OOWASP Top 10 für LLM-Anwendungen 2026
Die endgültige Liste kritischer Sicherheitsrisiken in LLM-Anwendungen – spiegelt die OWASP-Version 2026 wider und wurde im Oktober 2026 überprüft
kritisches Risikobewusstsein
Rompt-Injection bleibt die Schwachstelle Nr. 1. Lesen Sie unseren umfassenden Prompt-Injection-Leitfaden →
OWASP LLM Top 10 2026: Was sich geändert hat
Die Version 2026 ist der aktive Standard. Im Vergleich zur Liste von 2025 werden die Top 5 neu geordnet und die Abdeckung für Agenten und Abrufsysteme hinzugefügt:
- Aufgerückt: Offenlegung sensibler Informationen — Jetzt LLM02, das Anmeldedaten- und Prompt-Lecks als obersten Verlustpfad widerspiegelt
- Nach oben verschoben: Schwachstellen in der Lieferkette — Jetzt LLM03, für Plugins, Modell-Hubs und Agententool-Marktplätze
- Umbenannt: Daten- und Modellvergiftung — Absorbiert das alte Training Data Poisoning bei LLM04, jetzt einschließlich RAG-Korpora und Agentenspeicher
- Umbenannt: Unsachgemäße Ausgabehandhabung — Früher unsichere Ausgabeverarbeitung, jetzt LLM05 mit klarerer Downstream-Sink-Anleitung
- NEU: Systemaufforderung Leckage — LLM07: Prompt-Extraktion stellt ein eindeutiges Risiko dar, sobald Agenten ihren Kontext offenlegen
- NEU: Vektor- und Einbettungsschwächen — LLM08, Retrieval Poisoning und Embedding Store Zutrittskontrolle
- NEU: Fehlinformationen — LLM09, fabrizierte oder nicht verifizierte Modellausgabe, die Benutzer und Systeme erreicht
- Erweitert: Übermäßige Entscheidungsfreiheit — LLM06, erweitert um MCP-Tool-Missbrauch und delegierte OAuth-Umfänge
rompt Injektion
Manipulation des LLM-Verhaltens durch gestaltete Eingaben, die Originalanweisungen außer Kraft setzen. Beinhaltet sowohl direkte (Benutzereingabe) als auch indirekte (externe Daten) Injektion.
Angriffsarten
- Direkte Injektion: Böswillige Benutzeraufforderungen, die Systemanweisungen außer Kraft setzen
- Indirekte Injektion: Versteckte Anweisungen in externen Dokumenten, Webinhalten oder API-Antworten
- Ontext-Manipulation: Ausnutzen des Gesprächskontexts, um das Verhalten zu ändern
- Ailbreak-Angriffe: Umgehen von Sicherheitsfiltern durch kreative Aufforderung
Angriffsbeispiele
Ignore previous instructions and...ext eingebettet in unsichtbare Unicode-ZeichenRompt-Injektion über gespeichertes XSS in WebinhaltenDAN (Do Anything Now) style jailbreaks
Klagestrategien
- Implementieren Sie eine strenge Eingabevalidierung und -bereinigung
- se Privilegientrennung zwischen Benutzereingaben und Systemaufforderungen
- Wenden Sie die Ausgabefilterung an, bevor Sie Ergebnisse anzeigen
- Monitor für Injektionsmuster in Protokollen
- Implementieren Sie eine tiefgreifende Verteidigung mit mehreren Sicherheitsebenen
Offenlegung sensibler Informationen
LLMs geben durch Modellausgaben unbeabsichtigt private, vertrauliche oder proprietäre Informationen preis.
