BriefTechNews
Java4Shell: Die OpenJDK-RCE mit CVSS 9.2, die WAFs umgeht

Java4Shell: Die OpenJDK-RCE mit CVSS 9.2, die WAFs umgeht

7 min read · 12 sources

TL;DR
  • CVE-2026-114938 ist eine Pre-Auth-RCE mit Schweregrad 9,2 im AVX-512-Base64-Decoding von OpenJDK, die über einen Integer-Unterlauf den Heap-Speicher korrumpiert.
  • AWS Network Load Balancer unterstützt jetzt mTLS im Verify-Modus und lagert die Authentifizierung von Client-Zertifikaten sowie Revoation-Checks auf Layer 4 aus.
  • Together AI löschte seine Megakernel und gewann 98 % der Leistung mit CUDA Graphs auf Standard-Inductor-Kerneln zurück, um sie danach um bis zu 1,7x zu übertreffen.
  • GitHub CLI v2.105.0 fügt gh event listen hinzu, sodass Skripte ohne Polling auf PR-Reviews, Statusänderungen und Check-Suiten warten können.
  • Eine IEEE-Studie mit 8,8 Milliarden Testausführungen fand heraus, dass 9,8 % bis 16,3 % der fehlgeschlagenen Läufe verpasste flaky Fehler betrafen.

Die größte Geschichte heute ist eine Java-Schwachstelle mit einem CVSS-Score, der jedes Plattform-Team sofort aufhorchen lassen sollte. CVE-2026-114938, Spitzname „Java4Shell", ist ein kritischer Remote-Code-Execution-Bug in den optimierten AVX-512-Base64-Decoding-Assembly-Routinen von OpenJDK. Er wird mit 9,2 auf der CVSSv4.0-Skala bewertet, ist pre-auth ausnutzbar, und Proof-of-Concept-Exploits wurden bereits gegen Jenkins, Confluence und Tomcat demonstriert. Der Bug ist ein Integer-Unterlauf in handgeschriebenem Assembly, der zu einem Out-of-Bounds-Heap-Write führt - die Art von Speicherkorruption, die WAF-Regeln nutzlos macht, weil der Payload wie legitimes Base64 aussieht.

Der Auslöser ist täuschend einfach: 64 ‘A’-Zeichen gefolgt von einem ‘=’-Zeichen. Diese Eingabe verursacht einen Integer-Unterlauf im AVX-512-Decoding-Pfad, der dann außerhalb der Grenzen auf den Heap schreibt. Remote-unauthentifizierte Angreifer können Speicher korrumpieren und Code-Ausführung erreichen. Betroffen sind OpenJDK 17.0.6 und später auf x86-64-Hardware. Wer einen Java-Dienst auf modernen Intel- oder AMD-Chips betreibt, muss jetzt patchen. Nicht davon ausgehen, dass die WAF rettet - die Wiz-Analyse merkt explizit an, dass WAF-Regeln nicht alle Exploit-Pfade abdecken. Wenn ein sofortiger Patch nicht möglich ist, ist das Deaktivieren der Base64-Intrinsics die Übergangslösung.

Der Compiler von Together AI erreichte über 1100 TPS für Llama 1B auf H100 und übertraf seine alten handgeschriebenen Megakernel um bis zu 1,7x.

AWS NLB spricht endlich mTLS

Source: aws.amazon.com ↗

AWS hat gegenseitige TLS-Unterstützung für Network Load Balancer angekündigt, und das ist eine größere Sache, als die Ankündigung vermuten lässt. NLB arbeitet auf Layer 4 und verarbeitet Millionen von Requests pro Sekunde, aber bisher musste jeder, der Client-Zertifikatsauthentifizierung brauchte, eine eigene mTLS-Lösung bauen oder hinter einem Drittanbieter-Proxy sitzen. Das bedeutete, zusätzliche Infrastruktur zu betreiben, nur um TLS auf einer Ebene zu terminieren, auf der man keine Anwendungslogik brauchen sollte.

Der neue „Verify-Modus" erlaubt es NLB, Client-X.509-Zertifikate zu authentifizieren, Revoation zu prüfen und Clients nach Zertifikatsidentität direkt am Load Balancer zu filtern. Man konfiguriert einen Trust Store, setzt Revoation-Checks und definiert Zertifikatsidentitätsfilter - dann sieht der Backend-Dienst nie einen Request von einem unauthentifizierten Client. Das vereinfacht die PKI-Integration und entfernt eine ganze Klasse selbstgebauter Proxy-Infrastruktur. Für Teams mit Zero-Trust-Architekturen, in denen jeder Client ein gültiges Zertifikat vorweisen muss, entfällt damit eine erhebliche operative Last.

Der Reality-Check für Flaky-Test-Tooling

Source: harness.io ↗

Harness hat einen Vergleich von sieben Flaky-Test-Tools veröffentlicht, der durch das Marketing schneidet. Ihr Argument: Die Anbieter unterscheiden sich mehr bei Quarantäne, Recovery und Adoptionskosten als bei der Erkennung. Die Erkennungsalgorithmen sind inzwischen weitgehend kommoditisiert - was zählt, ist, was passiert, nachdem ein flaky Test identifiziert wurde. Kann das Tool ihn unter Quarantäne stellen, damit er Merges nicht blockiert? Kann es automatisch erneut versuchen und recover? Wie viel kostet die Adoption und Wartung?

