大模型相关 XSS等 漏洞事件深度剖析

大语言模型系以Transformer架构为基础，自主研发的深度神经网络模型。模型基于注意力机制，通过海量语料数据进行预训练，并经过监督微调、人类反馈的强化学习等进行对齐，构建形成深度神经网络，并增加审核、过滤等安全机制，使算法模型部署后能够根据人类的指令或者提示，实现语义分析、计算推理、问答对话、篇章生成、代码编写等任务。应用于智能对话场景，服务于企业端客户，根据用户输入的文本数据，通过大语言模型生成符合用户需求的文本、代码等内容。

安全事件回顾
国产大模型自问世以来，一系列由安全漏洞所触发的问题相继暴露，其严重性与潜在后果各不相同。以下，我们将依据严重程度从重到轻的顺序，逐一剖析这些安全事件：

▶︎ 分布式拒绝服务（DDoS）攻击：

2025年1月，大模型刚亮相，便遭遇了前所未有的猛烈DDoS攻击。此次攻击的规模高达3.2Tbps，相当于每秒传输130部4K电影的数据量。这场攻击导致大模型官网瘫痪长达48小时，用户无法完成注册与访问，全球范围内的客户和合作伙伴均受波及，经济损失高达数千万美元。

▶︎ 跨站脚本（XXS）攻击：

在DDoS攻击余波未平之际，大模型又陷入了严重的跨站脚本（XSS）攻击危机。2025年1月31日，研究人员在大模型的CDN端点上发现了一个基于DOM的XSS漏洞，该漏洞源于对postMessage事件处理不当，使得攻击者能够在未进行适当来源验证或输入清理的情况下，将恶意脚本注入文档上下文。这一漏洞可能使攻击者窃取用户敏感信息、破坏用户会话，甚至实施网络钓鱼攻击。

▶︎ ClickHouse数据库泄露：

安全研究人员发现大模型基础设施中的ClickHouse数据库存在重大安全漏洞，暴露了超过100万行包含敏感信息的日志流。

▶︎ 模型中毒攻击：

攻击者利用大模型 API中的漏洞注入对抗样本，意图操纵模型的行为和输出。此类攻击不仅可能产生长期的负面影响，降低模型性能，引入偏见，甚至可能使模型执行恶意代码。而大模型对大型公开数据集的依赖，更是加剧了这一风险，因为攻击者可能会将恶意数据注入这些数据源，从而“毒害”模型。

▶︎ 越狱攻击：

安全研究人员发现大模型的模型存在易受越狱攻击的弱点，模型容易被诱导产生违反其设计初衷或安全准则的输出，这不仅可能生成有害、不当的内容，甚至可能触犯法律。

大模型跨站脚本漏洞回顾
在科技飞速发展的当下，人工智能（AI）工具已深度融入人们的工作与生活，为大家带来诸多便利。大模型 作为一款颇受瞩目的 AI 产品，以其强大的功能赢得了众多用户的青睐。然而，在 2025 年，它却因一场 XSS 漏洞事件陷入舆论漩涡。​

此次事件的关键人物是专业白帽黑客 Johann Rehberger。他一直专注于网络安全领域，凭借丰富的经验和敏锐的洞察力，在对 大模型 进行安全检测时，发现了一个严重的 XSS 漏洞。跨站脚本攻击（XSS）对于互联网安全而言，是一种常见且极具威胁的攻击方式。攻击者往往通过巧妙地将恶意脚本注入网页，一旦用户访问该网页，恶意脚本便会在用户浏览器中执行，进而可能窃取用户信息、控制用户设备等。​

在 大模型 中，这个漏洞的危害极大。黑客能够利用该漏洞执行 JavaScript（JS）代码。JavaScript 在网页交互中起着核心作用，正常情况下，它能实现网页的各种动态功能，如表单验证、页面元素动态更新等。但在被恶意利用时，它也成为了黑客的有力工具。黑客借助这个 XSS 漏洞执行 JS 代码后，能够获取用户的 cookie。Cookie 对于用户的网络体验至关重要，它存储了用户在网站上的登录状态、偏好设置等关键信息。一旦黑客获取了用户的 cookie，就如同拿到了进入用户账户的钥匙，能够轻而易举地控制用户的账户。他们可以随意查看用户的个人信息、操作记录，甚至冒用用户身份进行各种恶意操作，比如发布不当言论、窃取账户内的虚拟资产等。​

这一漏洞的发现，让整个 大模型 用户群体陷入担忧之中。许多用户对自己在 大模型 上的数据安全产生了极大的怀疑，担心个人隐私泄露，更害怕账户资金遭受损失。毕竟，在数字化时代，个人数据和账户安全是用户最为关注的核心问题。​

幸运的是，大模型 团队在得知这一漏洞后，迅速做出反应。他们第一时间组织了专业的技术团队，对漏洞展开深入分析和紧急修复。技术人员仔细排查代码，寻找漏洞产生的根源，经过一系列紧张的工作，最终成功修复了该漏洞。这一举措虽然及时，但也让 大模型 团队深刻意识到安全防护工作的重要性和紧迫性。​

预防措施
此次 大模型 XSS 漏洞事件，给整个 AI 行业敲响了警钟。随着 AI 技术的广泛应用，越来越多的服务和功能依赖于 AI 系统。然而，AI 系统并非坚不可摧，其安全性同样面临诸多挑战。这一事件提醒开发者，在追求 AI 技术创新和功能完善的同时，绝不能忽视系统的安全性。必须从代码编写的源头开始，加强安全规范，对用户输入进行严格验证和过滤，防止类似 XSS 漏洞的出现。同时，要建立健全的安全监测机制，及时发现并处理潜在的安全隐患，为用户提供一个安全可靠的 AI 使用环境。

其他方面

为防止安全漏洞，大模型 可多管齐下。在代码层面，建立严格的代码审查机制，定期对代码进行安全审计，及时发现并修复潜在漏洞；同时加强对用户输入的验证和过滤，采用白名单机制，只允许符合特定规则的输入，避免恶意脚本注入。在系统层面，及时更新和修补第三方组件和库，确保其处于安全版本；部署 Web 应用防火墙（WAF），实时监测和拦截可疑请求。此外，大模型 还应定期开展安全培训，提高团队成员的安全意识，制定完善的应急响应计划，以便在安全事件发生时能够迅速采取措施，将损失降到最低。

通过库博静态代码分析工具，及时发现软件中的跨站脚本攻击问题。

​