top of page

NEAR AI 安全漏洞暴露账户数据与机密推理的边界

11分钟前
讀畢需時 13 分鐘

NEAR AI 表示,攻击者利用其基础设施上为 AI 模型提供服务的软件 SGLang,下载了约 100 名用户的账户详情。此次 NEAR AI 安全漏洞还影响了旧版代理,并暴露了客户凭证。其意义不止于受影响账户数量:在受损服务器上以机密模式运行的请求,可能会被观察到。

该公司于 2026 年 11 月 9 日披露了这起事件。其说明区分了已确认的数据访问与处理期间请求可能被观察到的情况。这一区分十分重要,因为已存储的对话、代理历史记录和实时请求代表着不同类型的暴露风险。将它们混为一谈,既会夸大部分发现,也会掩盖其他问题。

其核心矛盾在于:防护对象究竟是基础设施运营方,还是存在漏洞的应用软件。Microsoft Azure 和 Google Cloud 也都通过特定安全边界来描述机密计算。对买方而言,NEAR AI 的披露让这些边界成为一个实际的采购问题:隐私承诺究竟覆盖哪些威胁?

NEAR AI 安全漏洞暴露了什么

据 The Block 报道,攻击者进入了与 NEAR AI 此前已弃用的 Private Chat 服务相关的内部系统。下载的记录包含姓名和电子邮件地址,部分账户还涉及套餐和余额信息。攻击者还访问了 18 个部署在公司机密计算环境之外的旧版代理。获取的数据包括对话历史、设置和日志。两名 Cloud 客户的 API 密钥——即授权软件访问的凭证——在日志中被暴露。这些密钥随后已被撤销。这些属于不同类别的账户数据暴露,对受影响客户的影响也各不相同。

已确认的发现描述了多种彼此独立的暴露情况,而非一个囊括所有类型客户信息的单一数据库。

这种区分应当影响读者对事件的理解。账户记录用于识别个人或账户关系。代理历史记录则包含与特定应用相关的交互内容。访问凭证则可在服务所授予的权限范围内执行操作。

因此,实际后果取决于所涉类别。评估身份信息暴露的人,需要的信息不同于调查应用凭证的人。代理所有者则需要了解受影响历史记录的内容和背景。一条标题无法回答所有这些问题。

以一个说明性业务流程为例:某个助手协助总结内部项目讨论。暴露的账户邮箱地址所揭示的信息,与包含项目细节的已获取对话并不相同。出现在诊断日志中的凭证又会带来另一个问题:该凭证授权了哪些访问权限?这个例子旨在说明不同类别,并非描述某个已确认受影响的客户。

有关对话存储的措辞同样需要谨慎。NEAR AI 表示,没有迹象显示已存储的 Private Chat 对话或上传文件遭到访问。另一方面,该公司称,11 月 8 日在受损服务器上处理的请求可能被观察到,其中包括机密请求。

两种说法并不相互否定。关于已存储材料的结论,无法回答信息是否会在处理期间可见。同样,可能存在可见性也不等于攻击者捕获了每一项请求。

因此,搜索“NEAR AI breach explained”的读者应当期待一份界定清晰的事件说明。有效的解释应明确系统、信息类别、证据等级及仍存的不确定性。它不应将带有条件的披露夸大为全面安抚,也不应声称所有系统均已失陷。

这一框架还避免了将人员与代理进行误导性比较。代理是应用部署,并不一定对应一个独立个体。将这些数字相加,会得出一个缺乏可靠意义的总数。

对客户而言,这份披露的即时价值在于确认自身属于哪种受影响类别。对潜在买方而言,更大的问题在于:推理服务器为何会成为进入其他基础设施的入口。

隐私买方面临更广泛的保障问题

压力落在销售机密推理服务的提供商,以及决定哪些信息应由这些服务处理的买方身上。

机密推理是指在旨在保护计算过程中信息的环境中运行 AI 模型请求。其价值取决于该防护所涵盖的威胁范围。担心基础设施管理员的买方,与担心应用代码遭入侵的买方,关注点并不相同。

Microsoft 的机密计算概述指出,Azure 的方法是在执行期间减少对运营方及其他特权角色的信任需求。它使用可信执行环境——一种由硬件支持、用于隔离计算的边界。Microsoft 表示,经过正确配置的部署可阻止其访问未加密的客户数据。