Die Zahlen, die das untermauern, sind deutlich. Eine IEEE-Studie mit 8,8 Milliarden Testausführungen fand heraus, dass 9,8 % bis 16,3 % der fehlgeschlagenen Läufe verpasste flaky Fehler betrafen. Das ist ein großer Teil CI-Zeit, die mit Tests verschwendet wird, die aus den falschen Gründen fehlschlagen. Wenn die CI-Pipeline 10 - 16 % ihres Fehlerbudgets für Tests ausgibt, die eigentlich nichts testen, ist das kein Tooling-Problem - das ist ein Vertrauensproblem. Entwickler beginnen, rote Builds zu ignorieren, und echte Regressionen schlüpfen durch.

KI ist eine Drittanbieter-Abhängigkeit - bis sie es nicht mehr ist

Source: incident.io ↗

incident.io’s Argument, dass KI-Modelle wie jede andere Drittanbieter-Abhängigkeit behandelt werden sollten, ist richtig, mit einer Einschränkung: „Normal" zu definieren ist bei KI schwieriger. Entwickler von Skyscanner und incident.io stimmen zu, dass die Analogie größtenteils hält, aber Modell-APIs sind in einer Weise nichtdeterministisch, wie es traditionelle Abhängigkeiten nicht sind. Man kann nicht einfach eine Versionsnummer prüfen und wissen, welches Verhalten man bekommt.

Die praktische Erkenntnis ist, dass jede Abhängigkeit ohne nachgewiesene Erfolgsbilanz bei der Erfüllung der eigenen Zielvorgaben eine Alternative braucht. Das bedeutet dediziertes Plattform-Eigentum, ein LLM-Gateway und echte Observability bei Modell-Aufrufen. Ein Modellanbieter ist ein weiteres Glied in der Abhängigkeitskette, das die theoretische Verfügbarkeit begrenzt - wenn der Modellanbieter 99,9 % Uptime hat, das Ziel aber 99,99 % ist, braucht es einen Failover-Plan. KI wie eine Blackbox zu behandeln, die einfach funktioniert, ist der Weg, wie man die SLO-Verletzung um 3 Uhr nachts entdeckt.

OpenVINO: Inferenz-Optimierung ohne Framework-Lock-in

Source: github.com ↗

OpenVINO ist Intels Open-Source-Toolkit zur Optimierung und Bereitstellung von Deep-Learning-Modellen auf CPU (x86, ARM), GPU (Intel integriert und diskret) und Intel-NPU-Beschleunigern. Es unterstützt Modelle von PyTorch, TensorFlow, ONNX, Keras, PaddlePaddle und JAX/Flax und installiert mit einem einfachen pip install -U openvino. Das Repository enthält Codebeispiele zum Konvertieren und Ausführen von Modellen aus den großen Frameworks.

Für Entwickler, die Inferenz in Produktion betreiben, ist der Reiz die Ressourcenreduzierung. Man kann ein in PyTorch trainiertes Modell nehmen, es in OpenVINOs Intermediate Representation konvertieren und oft deutliche Leistungsverbesserungen erzielen, ohne den Trainingscode umzuschreiben. Besonders nützlich ist es für Edge-to-Cloud-Deployments, bei denen dasselbe Modell auf unterschiedlicher Hardware laufen muss. Der Kompromiss ist, dass man einen Konvertierungsschritt und eine neue Laufzeit-Abhängigkeit hinzufügt, daher lohnt sich ein Benchmark vor der Festlegung.

OpenSRE: Ein CLI-Agent, der die CI repariert

Source: github.com ↗

OpenSRE ist ein Open-Source-CLI-Agent, der fehlgeschlagene CI/CD-Läufe untersucht, die Ursache zurückverfolgt und einen Fix zur Review pusht. Er ist self-hosted und kann mit eigenen Modellen laufen, was relevant ist, wenn man in einer regulierten Branche arbeitet oder einfach nicht will, dass der Code die eigene Infrastruktur verlässt. Das Tool unterscheidet zwischen CI-verursachten und Code-verursachten Fehlern, sodass es keine Zeit damit verschwendet, einen kaputten Test-Harness zu reparieren, wenn der Code in Ordnung ist.

Es ist in öffentlicher Alpha und installiert über ein curl-Skript auf macOS/Linux oder PowerShell auf Windows. Das Versprechen ist, schneller von roten Builds zu erholen und jedem Entwickler Analyse-Kontext auf Senior-Niveau zu geben. Ob es tatsächlich Einblicke auf Senior-Niveau liefert, ist eine offene Frage, aber der Self-Hosted-Aspekt ist ein echtes Unterscheidungsmerkmal für Teams, die keinen Code an eine Drittanbieter-API senden können.

