<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>越狱攻击 :: 标签 :: x7peeps</title><link>https://blog.x7peeps.com/tags/%E8%B6%8A%E7%8B%B1%E6%94%BB%E5%87%BB/index.html</link><description/><generator>Hugo</generator><language>zh-CN</language><lastBuildDate>Fri, 24 Jul 2026 12:00:00 +0800</lastBuildDate><atom:link href="https://blog.x7peeps.com/tags/%E8%B6%8A%E7%8B%B1%E6%94%BB%E5%87%BB/index.xml" rel="self" type="application/rss+xml"/><item><title>AI 安全攻防全景：Prompt 注入、越狱攻击与防御架构</title><link>https://blog.x7peeps.com/AI/08-%E5%AE%89%E5%85%A8%E4%B8%8EAI%E8%9E%8D%E5%90%88/AI%E5%AE%89%E5%85%A8%E6%94%BB%E9%98%B2%E5%85%A8%E6%99%AFPrompt%E6%B3%A8%E5%85%A5%E8%B6%8A%E7%8B%B1%E6%94%BB%E5%87%BB%E4%B8%8E%E9%98%B2%E5%BE%A1%E6%9E%B6%E6%9E%84/index.html</link><pubDate>Wed, 01 Jul 2026 12:21:09 +0800</pubDate><guid>https://blog.x7peeps.com/AI/08-%E5%AE%89%E5%85%A8%E4%B8%8EAI%E8%9E%8D%E5%90%88/AI%E5%AE%89%E5%85%A8%E6%94%BB%E9%98%B2%E5%85%A8%E6%99%AFPrompt%E6%B3%A8%E5%85%A5%E8%B6%8A%E7%8B%B1%E6%94%BB%E5%87%BB%E4%B8%8E%E9%98%B2%E5%BE%A1%E6%9E%B6%E6%9E%84/index.html</guid><description>AI 安全新攻击面：当传统安全模型失效 大语言模型（LLM）的广泛应用正在催生一类全新的安全威胁。与传统 Web 安全不同，LLM 应用引入了 语义层攻击面 ——攻击者无需利用内存溢出或 SQL 注入等确定性漏洞，而是通过自然语言操纵模型的行为逻辑。这一变化从根本上改变了威胁模型。</description></item><item><title>大语言模型(LLM)应用安全取证深度分析</title><link>https://blog.x7peeps.com/%E5%AE%89%E5%85%A8/%E5%BA%94%E6%80%A5%E5%93%8D%E5%BA%94/0x03%E5%8F%96%E8%AF%81%E5%88%86%E6%9E%90/%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8BLLM%E5%BA%94%E7%94%A8%E5%AE%89%E5%85%A8%E5%8F%96%E8%AF%81%E6%B7%B1%E5%BA%A6%E5%88%86%E6%9E%90/index.html</link><pubDate>Fri, 17 Jul 2026 11:00:00 +0800</pubDate><guid>https://blog.x7peeps.com/%E5%AE%89%E5%85%A8/%E5%BA%94%E6%80%A5%E5%93%8D%E5%BA%94/0x03%E5%8F%96%E8%AF%81%E5%88%86%E6%9E%90/%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8BLLM%E5%BA%94%E7%94%A8%E5%AE%89%E5%85%A8%E5%8F%96%E8%AF%81%E6%B7%B1%E5%BA%A6%E5%88%86%E6%9E%90/index.html</guid><description>系统剖析大语言模型LLM应用环境下的安全取证方法论，涵盖提示注入攻击直接与间接注入检测与溯源、RAG检索增强生成系统安全取证向量数据库污染与检索劫持、LLM数据投毒与模型后门取证、对抗样本与越狱攻击取证分析、AI Agent工具调用与MCP协议滥用取证，结合ChatGPT数据泄露与Copilot代码投毒真实案例还原LLM应用全链路取证流程并提供Sigma与自动化检测脚本</description></item><item><title>多模态AI模型安全取证深度分析</title><link>https://blog.x7peeps.com/%E5%AE%89%E5%85%A8/%E5%BA%94%E6%80%A5%E5%93%8D%E5%BA%94/0x03%E5%8F%96%E8%AF%81%E5%88%86%E6%9E%90/%E5%A4%9A%E6%A8%A1%E6%80%81AI%E6%A8%A1%E5%9E%8B%E5%AE%89%E5%85%A8%E5%8F%96%E8%AF%81%E6%B7%B1%E5%BA%A6%E5%88%86%E6%9E%90/index.html</link><pubDate>Fri, 24 Jul 2026 12:00:00 +0800</pubDate><guid>https://blog.x7peeps.com/%E5%AE%89%E5%85%A8/%E5%BA%94%E6%80%A5%E5%93%8D%E5%BA%94/0x03%E5%8F%96%E8%AF%81%E5%88%86%E6%9E%90/%E5%A4%9A%E6%A8%A1%E6%80%81AI%E6%A8%A1%E5%9E%8B%E5%AE%89%E5%85%A8%E5%8F%96%E8%AF%81%E6%B7%B1%E5%BA%A6%E5%88%86%E6%9E%90/index.html</guid><description>深入解析多模态大模型安全架构与取证分析全流程，涵盖GPT-4V/Gemini/Claude 3多模态融合架构攻击面分析、视觉对抗样本攻击取证、跨模态注入攻击检测、多模态越狱技术与痕迹分析、模型行为审计方法、训练数据投毒溯源、多模态内容伪造检测，结合真实AI安全事件案例提供Sigma规则与自动化检测脚本</description></item></channel></rss>