这是一项有意义的安全属性,但它也有明确的适用范围。当“机密”一词取代对受保护工作负载、受信任软件和排除威胁的说明时,采购决策就会变得不那么可靠。

因此,商业压力是具体的。提供商需要让其保障措施易于理解,而不必将每一次销售沟通都变成硬件研讨会。买方则需要足够细节,以便将这些保障与员工实际提交的信息联系起来。

例如,一家评估编程助手的企业,可能关注专有源代码在模型处理期间的安全性。其安全团队还可能分别关心账户管理、支持访问、保留的交互记录和应用凭证。覆盖某一处理边界的保障,并不会自动解决整个评估过程中的所有问题。

这并不要求买方拒绝机密计算,而是要求他们将其视为服务安全论证的一个组成部分。在将 NEAR AI 与大型云服务商比较时,同样应遵循这一逻辑:比较所承诺的保护及其支持证据。

没有任何依据表明 Microsoft 或 Google 遭遇了同样的事件。它们的文档也无法证明任何竞争服务都不会受到应用漏洞的影响。它们的相关性在于,为描述安全范围提供了参考。

此次 NEAR AI 安全漏洞还给下游产品带来了沟通难题。客户可能与一个带有品牌标识的助手交互,却不知道由哪家提供商处理其请求。如果处理供应商披露了一起事件,客户需要获得与其实际服务配置相关的解释。

一份有用的下游回应应识别相关处理路径,并区分已确认的发现与尚未解决的问题。简单重复供应商宽泛的隐私描述,无法回应客户最核心的关切。

知识工作者在评估 AI 知识库时,也面临类似挑战。重要的比较在于信息流向何处、谁能够访问,以及哪些组件会保留它。仅凭产品类别无法解决这些问题。

随着时间推移,这将推动更清晰的合同和文档。能够准确说明其边界的提供商,会给客户提供可具体评估的内容。依赖未经定义的隐私标签的提供商,则让采购团队不得不推断缺失的细节。

由此形成的标准应当易于理解:说明保护措施,明确其限制,并展示周边服务如何应对其余风险。

边界内的软件依然重要

Cloud Security Alliance 的 AI Safety Initiative 在 11 月 11 日的一份研究说明中分析了该事件。其核心区分在于硬件隔离与软件安全。远程证明是一种对部署测量身份进行加密验证的机制,可以确认预期组件正在运行。但它无法确认这些组件不存在可被利用的缺陷。该说明还强调了受保护环境相邻服务的重要性。这份机密推理分析提供的是独立解读,而非对 NEAR AI 系统进行的独立取证调查。

验证正在运行的软件是什么,与评估该软件是否安全,回答的是不同问题。

通过一个说明性例子,这一区别会更清晰。假设某客户批准了某个特定应用构建版本,用于处理敏感请求。验证机制报告该获批构建版本已存在。如果该版本本身含有漏洞,与获批身份相匹配并不能消除该漏洞。

这正是为什么透明度与安全性应相互支持,但不能被当作可互换的主张。公开信息可以使部署更容易接受审查,但审查仍需要评估已部署应用的行为和依赖关系。

同样的逻辑也适用于修复之后。客户会受益于确认变更后的部署包含预期修复内容。他们也需要一项政策,说明此前获批的软件何时应停止处理敏感工作负载。

该政策带来了一项运营权衡。自动接受每一次部署变更,会削弱有意义的审查;而要求对每项修复进行漫长的人工审批,又会使紧急更新更难采用。买方和提供商需要达成一套流程,既保留审查力度,又允许及时补救。

因此,就 SGLang 漏洞影响而言,相关问题不只是服务器是否具备硬件保护,还包括处理请求的软件所拥有的权限、接口和可访问信息。

这是根据所披露的入口点得出的分析性结论,而不是对攻击者确切手法的重建。公开证据不足以支持虚构缺失的技术攻击链。

Google 的 Confidential Space 安全性 文档说明了责任如何划分。其威胁模型将部分保护分配给平台,另一些则分配给工作负载本身。对格式异常输入的防御性处理属于应用内部职责。该文档还指出,影响工作负载依赖项的软件供应链攻击不在其声明的覆盖范围内。

