與政策發展、佈署與作業。

By Mike

【參考資料】

[1] 【Wired 硬塞】到底什麼叫「零信任」？答案其實取決於你想聽到什麼，https://www.inside.com.tw/article/24908-what-is-zero-trust，2021-09-22

[2] 【搞懂零信任，從理解NIST SP 800-207著手】打造以零信任原則的企業網路安全環境，https://www.ithome.com.tw/news/145709，2021-07-21

[3] Zero Trust Architecture https://nvlpubs.nist.gov/nistpubs/SpecialPublications/NIST.SP.800-207.pdf, 2020-08

自動化滲透測試工具初探

Posted on by
  1. 為什麼需要自動化的滲透測試工具
  2. 自動化滲透測試與弱點掃描比較
  3. 結語

By Howard

按個開始按鈕，喝杯咖啡等待一小段時間，所有的檢測任務全都自動完成，包含偵查網路端口開了哪些port、系統版本比對是不是過舊，甚至系統網路設定有哪些弱點全部都檢測出來，只需要觀看結果報告就可以確切知道當前設備有哪些已知弱點漏洞，是所有資安工程師的夢想，不僅大幅降低資訊安全檢測花費的時間，更是減少執行工作的人力成本。查看結果、驗證仍須有專業資安知識有利於資安檢測的執行以及普及化。

自動化滲透測試 V.S. 弱點掃描：

目前市面上是否已經有資安檢測模式達到自動化的的情境呢？有的，弱點掃描已經發展到接近全自動的程度，按個開始按鈕一掃描下去，便可以檢測出已知的常見資安漏洞，甚至非資安專業的人員照著步驟也有機會能在短時間內學會使用弱點掃描工具，是一個簡易化的檢測方案。但弱點掃描的檢測深度卻難以與滲透測試相比，其中的原因是弱點掃描工具多數僅能將每個弱點單獨檢視，較難針對弱點進一步挖掘是不是存在其他連帶的漏洞，並梳理每個漏洞可能的關聯性。如果做個簡單的比喻，有個網頁登入口，在帳號密碼未知的情況下，弱掃僅能檢視登入口的安全性，難以進一步檢測出登入口的驗證碼機制是否不妥，因此這時候就會需要進行滲透測試。滲透測試一般會由具有豐富經驗的資安專家進行技術檢測，深度挖掘漏洞的連帶關係以及可能產生的危害，甚至會使用盲測的方式找出新的資安漏洞。但擁有如此資安技術的專家不多，除了從頭開始培養相關人才外，難到沒有其他方法嗎？有的，假如可以結合弱點掃描的自動化特性，在滲透測試的檢測面上即可大幅降低專家的依賴程度，也可進一步節省大量的檢測時間，降低資安工程師的門檻。

那麼市面上除了自動化的弱點掃描、滲透測試之外，還有沒有其他自動化的檢測項目解決方案呢？當！然！有！三甲科技推出自動化的資安健診平台，針對個人電腦、伺服器進行自動化資安健診，只需簡單的幾個步驟，即使不是資訊人員，沒有電腦背景、透過簡單介面使用學習，動動手將資料上傳至雲端，即可針對電腦、伺服器環境進行健康檢查，而且也不需耗費寶貴的電腦運算資源。太棒了，爸爸媽媽再也不用擔心我的電腦、伺服器不健康了。心動不如馬上行動，三甲科技全新推出接近全自動化的資安健診平台~您值得擁有！

Reference

[1]、2021/07/30，關於自動化滲透測試的理念，W3C學習教程https://www.w3study.wiki/a/202107/455158.html

[2]、淺析滲透測試之手動和自動的優缺點，每日頭條

https://read01.com/jNg7AMD.html#.YhSxGuhBxPY

[3]、滲透測試與自動化安全測試工具比較，IT人

https://iter01.com/653450.html

網站的上傳功能可以怎麼利用?

