Oggetti

Descrizione

dta reg (aaaa-mm-gg)

Body

Ecco l'elenco ufficiale, la **OWASP Top 10 for LLM Applications 2025** (v2.0, pubblicata a novembre 2024 dal OWASP GenAI Security Project):

## I dieci rischi

**LLM01 – Prompt Injection**
Manipolazione dei prompt di input per compromettere output e comportamento del modello. Include sia injection diretta (l'utente stesso prova a manipolare il modello) sia indiretta (istruzioni malevole nascoste in contenuti esterni che il modello legge, come pagine web o documenti).

**LLM02 – Sensitive Information Disclosure**
Il modello rivela inavvertitamente dati riservati — algoritmi proprietari, proprietà intellettuale, o informazioni personali — causando violazioni della privacy. Può capitare in modo non malevolo (un utente vede dati di un altro) oppure tramite prompt costruiti apposta per aggirare i filtri.

**LLM03 – Supply Chain**
Vulnerabilità che derivano da componenti compromessi nello sviluppo e nel deployment del modello — librerie, dataset di terze parti, modelli pre-addestrati, plugin.

**LLM04 – Data and Model Poisoning**
Manipolazione dei dati di training, fine-tuning o embedding per introdurre vulnerabilità, bias o backdoor nel comportamento del modello.

**LLM05 – Improper Output Handling**
Mancata validazione o sanificazione degli output del modello prima di usarli a valle — rilevante perché un output non sanificato può portare a XSS, SSRF o esecuzione di codice se collegato ad altri sistemi.

**LLM06 – Excessive Agency**
Rischio legato ai sistemi agentici: quando l'LLM ha troppa autonomia, permessi eccessivi o funzionalità estendibili senza controllo, con il potenziale di eseguire azioni dannose o non volute.

**LLM07 – System Prompt Leakage**
Categoria nuova nel 2025: molte applicazioni presumevano che i prompt di sistema fossero isolati in modo sicuro, ma incidenti recenti hanno mostrato che gli sviluppatori non possono più dare per scontato che queste informazioni restino segrete.

**LLM08 – Vector and Embedding Weaknesses**
Anche questa nuova: risponde alle richieste della community di linee guida per proteggere i sistemi RAG e altri metodi basati su embedding, ormai pratica centrale per ancorare gli output del modello a dati esterni.

**LLM09 – Misinformation**
Il modello genera informazioni false o fuorvianti presentate come accurate — rischio distinto dall'hallucination generica perché riguarda specificamente l'impatto quando l'utente si fida ciecamente dell'output.

**LLM10 – Unbounded Consumption**
Espande quello che nella lista precedente era "Denial of Service", includendo anche i rischi di gestione delle risorse e costi imprevisti — rilevante specialmente per deployment su larga scala dove ogni chiamata ha un costo computazionale.

## Un caso reale citato spesso

Nel 2025 è emerso EchoLeak (CVE-2025-32711): un'injection indiretta "zero-click" in Microsoft 365 Copilot che ha esfiltrato contenuti di file interni a partire da una singola email creata ad hoc — un esempio concreto di LLM01 in scenario agentico.

Se ti interessa, posso indicare per ciascuna voce le mitigazioni consigliate da OWASP stessa, o il documento PDF ufficiale per un approfondimento tecnico completo.

tipo ogg.

cat

subcat

proprietario

azienda

ute

selez1

op1

codart

codice

codclifor

motivo

url

tag

imgsrc

sunto_breve

sunto_medio

note

keyscrape

Lista tag dell'oggetto (oggettag)
cod_tag	value
ai	5
chatbot	5
hacker	5
llm	5
llm_internal	5
wpg	5

Lista delle righe dell'oggetto (oggettir)
tip_pro	cod_pro	descrizione	val_pro	pes_pro

---.