这种划分为买方提供了有用的参考。服务可以提供强大的基础设施保护,同时仍需要开展应用程序安全工作。评估应明确由谁负责这项工作,以及哪些证据能够证明其已完成。

对开发者而言,这改变了推理软件在应用架构中的定位。它应当受到与处理敏感输入的组件相匹配的审查。若将其描述为性能依赖项,便会忽略其安全角色。

问题也不仅限于推理引擎本身。如果受保护的工作负载需要访问另一项服务,这种连接就值得得到明确说明。买方应了解该连接能够实现什么,以及其权限如何受到限制。

最有价值的架构讨论始于一个现实的故障假设:应用程序组件最终可能会遭到入侵。随之而来的设计问题是,该组件可能暴露哪些信息和权限。

这种方法既保留了硬件隔离的价值,也评估了它无法消除的应用程序风险。

旧系统会改变事件的影响范围

停用一个产品名称与消除其技术暴露面,是两项彼此独立的运维任务。

披露中提及旧服务,引出了一个超越机密推理的问题:提供商在认定一项已停止的功能彻底退役前,必须完成哪些工作?

客户通常将退役理解为服务关系的终结。工程组织则必须把这一状态转化为有关保留信息、访问权限、支撑流程和基础设施的决策。这些决策决定了公开功能消失后,哪些内容仍然可被访问。

这并不意味着每一项退役服务都不安全。它只是说明,应将退役作为一项安全流程来审视。“旧版”之类的标签描述的是历史,而非当前的访问边界。

对买方而言,相关问题是迁移后遗留的信息。将用户迁移至更新的产品,本身并不能解释其既有记录会如何处理。一份可信的迁移说明,应当同时覆盖旧环境与新环境。

同样的原则也适用于运维记录中的凭据。日志是用于诊断应用程序行为的记录。其价值可能与尽量减少敏感信息的努力产生冲突。调查需要足够的证据来解释事件,而日常运行则应避免保留不必要的秘密信息。

本案报道并未证实暴露的密钥被滥用。这一限制很重要。暴露会构成调查权限与活动的理由,但并不会自动证明后续存在未经授权的使用。

一个示例性的应用程序集成案例说明了这种区分为何有用。开发者在得知某个凭据出现在日志中后,可能会替换该凭据。但调查仍需评估其权限、可访问资源及相关活动。替换解决的是未来的授权问题,而审查处理的是可能已经发生的后果。

这一差异也应影响事件报告。补救行动和影响调查结果应属于说明中的不同部分。否则,读者可能会将预防性响应误认为是出现额外损害的证据。

历史上的 SGLang 公告提供了背景,但并未指出导致本次事件的漏洞。CERT/CC 于 7 月 30 日发布公告,描述了六项漏洞,包括代码执行、信息暴露和凭据泄露。其建议限制服务接口、隔离网络,并禁用未使用的端点。其 SGLang 漏洞公告 记录了发布时补丁的可用情况和协调状态。

7 月的这一状态不应被表述为有关每一项部署的当前结论。所列漏洞也不应在没有证据关联的情况下,被归因于 NEAR AI 的事件。

对使用该框架的组织而言,更广泛的 SGLang 漏洞影响是一个运维问题。它们需要可靠的方法来识别已部署的组件,并评估相关公告。一家服务运营商的私下修复,并不能自动回答另一家组织应部署什么。

对于比较 AI 供应商的客户而言,这使维护证据具有商业相关性。一张令人印象深刻的架构图,若附有对依赖项责任归属、更新和退役程序的清晰说明,将更具价值。

最终的评估应覆盖整个服务关系。当前的处理保护、历史数据处理和凭据实践,都会影响客户面临的风险。

遏制措施仍留下重要的验证缺口

NEAR AI 的安全事件报告称,其已撤销会话和管理凭据、替换代理令牌,并让 Private Chat 下线。报告还称,公司已在推理服务器上部署修复、轮换其余凭据、完成取证审查,并恢复 Cloud 访问。该公司表示已通知受影响用户,并向 SGLang 报告了该漏洞。

这些是公司报告的响应行动;公开披露并未提供可由第三方独立复现的验证材料。

报告没有说明被利用漏洞的标识符,也没有说明受影响和已修复的 SGLang 版本。通用漏洞披露编号(Common Vulnerabilities and Exposures),通常称为 CVE,为公开编录的漏洞提供共享参考。此处缺少该编号,限制了外部人士将该事件与其他公告建立关联的把握程度。

