OWASP Top 10 για εφαρμογές LLM 2026: και οι 10 κίνδυνοι αναλυτικά
Τελευταία ενημέρωση: November 19, 20268 λεπτά ανάγνωσης
Το OWASP Top 10 για εφαρμογές LLM είναι η λίστα του OWASP GenAI Security Project με τους πιο κρίσιμους κινδύνους ασφαλείας για εφαρμογές που βασίζονται σε μεγάλα γλωσσικά μοντέλα (LLM). Η έκδοση του 2026 δημοσιεύθηκε τον Αύγουστο του 2026 (η σελίδα της φέρει ημερομηνία 3 Αυγούστου) και ανακοινώθηκε την 1η Σεπτεμβρίου 2026. Αυτός ο οδηγός παρουσιάζει και τις δέκα καταχωρίσεις με τα επίσημα ID τους, εξηγεί σύντομα την καθεμία, δίνει ένα πρακτικό μέτρο ελέγχου ανά καταχώριση και συνοψίζει τι άλλαξε από το 2025.
Η εισαγωγική επιστολή των επικεφαλής του έργου δίνει τον τόνο: «Σταματήστε να προσπαθείτε να φτιάξετε ένα μοντέλο που δεν μπορεί να εξαπατηθεί. Χτίστε το σύστημα γύρω του, ώστε όταν το μοντέλο εξαπατηθεί, και θα εξαπατηθεί, να μη χαλάσει τίποτα σημαντικό.»
Πώς φτιάχτηκε η λίστα του 2026
Οι προηγούμενες εκδόσεις βασίζονταν στην κρίση των επαγγελματιών του χώρου. Για το 2026, το OWASP αντιπαρέβαλε επίσης την ψηφοφορία της κοινότητας με ένα σύνολο 7714 πραγματικών περιστατικών από δημόσιες βάσεις δεδομένων ευπαθειών και μια βάση δεδομένων για βλάβες από την AI, από τα οποία τα 6639 είχαν αρκετές λεπτομέρειες για να ταξινομηθούν. Η ψηφοφορία μετρά κατά τα τρία τέταρτα και τα δεδομένα των περιστατικών κατά το ένα τέταρτο. Οι δύο πηγές δεν συμφωνούσαν πάντα: με βάση τον απλό αριθμό περιστατικών, το prompt injection βγαίνει εκτός top 10, κάτι που το OWASP αποδίδει σε ένα «φαινόμενο άμυνας» (defense effect), αφού οι ομάδες το αντιμετωπίζουν εντατικά και λιγότερα καθαρά exploits φτάνουν στις δημόσιες βάσεις. Με το Misinformation συνέβη το αντίθετο: οι ψηφοφόροι το τοποθέτησαν κοντά στο τέλος, το αρχείο περιστατικών κοντά στην κορυφή, και τα στοιχεία το ανέβασαν στην έβδομη θέση.
Η λίστα του 2026 με μια ματιά
| Καταχώριση 2026 | Θέση το 2025 |
|---|---|
| LLM01:2026 Prompt Injection | 1 |
| LLM02:2026 Sensitive Information Disclosure | 2 |
| LLM03:2026 Excessive Agency | 6 |
| LLM04:2026 Supply Chain | 3 |
| LLM05:2026 Data and Model Poisoning | 4 |
| LLM06:2026 Unbounded Consumption | 10 |
| LLM07:2026 Misinformation | 9 |
| LLM08:2026 Hidden Context Exposure | 7 (ως System Prompt Leakage) |
| LLM09:2026 Vector and Embedding Weaknesses | 8 |
| LLM10:2026 Improper Output Handling | 5 |
Οι θέσεις του 2025 προέρχονται από τη λίστα του OWASP για το 2025.
LLM01:2026 Prompt Injection
Είσοδος που αλλάζει τη συμπεριφορά του μοντέλου με τρόπους που δεν σκόπευε ο προγραμματιστής, είτε προέρχεται από χρήστη είτε από έγγραφο, αποτέλεσμα εργαλείου, εικόνα ή μνήμη. Η καταχώριση καλύπτει πλέον και διατροπικές (cross-modal) επιθέσεις, που κρύβουν οδηγίες σε εικόνες ή ήχο. Μέτρο ελέγχου: κρατήστε τα διαπιστευτήρια και τις ενέργειες που αλλάζουν κατάσταση στον κώδικα της εφαρμογής και δώστε στο μοντέλο ελάχιστα προνόμια ανά λειτουργία. Ο οδηγός μας για το prompt injection καλύπτει αυτή την καταχώριση σε βάθος.