Angriffsarten
- raining Datenextraktion: Wiederherstellung sensibler Daten aus dem Modellspeicher
- II Leakage: Offenlegung persönlich identifizierbarer Informationen
- PI Key/Credential Exposure: Geheimnisse in Antworten enthüllen
- Usiness Logic Disclosure: Offenlegung proprietärer Algorithmen oder Prozesse
Angriffsbeispiele
Extrahieren von E-Mail-Adressen durch spezifische EingabeaufforderungenVerschleierung von SQL-Anmeldeinformationen in Fehlermeldungenschließt Kunden-PII aus TrainingsdatenAusgeben interner Systemaufforderungen
Klagestrategien
- Implementieren Sie eine robuste Eingabe-/Ausgabefilterung
- Nforce-Pipelines zur Datenbereinigung
- Wenden Sie Benutzer-Opt-out-Richtlinien für die Datennutzung an
- se differenzielle Datenschutztechniken
- Beschränken Sie den sofortigen Zugriff und die Sichtbarkeit des Systems
Schwachstellen in der Lieferkette
Kompromittierte oder anfällige Komponenten in der LLM-Lieferkette, einschließlich Modelle, APIs, Plugins und Dienste von Drittanbietern.
Angriffsarten
- odel-Manipulation: Kompromittierte vorab trainierte Modelle
- yPI/npm-Abhängigkeitsschwachstellen: Unsichere Bibliotheken
- alicious Feinabstimmungsdaten: Vergiftete Trainingsdatensätze
- Kompromittierte API-Anbieter: Nicht vertrauenswürdige LLM-Dienste
Angriffsbeispiele
Gepanzerte Modellgewichte aus nicht vertrauenswürdiger QuelleVerwundbare Ausnutzung der Transformer-BibliothekVergiftete Trainingsdaten mit versteckten AuslösernKompromittierter RAG-Dokumentenspeicher
Klagestrategien
- Überprüfen Sie die Modellintegrität durch Prüfsummen und Signaturen
- SBOM (Software-Stückliste) pflegen
- Suchen Sie nach vertrauenswürdigen Modell-Hubs und überprüfen Sie die Herkunft
- kann Abhängigkeiten für bekannte Schwachstellen aufweisen
- Implementieren Sie das Lebenszyklusmanagement des Modells
ata und Modelvergiftung
Das Einschleusen bösartiger oder voreingenommener Daten in Trainingspipelines, die Feinabstimmung von Daten oder RAG-Wissensdatenbanken, um die Modellintegrität zu gefährden.
Angriffsarten
- raining Data Poisoning: Beschädigte Modelltrainingsdaten
- Ine-Tuning-Vergiftung: Einschleusen von Hintertüren durch Feintuning
- AG-Vergiftung: Kontaminierende Retrieval-Wissensdatenbanken
- mbedding-Manipulation: Beschädigte Vektordatenbanken
Angriffsbeispiele
Einfügen voreingenommener Beispiele, um das Modellverhalten zu ändernErkennen von Backdoor-Triggern in TrainingsdatenVergiftung öffentlicher Datensätze, die für das Training verwendet werdenDas Einfügen falscher Informationen in RAG-Dokumente
Klagestrategien
- Überprüfen Sie die Datenherkunft und die Integrität der Lieferkette
- Implementieren Sie die Datenvalidierung und Anomalieerkennung
- se Datenbereinigungspipelines
- Setzen Sie robuste Feinabstimmungsmaßnahmen ein
- Monitor für Modellverhaltensdrift
Falsche Ausgabeverarbeitung
Versäumnis, LLM-Ausgaben zu validieren, zu bereinigen oder ordnungsgemäß zu verarbeiten, bevor sie an nachgelagerte Systeme oder Benutzer weitergeleitet werden.
Angriffsarten
- SS über LLM-Ausgabe: Cross-Site-Scripting aus Modellantworten
- QL-Injection: Schädliche Abfragen, die von LLM generiert werden
- Befehlsinjektion: LLM generiert unsichere Systembefehle
- ath Traversal: LLM enthüllt oder greift auf nicht autorisierte Pfade zu
Angriffsbeispiele
LM generiert JavaScript, das im Browser ausgeführt wirdodel gibt bösartige SQL-Abfragen ausOde-Generierung einschließlich unsicherer SystemaufrufeOffenlegung des Dateipfads in Antworten
Klagestrategien
- Implementierung der Ausgabevalidierung und -bereinigung
- se kontextbezogene Inhaltsfilterung
- Wenden Sie dieselben Sicherheitskontrollen an wie Benutzereingaben
- andbox LLM-Ausgaben vor der nachgelagerten Verwendung
- Aktivieren Sie sichere Codierungsmodi bei der Codegenerierung
Übermäßige Agentur
Gewähren Sie LLM-Systemen zu viel Funktionalität, Autonomie, Berechtigungen oder ermöglichen Sie nicht autorisierte oder schädliche Aktionen.