这一缺口并不能证明补救失败。它限制的是组织外部人士可依据公开说明验证的内容。这是实质上不同的结论。

同样的审慎原则也适用于时间线。与潜在请求观察相关的披露日期,并不能证明入侵的完整持续时间。读者不应将其同时视为已验证的起点和终点。

更完整的时间线将帮助客户了解哪些活动需要审查。它还可以澄清发现、遏制、凭据变更和服务恢复之间的关系。在缺少此类信息时,这些阶段应在分析中保持区分。

公司关于已完成取证工作的说明,值得获得准确归属。它是有关响应的有用信息,但不等同于发布外部评估或基础调查证据。

同样,调查人员未发现某类特定暴露迹象的表述,描述的是调查中的一项发现。它应始终与所述的信息类别相对应。将其扩展为覆盖每个系统的保证,将超出披露内容。

在协调补救期间,组织有正当理由暂时不披露漏洞利用细节。这一普遍可能性并不能说明为何此处缺少特定细节。为其赋予动机,将以猜测代替报道。

读者也不应认为,事件披露必须包含足以复现攻击的细节。更有用的折中做法,是提供能让受影响组织识别暴露并确认部署已修复的信息。技术清晰度并不要求公开漏洞利用方法。

对于 NEAR AI 安全事件,最关键的未决问题是,外部客户能否将补救声明与具体的软件证据关联起来。运营商可以报告其自身环境已经修复,但使用同一框架的其他用户仍可能缺少可采取行动的参考依据。

在这里,审慎的解读比自信或恐慌都更有用。公开记录足以支持对所报告事件和响应的讨论,但也留下了进一步文档可以解答的问题。

基于证据的阅读方式,应在更多具体信息出现时给予其应有的重视。若后续调查结果改变已报告的范围,也应修正此前的评估。

三个信号将决定接下来的变化

接下来值得关注的发展包括:可识别的补救细节、更清晰的暴露说明,以及服务之间更强隔离的证据。

第一个信号,是在被利用漏洞与已记录修复之间建立公开关联。这可以是版本参考、公告或客户可评估的部署工件。关键特征是可追溯性:读者应能够将事件说明与补救措施联系起来。

此类信息将增强对补救说明的信心,也会让披露对自行运营部署的组织更有用。持续缺失则会留下信息缺口,而非证明这些部署已经受损。

第二个信号,是对请求暴露情况作出更精确的说明。相关细节应区分调查人员实际观察到的内容,以及被入侵服务器可能造成的后果。更清晰的时间线和对调查证据的说明,将帮助客户评估自身活动。

扩展后的调查结果会改变人们对事件范围的理解。经过审慎支持的、更狭窄的结论同样有价值。方向不如说明是否以证据解答问题重要。

第三个信号,是对服务边界变更的记录。买方应关注推理工作负载如何与账户系统、旧应用程序和运维凭据交互的说明。最有力的证据应描述可强制执行的限制,以及提供商如何评估这些限制。

这将增强一种论点:响应措施处理了超出初始软件缺陷之外的后果。泛泛承诺加强审查,能提供的信息较少。客户需要了解未来的入侵会被阻止接触哪些内容。

这些是观察标准,而非对 NEAR AI 承诺发布内容的预测。它们让读者能够评判后续报道,而不将每一次产品更新都视为安全里程碑。

它们也使分析保持聚焦。宣传、模型可用性或竞争定位的变化,无法独立回答尚未解决的安全问题。与受影响软件和信息路径有关的证据才能回答。

对开发者而言,实际的后续工作是了解哪家供应商处理每一项敏感工作负载。对企业买方而言,则是要求获得与其实际部署相匹配的安全说明。对个人用户而言,是在提供商所描述的范围内理解直接通知。

通过这些信号来理解 NEAR AI 事件,它成为一个关于可问责服务运营的问题。报告的修复解决了一个入口点。更广泛的评估则关乎客户是否能够理解剩余暴露,并验证其所依赖的保护措施。

在将敏感工作交给任何 AI 服务之前,要求其提供商以通俗语言描述完整的处理路径。明确哪些组件会接收可读信息、之后会保留什么,以及服务如何处理存在漏洞的软件。要求提供与您实际使用的部署相关联的证据。当提供商改变架构或发布事件更新时,应重新审视这些证据。将 NEAR AI 安全事件作为这些讨论的具体参考,同时将已确认的调查结果与更广泛的可能性区分开来。您目前能够验证的供应商隐私保证是哪一部分?又有哪些部分仍取决于尚未得到回答的问题?

 
 

免费开始使用

一款本地优先的AI助手

为了获得更好的人工智能体验,

remio 目前仅支持Windows 10+ (x64)和M-Chip Mac 。

你的 AI 工作伙伴

和 remio 一起高效工作

规划、创作、交付

一站式完成

bottom of page