LLM02:2026 Sensitive Information Disclosure (αποκάλυψη ευαίσθητων πληροφοριών)
Διαρροή εμπιστευτικών ή ρυθμιζόμενων δεδομένων από οποιοδήποτε κανάλι: την απάντηση, τα ορίσματα κλήσεων εργαλείων, τα ίχνη συλλογισμού (reasoning traces), τα ανακτημένα τμήματα κειμένου (chunks), τα logs ή τα embeddings. Το OWASP κατονομάζει την υπερβολική κοινοποίηση στην αρχή της ροής, όπως όταν κοινόχρηστοι δίσκοι χωρίς περιορισμό πρόσβασης τροφοδοτούν ένα ευρετήριο παραγωγής επαυξημένης με ανάκτηση (RAG), ως μία από τις δύο αστοχίες πίσω από τα περισσότερα περιστατικά. Μέτρο ελέγχου: ελέγχετε την εξουσιοδότηση πριν από την ανάκτηση, επιβάλλοντας πρόσβαση σε επίπεδο εγγράφου και τμήματος μέσα στο ίδιο το ερώτημα προς το ευρετήριο.
LLM03:2026 Excessive Agency (υπερβολική ελευθερία δράσης)
Επιζήμιες ενέργειες ως αντίδραση σε απρόσμενη, ασαφή ή χειραγωγημένη έξοδο του μοντέλου. Οι βασικές αιτίες είναι η υπερβολική λειτουργικότητα, τα υπερβολικά δικαιώματα ή η υπερβολική αυτονομία. Στα agentic συστήματα, σύμφωνα με το OWASP, μπορεί να εμφανιστεί ως κατάχρηση εργαλείων, κατάχρηση ταυτότητας και προνομίων ή αλυσιδωτές αστοχίες. Μέτρο ελέγχου: περιορίστε στο ελάχιστο τα εργαλεία και τα δικαιώματά τους (ένα εργαλείο που συνοψίζει email χρειάζεται μόνο να διαβάζει την αλληλογραφία) και απαιτήστε ανθρώπινη έγκριση για ενέργειες υψηλού αντίκτυπου.
LLM04:2026 Supply Chain (εφοδιαστική αλυσίδα)
Κίνδυνοι σε μοντέλα και σύνολα δεδομένων τρίτων, σε adapters όπως τα LoRA, σε pipelines μετατροπής και σε πακέτα, μεταξύ αυτών και το «slopsquatting», όπου οι επιτιθέμενοι καταχωρίζουν ονόματα πακέτων που «επινοούν» (hallucinate) οι βοηθοί προγραμματισμού. Μέτρο ελέγχου: κλειδώστε τα artifacts των μοντέλων με αμετάβλητο digest αντί για μεταβλητό tag, επαληθεύστε τις υπογραφές και ελέγξτε ότι οι εξαρτήσεις που προτείνει η AI υπάρχουν πριν τις εγκαταστήσετε.
LLM05:2026 Data and Model Poisoning (δηλητηρίαση δεδομένων και μοντέλων)
Χειραγωγημένα δεδομένα ή artifacts μοντέλων που ενσωματώνουν backdoors ή μεροληψία κατά την προεκπαίδευση, το fine-tuning, τη δημιουργία embeddings ή τη διανομή. Η δηλητηρίαση μπορεί να κοστίζει ελάχιστα: οι Souly et al. (2025) διαπίστωσαν ότι 250 δηλητηριασμένα έγγραφα αρκούσαν για να παραβιαστούν μοντέλα από 600 εκατομμύρια έως 13 δισεκατομμύρια παραμέτρους, ανεξάρτητα από το μέγεθος του συνόλου δεδομένων. Μέτρο ελέγχου: καταγράφετε την προέλευση (lineage) των δεδομένων και των μοντέλων, τηρείτε εκδόσεις των συνόλων δεδομένων σας και αντιμετωπίζετε τα chat templates, τις ρυθμίσεις του tokenizer και τους adapters ως κώδικα που πρέπει να υπογράφεται και να επαληθεύεται.