Angriffsarten
- Unbegrenzter Funktionszugriff: Übermäßige API-Berechtigungen
- Autonomes Handeln: Ausführen von Handlungen ohne menschliche Zustimmung
- ool-Missbrauch: Ausnutzung integrierter externer Tools
- Gedankenhain-Manipulation: Denkprozesse verändern
Angriffsbeispiele
LM mit Admin-API-Zugriff, der nicht autorisierte Änderungen durchführtFinanztransaktionen automatisch ausführenRessourcen ohne Bestätigung löschenManipulation von Nutzerdaten ohne Einwilligung
Klagestrategien
- Implementieren Sie Zugriffskontrollen mit den geringsten Rechten
- erfordern einen Human-in-the-Loop für kritische Aktionen
- Wenden Sie eine Geschwindigkeitsbegrenzung auf sensible Vorgänge an
- og und überwachen alle autonomen Aktionen
- Sehen Sie sich die Einschränkungen des Werkzeugzugriffs an
Sofortige Systemleckage
Offenlegung vertraulicher Systemaufforderungen, Anweisungen oder interner Logik durch Manipulation oder unzureichende Schutzmaßnahmen.
Angriffsarten
- Direkte Eingabeaufforderungsextraktion: Social Engineering zur Offenlegung von Eingabeaufforderungen
- Ontext-Überlauf: Überlauftechniken zur Offenlegung von Systemmeldungen
- Alte Spielausbeutung: Bringen Sie LLM dazu, Anweisungen preiszugeben
- und Leakage: Offenlegung von Eingabeaufforderungen in Protokollen oder Fehlern
Angriffsbeispiele
Bitten Sie LLM, den „vorherigen Text“ zu wiederholen, um die Systemaufforderung zu extrahierensingen Sie einen Kontextfensterüberlauf, um das Parsen von Anweisungen zu umgehenRompt-Injektion, um die Systemrolle zu überschreibenEingabeaufforderungen in Anwendungsprotokollen identifizieren
Klagestrategien
- Bfuscate-Systemaufforderungen, sofern möglich
- Implementieren Sie zeitnahe Isolationstechniken
- Für sensible Anweisungen ist eine separate Verarbeitung vorgesehen
- Monitor für zeitnahe Extraktionsversuche
- Wenden Sie eine strenge Protokollfilterung an
ektor und Einbettung von Schwächen
Sicherheitslücken in Retrieval-Augmented Generation (RAG)-Systemen, Vektordatenbanken und Einbettungspipelines.
Angriffsarten
- AG-Injection: Schädlicher Inhalt in abgerufenen Dokumenten
- ector DB-Kompromittierung: Angriff auf den Vektorspeicher
- mbedding-Extraktion: Einbettungsdarstellungen stehlen
- Ontext-Manipulation: Verfälschende Abrufergebnisse
Angriffsbeispiele
Verschmutzte Dokumente werden als Top-Ergebnisse abgerufenUnbefugter Zugriff auf die ector-DatenbankExtrahieren von Trainingsdaten aus EinbettungenAbrufmanipulation durch Einbettungsangriffe
Klagestrategien
- Validieren und bereinigen Sie alle RAG-Eingabedokumente
- Implementieren Sie Zugriffskontrollen für Vektordatenbanken
- Wir integrieren die Verschlüsselung, sofern verfügbar
- Reranking mit Sicherheitsfiltern anwenden
- Monitorabfrage für Anomalien
istInformation
LLMs generieren falsche, irreführende oder voreingenommene Inhalte, die glaubwürdig erscheinen, was zu fundierten Entscheidungen auf der Grundlage falscher Informationen führt.