Posted on by

By Jay

  1. 說明網站可能會有任意檔案上傳弱點
  2. 可能利用的手法
  3. 如何防範

　　在這個資訊普及的時代，網路上的網站越來越多，很多企業都喜歡透過網站來宣傳產品，甚至是架設電子商務網站，讓產品可以直接在網站上進行販售，但往往開發人員只注重開發流程而忽略的安全性問題，也導致很多網站型的資安弱點出現，例如Cross-site scripting(簡稱XSS)、SQL Injection及Cross-Site Request Forgery (CSRF)等弱點時常被提起探討，這次小編要介紹的就是一種常見在網站的弱點，我們團隊時常稱它「任意檔案上傳弱點」，也就是CWE於2021年列出前25名常出現的軟體弱點之「CWE-434: Unrestricted Upload of File with Dangerous Type」。

那為何網站會出現這樣的弱點?其實是因為現在許多網站需要提供使用者上傳檔案至網站上，例如大頭貼、身分證圖片及附件等，一開始是為了讓使用者方便，但這個功能在駭客的眼裡就是一個很好利用的地方，網站請使用者上傳圖檔，一般人僅會上傳對應的檔案，但駭客的思維就會想這個網站是如果沒好好限制，那我是不是可以上傳一個PHP程式碼檔案，看會不會執行?如果這時網站沒有進行安全驗證的話，通常是會上傳成功的。由上面的說明可以知道，該問題通常是，網站沒有驗證使用者上傳的檔案是否為指定的檔案格式，例如大頭貼就讓限制上傳的檔案必須為png、jpg等，那當上傳上傳能被網站伺服器端執行的檔案後，再次訪問檔案路徑時，就可以執行上傳的惡意程式碼甚至可能讓攻擊者操控主機，常這種惡意程式碼也有許多別人寫好的開源版本，例如b374k就是常見的WebShell。

根據我們的經驗只要網站出現這個弱點，時常會造成網站的重大危害，常見手法就是利用這個功能去上傳Webshell，藉此取得主機權限將網站程式碼下載下來，甚至進一步提高權限取得主機的系統權限，以佔領整台主機都是常見駭客會做的事情，因此網站出現這種類型的弱點都不可忽視，必須特別注意。如果網站不知道該怎麼確認有沒有這個弱點該怎麼辦?建議可以參考我們三甲科技的滲透測試服務!!

參考連結：

https://ithelp.ithome.com.tw/articles/10245814

N-Stalker Web Application Security Scanner X

Posted on by

By Mike

先前我們介紹「OWASP Zed Attack Proxy」網頁掃描工具，在文章裡我們提到檢測工具林林總總，市面上有很多工具可以選擇。那除了OWASP ZAP以外，還有哪些工具可以使用呢？各位客官有福了，今天小編再跟大家介紹另一套網頁掃描工具「N-Stalker Web Application Security Scanner X」(以下簡稱 N-Stalker X)。

N-Stalker X從名字上來看，大概可以猜出它的開發商。沒錯，就是N-Stalker。這套軟體是用於評估網頁的安全性，其結合了HTTP掃描器N-Stealth與包含39,000個網頁攻擊特徵的資料庫，以及Web應用程式的安全性評估技術。可為開發者、檢測人員、IT人員進行許多不同的檢測項目。你可能會好奇到底有哪些檢測內容？N-Stalker的檢測項目遵照了許多國際標準，如OWASP Top10、PCI及SANS Top10/20。檢測內容則包含不同面向，如程式碼撰寫錯誤所衍生的漏洞、伺服器的敏感資訊外洩、備份或設定檔外洩等。

從前面的說明我們可以知道，N-Stalker X能協助執行網頁安全性評估，那什麼時候可以用到呢？N-Stalker提出了在系統發展生命週期(System Development Life Cycle, SDLC)中加入N-Stalker X以確保網頁的安全性，在設計與開發階段評估執行環境，同時檢查程式碼中的漏洞；而在測試與佈署階段，則透過工具輔助進行滲透測試，以驗證其安全性；最後於維護檢查階段，則持續並定期執行安全性評估，以管理網站的漏洞與風險。

而既然N-Stalker X和之前介紹的OWASP ZAP都是網頁安全性檢測工具，那你可能會想到底哪一套工具比較好，應該要選擇哪一個？套一句公道話「小孩子才做選擇」，每一種都試試看就知道哪一種工具比較適合你囉！