LLM06:2026 Unbounded Consumption (απεριόριστη κατανάλωση)
Ανεξέλεγκτο inference που προκαλεί διακοπές λειτουργίας, εκτόξευση του κόστους («denial of wallet») ή κλοπή του μοντέλου μέσω εξαγωγής. Τα μοντέλα συλλογισμού (reasoning models), οι πολυτροπικές είσοδοι και οι βρόχοι εργαλείων των πρακτόρων επιδεινώνουν το πρόβλημα. Μέτρο ελέγχου: αυστηρά ανώτατα όρια δαπανών που σταματούν το inference, καθώς και circuit breakers για τους πράκτορες, με όρια βημάτων, αναδρομής, χρόνου και κόστους ανά εκτέλεση.
LLM07:2026 Misinformation (εσφαλμένη πληροφόρηση)
Λανθασμένη ή αβάσιμη έξοδος που φαίνεται αρκετά αξιόπιστη ώστε κάποιος να ενεργήσει με βάση αυτήν. Στα agentic συστήματα, μια λάθος απάντηση γίνεται λάθος ενέργεια, όπως όταν ένας πράκτορας αναφέρει ότι εκτελέστηκε ένα αντίγραφο ασφαλείας που δεν εκτελέστηκε ποτέ. Μέτρο ελέγχου: ένα μοτίβο claim-check-act (ισχυρισμός, έλεγχος, ενέργεια) που διαχωρίζει την παραγωγή από την εκτέλεση και επαληθεύει ισχυρισμούς και προϋποθέσεις πριν από κάθε ενέργεια.
LLM08:2026 Hidden Context Exposure (έκθεση κρυφού πλαισίου)
Εξαγωγή ή ανασύνθεση κρυφού πλαισίου: system prompts, οδηγιών του προγραμματιστή, ανακτημένων κειμένων πολιτικών και σχημάτων εργαλείων. Το OWASP συμβουλεύει να θεωρείτε δεδομένο ότι το κρυφό πλαίσιο μπορεί να αποκαλυφθεί. Μέτρο ελέγχου: κρατήστε έξω από αυτό διαπιστευτήρια και μυστικά, και επιβάλετε την εξουσιοδότηση σε ντετερμινιστικό κώδικα έξω από το μοντέλο.
LLM09:2026 Vector and Embedding Weaknesses (αδυναμίες διανυσμάτων και embeddings)
Επιθέσεις στο επίπεδο των embeddings πίσω από το RAG, τη μνήμη των πρακτόρων και τις σημασιολογικές κρυφές μνήμες (semantic caches). Με τα λόγια του OWASP, «η δηλητηρίαση κάνει το σύστημα να σφάλλει, η αντιστροφή το κάνει να διαρρέει, η παρεμβολή (jamming) το κάνει να σωπαίνει και η αστοχία του ελέγχου πρόσβασης το κάνει να μην κάνει διακρίσεις». Μέτρο ελέγχου: επιβάλετε τον διαχωρισμό ανά tenant μέσα στο ερώτημα προς το ευρετήριο, όχι ως φίλτρο μετά την ανάκτηση, και κρατήστε περιεχόμενο διαφορετικών επιπέδων εμπιστοσύνης σε ξεχωριστά ευρετήρια.
LLM10:2026 Improper Output Handling (ακατάλληλος χειρισμός εξόδου)
Προώθηση της εξόδου του μοντέλου σε άλλα συστήματα χωρίς επικύρωση, κάτι που μπορεί να οδηγήσει σε XSS, SQL injection, SSRF ή απομακρυσμένη εκτέλεση κώδικα. Η καταχώριση καλύπτει πλέον και τον μη ασφαλή κώδικα που παράγουν οι βοηθοί σε μεγάλη κλίμακα. Μέτρο ελέγχου: αντιμετωπίστε την έξοδο του μοντέλου όπως την είσοδο χρήστη: κωδικοποιήστε την ανάλογα με το πλαίσιο, χρησιμοποιήστε παραμετροποιημένα ερωτήματα και απενεργοποιήστε την αυτόματη απόδοση εικόνων Markdown και τις προεπισκοπήσεις συνδέσμων.
Τι άλλαξε σε σχέση με την έκδοση του 2025
Το OWASP αναφέρει ότι η σειρά «μετακινήθηκε περισσότερο από ό,τι τα προηγούμενα χρόνια». Οι κύριες αλλαγές:
- Το Excessive Agency ανέβηκε από την έκτη στην τρίτη θέση, κάτι που το OWASP χαρακτηρίζει «την πιο καθοριστική μετακίνηση στη λίστα».
- Το Unbounded Consumption ανέβηκε τέσσερις θέσεις, ενώ το Improper Output Handling έπεσε περισσότερο από όλα, από την πέμπτη στη δέκατη θέση.