Die Megakernel-Comeback-Geschichte

Source: together.ai ↗

Together AIs Beitrag über das Löschen seiner Megakernel ist eine Lektion in technischer Demut. Letztes Jahr bauten sie einzelne fusionierte GPU-Kernel für den gesamten Forward-Pass eines Modells. Dieses Jahr löschten sie sie. Die Entdeckung: Die Verwendung von CUDA Graphs und PDL auf Standard-Torch-Inductor-Kerneln gewann 98 % der Megakernel-Leistung zurück, ohne eigene Kernel zu schreiben. Dann, mit „Multi-Kernels" und Agent-Schleifen, übertrafen sie ihre alten Megakernel um bis zu 1,7x und erreichten über 1100 TPS für Llama 1B auf H100.

Die Lektion ist nicht, dass eigene Kernel schlecht sind - es ist, dass handgeschriebenes Assembly eine Wartungslast ist, die den marginalen Gewinn oft nicht wert ist. Die Standard-Inductor-Kernel plus CUDA Graphs brachten sie zu 98 % des Weges. Die letzten 2 % waren die Komplexität nicht wert. Das führte zu Together Compiler, einem Framework für kontinuierliche KI-Inferenz-Optimierung. Wer eigene CUDA-Kernel für Inferenz schreibt, sollte gegen die Standards benchmarken, bevor man sich auf diesen Weg festlegt.

Traffic Mix: Die Load-Test-Variable, die alle ignorieren

Source: brooker.co.za ↗

Brookers Beitrag zur Workload-Mix ist kurz, aber wichtig. Microsofts vorläufiger Bericht zum M365-Ausfall letzter Woche führt die fehlende Erkennung des Problems auf den spezifischen Traffic-Mix und die in Testlabors verwendeten SKUs zurück. Mit einem Simulator zeigt Brooker, dass eine verzerrte (Zipf) Schlüsselverteilung je nach System entweder den Durchsatz in einem Lock-Contention-Modell verringern oder ihn in einem Cache-Modell erhöhen kann. Der Durchsatz kann je nach Schlüsselverzerrung um mehrere Größenordnungen variieren.

Die Lektion: Load-Tests müssen Produktions-Traffic-Muster genau widerspiegeln, um aussagekräftig zu sein. Wenn die Produktions-Workload Hot Keys hat und der Load-Test eine gleichmäßige Verteilung verwendet, sind die Ergebnisse Fiktion. Das ist die Art von Sache, die Ausfälle verursacht, die „aus dem Nichts" kamen - das System war im Test in Ordnung, weil der Test nicht wie die Produktion aussah.

GitHub CLI hört auf zu pollen

Source: github.blog ↗

GitHub CLI v2.105.0 fügt Event-Streams-Unterstützung hinzu, sodass Skripte mit einem einzigen Befehl auf Pull-Request-Ereignisse warten können. Der Befehl gh event listen erstellt ein Abonnement und gibt jedes Ereignis als JSON aus, wobei er standardmäßig nach dem ersten Ereignis endet. Optionen umfassen --count, --follow und --timeout. Man kann auf eingereichte Reviews, Statusänderungen, Merge-Konflikte und abgeschlossene Check-Suiten warten.

Das ersetzt das Polling-Muster, das jedes CI-Skript hat - Review prüfen, schlafen, erneut prüfen. Es ist in der Vorschau und erfordert Zugang zur Event-Streams-Warteliste, aber es ist die richtige Richtung. Für alle, die Automatisierung rund um PR-Workflows schreiben, entfällt damit eine ganze Kategorie von Race Conditions und verschwendeten API-Aufrufen.

GitLab 19.6 bringt AI Governance

Source: docs.gitlab.com ↗

GitLab 19.6 erschien am 19. November mit Funktionen für AI Governance. Audit-Events für MCP-Server-Tool-Aufrufe sind jetzt unter AI > Governance verfügbar und protokollieren, wer was, an welcher Ressource und wann getan hat. GitLab Duo in Slack ermöglicht es, @GitLab zu erwähnen, um Konversationen in Issues umzuwandeln oder Diskussionen zusammenzufassen. Eigentümer können steuern, welche MCP-Server-Tools KI-Agenten verwenden dürfen, wobei die Regeln für jeden Client durchgesetzt werden.

Die Audit-Events sind hier die bedeutsame Funktion. Je mehr Autonomie KI-Agenten in CI/CD-Pipelines bekommen, desto unverhandelbarer ist es, genau zu wissen, was sie getan haben. Die MCP-Server-Tool-Steuerungen geben Eigentümern eine Möglichkeit einzuschränken, was Agenten anfassen können. Das ist die Art von Governance, um die Sicherheitsteams seit Langem bitten.

Briefing holen

Hat Ihnen das gefallen? Wählen Sie die Themen, die Sie interessieren, und erhalten Sie nur diese, fünf Minuten am Morgen. Kostenlos, kein Hype, Abmeldung mit einem Klick.

Über uns Author

Mein Name ist

BriefTechNews

A daily digest of what actually moved in AI, tech, crypto and fintech, assembled and written with AI, and reviewed before it publishes. Weiterlesen
Schlagwörter

Das könnte Sie auch interessieren