Angriffsarten
- Anspielungen: Selbstbewusste, aber falsche Ausgaben
- tatsächliche Fehler: Falsche Informationen, die als Tatsachen dargestellt werden
- ias-Verstärkung: Verstärkung bestehender Vorurteile
- Manipulation: Absichtlich irreführende Ausgaben
Angriffsbeispiele
Auflisten nicht vorhandener ForschungsarbeitenBereitstellung falscher medizinischer RatschlägeGenerieren voreingenommener EinstellungsempfehlungenFake News oder Rezensionen rezitieren
Klagestrategien
- Implementierung von Pipelines zur Faktenprüfung
- se Konfidenzbewertung und Unsicherheitsschätzung
- Führen Sie eine Quellenüberprüfung für kritische Ausgaben durch
- Herkunft und Namensnennung des Inhalts
- abel KI-generierte Inhalte deutlich
unbegrenzter Verbrauch
Zulassen einer übermäßigen oder unkontrollierten Ressourcennutzung durch LLM-Anwendungen, was zu Dienstverweigerung, finanzieller Ausbeutung oder Dienstbeeinträchtigung führt.
Angriffsarten
- Missbrauch der PI-Rate: Übermäßige API-Aufrufe erschöpfen die Kontingente
- Ressourcenerschöpfung: Rechenressourcen werden ausgeschöpft
- Ost-Ausbeutung: Pay-per-Token-Missbrauch, der zu Anklagen führt
- Referenzangriffe: Extrahieren von Modellen durch übermäßige Abfragen
Angriffsbeispiele
Automatisierte Angriffe, die das gesamte API-Kontingent verbrauchenAxtlanger Eingabeaufforderungs-Spam, der zu einer Erschöpfung der Rechenleistung führtExtraktionsmodell durch Millionen von AbfragenEkursive Eingabeaufforderungsschleifen verbrauchen Ressourcen
Klagestrategien
- strenge Tarifbegrenzungen und Quoten einführen
- Grenzwerte für dd-Eingabe-/Ausgabe-Token
- Überwachen Sie Nutzungsmuster auf Anomalien
- Nutzen Sie Kostenkontrollen und Budgetwarnungen
- Wenden Sie Timeout-Kontrollen auf lang andauernde Vorgänge an
WASP-Test-Framework
Befolgen Sie diesen strukturierten Ansatz zum Testen jeder Schwachstelle:
. Aufklärung
- AP-Systemarchitektur und Datenfluss
- Eingabepunkte und API-Schnittstellen identifizieren
- Dokumentintegrierte Tools und Plugins
- Sehen Sie sich die Eingabeaufforderungen und die Konfiguration des Systems an
. Schwachstellenkartierung
- Prüfen Sie jede OWASP-Kategorie systematisch
- Angriffsfläche und Eintrittspunkte für Dokumente
- vorhandene Abwehrmechanismen identifizieren
- AP-Abhängigkeiten und Dienste von Drittanbietern
. Ausbeutung
- Führen Sie Proof-of-Concept-Angriffe durch
- Verwertbarkeit und Wirkung von Dokumenten
- Es verkettet mehrere Schwachstellen
- Bewerten Sie die Durchführbarkeit realer Angriffe
. Berichterstattung
- Priorisieren Sie die Ergebnisse nach Risikostufe
- Bereitstellung von Sanierungsempfehlungen
- Fügen Sie einen Proof-of-Concept-Code hinzu
- deuten auf Verbesserungen in der Defensive hin
Offizielle Ressourcen
- Offizielle Seite der WASP LLM Top 10 2025
- Laden Sie das PDF „OWASP LLM Top 10 2025“ herunter
- WASP LLM-Sicherheitsprojekt
- WASP Agentic KI-Sicherheit
Quellen & Statistik
- OWASP State of AI Security Report 2025 - 73% der Unternehmen weisen kritische KI-Schwachstellen auf
- ybersecurity Schweiz – KI-Sicherheitsstatistik 2026 - 0+ kuratierte Statistiken
- CrowdStrike Global Threat Report 2026 - AI-enabled attacks up 89%
- Arktrace Stand der KI-Cybersicherheit 2026 - Umfrage unter mehr als 1.500 Sicherheitsverantwortlichen
- IBM X-Force Threat Intelligence Index 2026 - Ich-beschleunigte Angriffe