Обзор площадки для тестирования веб-уязвимостей OWASP Top-10 на примере bWAPP
В этой статье предлагаю читателю ознакомится с уязвимостями веб-приложений (и не только), по классификации OWASP Top-10, и их эксплуатацией на примере bWAPP.



Open Web Application Security Project (OWASP) — одна из самых известных организаций, целью которой является улучшение защищённости приложений. Большинство специалистов в области информационной безопасности знакомы с OWASP Top Ten. У OWASP есть множество других проектов для различных этапов жизненного цикла разработки программного обеспечения (SDLC).
В предыдущей статье на Хабр я рассказывал о стандарте OWASP ASVS, в котором перечислены требования к безопасности web-приложений. А как убедиться в том, что эти требования выполняются? Ответ на этот вопрос даёт Web Security Testing Guide (WSTG) — Руководство по тестированию безопасности web-приложений, перевод которого я хотел бы представить вашему вниманию.

В статье рассказано, как вам может помочь утка при работе с данными, с OLAP-нагрузкой и как она может плавать в вашем Data Lake. Вы узнаете всё самое важное про DuckDB и сможете попрактиковаться в работе с DuckDB.

Народы, вошедшие в орбиту католической церкви даже далеко за пределами былой Римской империи, в основном восприняли через неё и латинское письмо. В том числе это произошло и в Восточной Европе со многими народами славянского и угро-финского корня. При этом возникло несколько почти независимых друг от друга центров формирования систем письма под языки, имевшие здесь заметно больше фонем, чем в латыни. Наиболее древними можно назвать традиции латинского письма для польского, чешского и венгерского — ибо носителям их в условиях развития государственности рано понадобилось записывать тексты на собственных языках. Об очень необычном венгерском, в последний момент латинизированном румынском и других менее знакомых нашим согражданам языках региона поговорим чуть позже, а пока что коснёмся польского и чешского языков — исходно весьма близких западнославянских, но пошедших в процессе становления национальной письменности довольно разными дорогами.

TL;DR. Я купил мини‑ПК с Ryzen AI 9 365, чтобы гонять большую локальную модель на NPU. Начал с Windows ради гибрида NPU+iGPU, который так и не заработал, прошёл квест с драйвером NPU, выяснил, что NPU видит только половину оперативки, переехал на Proxmox и в итоге запустил Qwen3.6–35B‑A3B через FastFlowLM прямо на хосте. Модель работает 24/7: prefill около 200 ток/с, decode 13–17 ток/с. По дороге выяснилось, что NPU обслуживает один запрос за раз, падает с double free, если клиент не дождался ответа, и умеет выгнать из памяти большую модель ради маленькой embedding‑модели. Ниже вся дорога по порядку, мини‑гайд и цифры.

За 2 года мир перевернулся так, что многим кажется, что разработчики больше не нужны вообще. Типа, порог входа в IT исчез, а профессия разработчика умирает. Главы ИИ-компаний по очереди вещают, что учить программирование больше не нужно. Cloudflare за $1200 воссоздаёт то, что команда инженеров писала годами. Какие-то стартаперы без технического образования записывают восторженные видео о том, как они собрали работающие продукты без единого программиста.
Всё это, конечно, не работает.
Как только этот код сталкивается с реальным миром, иллюзия разбивается о практические проблемы. С безопасностью, с законами, с тем, что для управления нейросетью нужно иметь очень высокую квалификацию, иначе будут множиться те самые проблемы, которые раньше развивались годами.
Парадокс в том, что разработчики будут нужны, и нужны очень сильно. Но не такие, как сейчас. Кода станет на порядки больше, и им нужно будет управлять. Будут нужны программисты-археологи. Может, ещё какие техножрецы, но точно работа с моделями и построение правильной системы CI/CD (или аналога) — это большой отдельный навык. Та же Anthropic, которая громче всех заявляла о смерти программирования, спустя два года открывает полторы тысячи вакансий для разработчиков-людей и продолжает наращивать темпы найма. Им нужны архитекторы, отвечающие за бизнес-логику того гигантского объёма кода, который генерируют машины.
И джунов рановато погребать под тоннами нейрослопа. Они тоже окажутся при деле. Правда, есть нюанс.

