Black Hat Asia 2026 | Révéler l'activité utilisateur sur macOS pour Apple Silicon
Des chercheurs ont mis au point Tide, une méthode novatrice permettant de détecter les interruptions sur Apple Silicon sans recourir à des minuteries, ce qui rend possible la reconstitution de l'activité utilisateur par analyse de canaux auxiliaires. En exploitant des motifs déterministes dans la gestion des exceptions du noyau XNU et la convention d'appel ARM, spécifiquement l'utilisation du registre x18, l'étude démontre que les applications exécutées en EL0 peuvent déduire les frappes au clavier et autres entrées provenant de EL1. Cette découverte remet en cause les hypothèses de sécurité des puces de la série M, prouvant que l'isolation matérielle entre les niveaux de privilège n'empêche pas les fuites d'informations via des anomalies temporelles dans les gestionnaires d'interruptions.
Black Hat Asia 2026 | Fichiers de modèle → Corruption de mémoire → Exécution de code à distance : la chaîne d'attaque triphasique de l'IA
Les chercheurs Lu Lei et Zhou Jian démontrent une chaîne d'attaque triphasique transformant les fichiers de modèle en corruption de mémoire, puis en exécution de code à distance au sein de PyTorch. Leur analyse révèle que l'activation du paramètre de sécurité 'weights-only' dans la fonction de chargement de PyTorch échoue à prévenir l'exploitation en raison d'une faille logique dans le mécanisme interne 'torch.jit.load'. Cette faille permet à des opérateurs malveillants, tels que les fonctions d'écriture et de lecture de fichiers, d'exécuter du code arbitraire malgré les configurations de sécurité. L'étude met en lumière des vulnérabilités de dépassement d'entier dans TensorFlow et des erreurs logiques dans PyTorch qui contournent les hypothèses de sécurité établies, posant un risque critique pour les applications d'IA déployées.