- Τα Prompt Injection και Sensitive Information Disclosure διατήρησαν τις δύο πρώτες θέσεις.
- Το System Prompt Leakage έγινε Hidden Context Exposure, μια ευρύτερη καταχώριση.
- Οι υπάρχουσες καταχωρίσεις ενσωμάτωσαν νεότερους κινδύνους αντί να προστεθούν νέες κατηγορίες: διατροπικό injection, artifacts μοντέλων που δεν είναι αυτό που ισχυρίζονται, υπονόμευση του fine-tuning και μη ασφαλή παραγόμενο κώδικα.
- Οι αντιστοιχίσεις με πλαίσια (NIST, MITRE ATLAS, CWE και άλλα) συγκεντρώθηκαν σε ένα παράρτημα.
Το OWASP χαράζει επίσης ένα σαφέστερο όριο. Αυτή η λίστα καλύπτει το μοντέλο ως στοιχείο της εφαρμογής σας. Μόλις το μοντέλο γίνει δρων παράγοντας με εργαλεία, μνήμη και συνέπειες σε άλλα συστήματα, το OWASP συνιστά να τη συνδυάζετε με το OWASP Top 10 για agentic εφαρμογές, που εξηγεί βήμα βήμα ο οδηγός μας για το πώς να ασφαλίσετε πράκτορες AI.
Πώς να χρησιμοποιήσετε τη λίστα στην ομάδα σας
Η συμβουλή του OWASP είναι να «δουλέψετε και τα δέκα, ξεκινώντας από την κορυφή». Στην πράξη:
- Περάστε και από τις δέκα καταχωρίσεις όταν σχεδιάζετε ή ελέγχετε μια λειτουργία LLM, και σημειώστε πού είναι εκτεθειμένη.
- Μετατρέψτε κάθε μέτρο ελέγχου σε ticket με υπεύθυνο και επαναλάβετε τις δοκιμές μετά τις διορθώσεις.
- Επισημαίνετε τα ευρήματα με τα ID των καταχωρίσεων, ώστε προγραμματιστές, μηχανικοί ασφαλείας και product owners να μοιράζονται το ίδιο λεξιλόγιο.
- Δοκιμάζετε μόνο συστήματα που σας ανήκουν ή για τα οποία έχετε γραπτή άδεια δοκιμής, και ελέγξτε ότι οι όροι του παρόχου του μοντέλου σας επιτρέπουν δοκιμές ασφαλείας.
Το τελικό έργο του μαθήματος Ασφάλεια AI: Προστασία Εφαρμογών LLM και Πρακτόρων AI, που παρακολουθείτε με τον δικό σας ρυθμό, με τίτλο «Επίθεση, διόρθωση και νέα δοκιμή ενός πράκτορα AI», ολοκληρώνεται με μια αναφορά ασφαλείας που αντιστοιχίζει κάθε εύρημα στις λίστες OWASP.
Πού να συνεχίσετε
Ξεκινήστε από την καταχώριση της κορυφής: ο οδηγός μας για το τι είναι το prompt injection εξηγεί τις άμεσες και τις έμμεσες επιθέσεις και την πολυεπίπεδη άμυνα. Αν η εφαρμογή σας ανακτά έγγραφα, δώστε ιδιαίτερη προσοχή στις LLM02 και LLM09, που καλύπτουν τα δικαιώματα ανάκτησης και το επίπεδο των embeddings· το AI Engineer: Εισαγωγή στο RAG και στην Αναζήτηση είναι ένα σχετικό μάθημα με τον δικό σας ρυθμό.
Ένας δομημένος τρόπος να αποκτήσετε αυτές τις δεξιότητες είναι το μάθημα Ασφάλεια AI: Προστασία Εφαρμογών LLM και Πρακτόρων AI: με τον δικό σας ρυθμό, μεσαίου επιπέδου και διάρκειας 40 ωρών, για προγραμματιστές, μηχανικούς AI και επαγγελματίες ασφάλειας που φτιάχνουν ή δοκιμάζουν λειτουργίες AI.

Μάθετε τεχνικές δεξιότητες online στα bootcamps της Code Labs Academy
Γίνετε μέλος της υποστηρικτικής μας κοινότητας, ξεκλειδώστε το δυναμικό σας και ξεκινήστε μια επιτυχημένη καριέρα στην τεχνολογία.
Κάντε αίτηση τώρα