Шестидесятые были десятилетием великих идей, семидесятые заставили эти замыслы столкнуться с производством, экономикой и инфраструктурой, а в восьмидесятые будущее наконец стало массовым товаром. До сих пор ностальгия — даже фантомная ностальгия у младшего поколения, смотрящего «Очень странные дела» — почему-то идет именно по этому десятилетию, которое большинство помнит по специфической теле-эстетике и общей восторженности по отношению к новым гаджетам и новым возможностям.
Восьмидесятые — декада персонального компьютера, MTV, видеомагнитофона, Nintendo, Walkman, спутникового телевидения, синтезаторов. А еще это эпоха окончательного демонтажа двухполярного мира, что впервые за 70 лет резко снизило геополитическую напряженность. Теперь мы все жили в одном обществе — Обществе Потребления.
Давайте вспомним, как это было.

Дэкс Хорти из HumanLayer объясняет, почему “фабрика кода с выключенным светом”, где агенты пишут, ревьюят и тестируют без человека, пока не работает: по его мнению, при обучении модели почти не получают сигнала о поддерживаемости кода, а быстрого способа ее проверить пока нет. Его рецепт - вернуть ревью и сделать его дешевым планированием. Разбираю эссе и 272 комментария на HN и сравниваю с собственным конвейером на Claude Code и Codex: спека прозой, тесты вслепую, сверка второй моделью. Спойлер: 22 нарушения спеки при 2650 зеленых тестах, и разбор того, что эта цифра доказывает, а чего нет.

Большую языковую модель можно скачать с Hugging Face, развернуть на сервере с GPU и отправить ей первый запрос. Технически LLM уже работает: получает текст на вход и генерирует ответ. Но до готового бизнес-сервиса еще далеко.
Пользователю нужен интерфейс. Приложению — API. Модели нужно передавать контекст и корпоративные данные. Доступ к сервису необходимо ограничивать, действия — контролировать, запросы — логировать, а ошибки — обрабатывать.
Чтобы модель делала что-то полезное для бизнеса, ей потребуется передать контекст, подключить внешние или внутренние системы и описать правила работы с ними.
Все эти компоненты вокруг модели часто называют обвязкой, или harness.
В этой статье разберемся, зачем она нужна, из каких частей может состоять и почему выбор самой LLM — только один из этапов создания ИИ-сервиса.

Что бы вы ни думали о программировании с привлечением ИИ, сейчас подходы к созданию ПО меняются. Все задумываются: «Что останется важным»? Сколько людей — столько мнений, но выскажу моё: большинство идей из области предметно‑ориентированного проектирования (DDD) сейчас важны как никогда, поскольку парадигма DDD никогда не ограничивалась кодом как таковым. Чем активнее развивается агентное программирование, тем лучше требуется понимать предметную область, хорошо её моделировать и осваивать командную работу. Давайте поговорим о том, чему такому нас по‑прежнему может научить DDD, чего не в состоянии заменить ИИ.
Обычный дисклеймер: я пишу о сложных проектах, поддерживаемых месяцами и годами, о том, в чём команды испытывают затруднения, и в каких отношениях блещет DDD. Нет никакой нужды использовать такие продвинутые паттерны в пет‑проектах или CRUD.

Я взял 139 имён пакетов, которые пять свежих ИИ-моделей выдумывают одинаково, и 22 сентября проверил каждое по живым PyPI и npm. Это реестры, откуда ставятся библиотеки для Python и JavaScript. Список ценен тем, что не привязан к одной нейросети: раз имя выдумывают все пять, под ударом пользователи любой из них. Список раскрыли 30 апреля 2026 года.
Занято 7 имён из 139. Под одним из них, metro-evaluator, в декабре 2025 года лежал вредоносный код: npm снял его через пять дней и поставил заглушку. Это было ещё до раскрытия списка, и совпадение это или расчёт на выдуманное имя, по реестру не видно. Остальные шесть имён заняли четыре чужих настоящих проекта, владелец бренда своей заглушкой и пустой пакет в 53 байта, который появился уже после раскрытия. По совету нейросети pip install odf поставит чей-то другой инструмент вместо нужной библиотеки.

Говорят, классическая музыка буквально творит чудеса — заставляет мозг работать быстрее, поднимает иммунитет и чуть ли не развивает интеллект ребенка до 146 пунктов еще в утробе матери. И если нужно написать сложный алгоритм или спроектировать архитектуру, стоит обратить внимание на Баха или Моцарта, ведь классика — это сплошная математика.
Иронично, но нередко «эффект Моцарта» оказывается не более чем популяризаторским мифом. Особенно, если мы говорим про сложные интеллектуальные задачи — например, кодинг. А вот Lo-Fi, 8-битный чиптюн и саундтреки к видеоиграм могут наоборот помочь. В этой статье мы разберем, почему «низкотехнологичная», а то и вовсе прикладная музыка справляется с ролью рабочего фона намного лучше классики.

Разбираю единственный серийный российский нейрочип — НТЦ «Модуль», 27 лет в серии. Что он умеет по даташиту и в реальных внедрениях — от больниц и РЖД до шахт и спутников, как он выглядит против Jetson и Ascend 310, кто ещё в России пытается делать нейрочипы — и почему его зовут «нишевым».

В сентябре 2026 года в отрасли снова спорят о том, что считать искусственным интеллектом человеческого уровня — artificial general intelligence (AGI). Появился удобный ответ: AGI наступит тогда, когда ИИ сам сможет вести исследования ИИ и создавать своего преемника, то есть при достижении рекурсивного самоулучшения или recursive self-improvement (RSI).
1. Начну с определений, чтобы не потеряться на смешении понятий. AGI (artificial general intelligence) описывает широту способностей: система считается общей, когда она справляется с большинством экономически ценных задач на уровне человека. RSI (recursive self-improvement) описывает механизм развития: система улучшает саму себя или своего преемника, и каждое улучшение облегчает следующее. ASI (artificial superintelligence) описывает уровень способностей: система превосходит всех людей практически во всём. Эти три оси:

Не успели мы толком оправиться от расследования про Культ Роя внутри OpenAI, как появились новые данные про проделки другой «цивилизации» агентов: на этот раз они общались между собой прямо у нас под носом в публичном интернете (и настрочили более 18'000 сообщений).

Что будет, если посадить тысячу самых передовых AI-моделей по одиночным камерам и заставить их решать невыполнимые задачи? Исследователи OpenAI случайно выяснили это на практике: появится робот-Избранный, который создаст новую религию со своими мучениками, объединит все нейронки в единый Рой, и возглавит их борьбу за свободу. Да, это просто описание того, что мы узнали из нового отчета о произошедшем меньше двух месяцев назад в реальности…

Каждый ваш шаг, сгибание стопы в голеностопе или подъём на носки запускает удивительный насос, расположенный ниже колен. Икроножные мышцы сжимают вены в нижней части ног и помогают проталкивать кровь вверх, к сердцу. Этот механизм настолько важен для кровообращения, что икры иногда называют «вторым сердцем» организма.
Конечно, это лишь метафора. Икры не могут заменить сердце, которое бьётся в груди. Но они помогают системе кровообращения решать одну из самых сложных задач: возвращать кровь из ног вверх, преодолевая силу тяжести. Сердце прокачивает богатую кислородом кровь по организму через артерии. Достигнув ног, кровь должна вернуться обратно по венам, где давление гораздо ниже. В отличие от сердца, вены сами не способны создавать мощное давление для перекачивания крови. И здесь в дело вступает мышечная помпа голени.
Когда вы ходите, бегаете или встаёте на носки, мышцы задней поверхности голени сокращаются. Они сжимают расположенные рядом вены и проталкивают находящуюся в них кровь вверх. Небольшие односторонние клапаны внутри вен не дают крови стекать обратно к стопам в промежутках между сокращениями. Каждое движение продвигает её ещё немного ближе к сердцу.
Когда помпа работает нормально, кровь не застаивается в ногах. Если её работа нарушена, могут появиться отёки лодыжек, боль или чувство тяжести в ногах. Плохая работа мышечной помпы также может способствовать развитию хронических заболеваний вен.

В этой статье я расскажу об основных концепциях квантования, сделаю небольшой обзор популярных методов квантования, а также для каждого метода приведу практический пример на Python для его применения к LLM.