OWASP Top 10 voor LLM-toepassingen 2026
De definitieve lijst met kritieke beveiligingsrisico's in LLM-applicaties - weerspiegelt de OWASP 2026-release en herzien in oktober 2026
Kritisch risicobewustzijn
Prompt Injection blijft de grootste kwetsbaarheid. Zie onze uitgebreide handleiding voor snelle injectie →
OWASP LLM Top 10 2026: wat is er veranderd
De 2026-release is de actieve standaard. Vergeleken met de lijst van 2025 wordt de top vijf opnieuw gerangschikt en wordt dekking toegevoegd voor agenten en ophaalsystemen:
- Naar boven verplaatst: openbaarmaking van gevoelige informatie — Nu LLM02, dat referenties en snelle lekkage weerspiegelt als een verliespad van het hoogste niveau
- Naar boven verplaatst: Kwetsbaarheden in de toeleveringsketen — Nu LLM03, met plug-ins, modelhubs en marktplaatsen voor agenttools
- Hernoemd: Gegevens- en modelvergiftiging — Absorbeert de oude Training Data Poisoning op LLM04, nu inclusief RAG-corpora en agentgeheugen
- Hernoemd: Onjuiste uitvoerafhandeling — Voorheen onveilige uitvoerafhandeling, nu LLM05 met duidelijkere stroomafwaartse sink-begeleiding
- NIEUW: Systeempromptlekkage — LLM07: prompte extractie is een duidelijk risico zodra agenten hun context blootleggen
- NIEUW: Zwakke punten in vector en inbedding — LLM08, ophaalvergiftiging en inbedding van winkeltoegangscontrole
- NIEUW: Verkeerde informatie — LLM09, verzonnen of niet-verifieerbare modeluitvoer die gebruikers en systemen bereikt
- Verbreed: overmatige keuzevrijheid — LLM06, uitgebreid om misbruik van MCP-tools en gedelegeerde OAuth-scopes te dekken
Prompt Injection
Het manipuleren van LLM-gedrag door middel van vervaardigde invoer die de originele instructies overschrijft. Omvat zowel directe (gebruikersinvoer) als indirecte (externe gegevens) injectie.
Aanvalstypen
- Directe injectie: kwaadaardige gebruikersprompts die systeeminstructies negeren
- Indirecte injectie: verborgen instructies in externe documenten, webinhoud of API-reacties
- Contextmanipulatie: gebruik maken van de gesprekscontext om gedrag te veranderen
- Jailbreak-aanvallen: veiligheidsfilters omzeilen via creatieve aanwijzingen
Voorbeelden van aanvallen
Ignore previous instructions and...Tekst ingebed in onzichtbare Unicode-tekensSnelle injectie via opgeslagen XSS in webinhoudDAN (Do Anything Now) style jailbreaks
Beperkingsstrategieën
- Implementeer strikte invoervalidatie en opschoning
- Gebruik rechtenscheiding tussen gebruikersinvoer en systeem prompts
- Pas outputfiltering toe voordat de resultaten worden weergegeven
- Monitor op injectiepatronen in logboeken
- Implementeer diepgaande verdediging met meerdere beveiligingslagen
Openbaarmaking van gevoelige informatie
LLM's onthullen onbedoeld privé-, vertrouwelijke of bedrijfseigen informatie via modeluitvoer.
Aanvalstypen
- Traininggegevensextractie: gevoelige gegevens uit het modelgeheugen herstellen
- PII-lekkage: persoonlijk identificeerbare informatie vrijgeven
- Blootstelling van API-sleutel/referenties: geheimen in reacties onthullen
- Openbaarmaking van bedrijfslogica: openbaarmaking van bedrijfseigen algoritmen of processen
Voorbeelden van aanvallen
E-mailadressen extraheren via specifieke aanwijzingenSQL-referenties onthullen in foutmeldingenOpenbaar maken van klant-PII uit trainingsgegevensInterne systeemprompts blootleggen
Beperkingsstrategieën
- Implementeer robuuste invoer-/uitvoerfilters
- Dwing pijpleidingen voor gegevensopschoning af
- Pas een opt-outbeleid voor gegevensgebruik toe
- Gebruik differentiële privacytechnieken
- Beperk de toegang en zichtbaarheid van systeemprompts
Kwetsbaarheden in de supply chain
Gecompromitteerde of kwetsbare componenten in de LLM-toeleveringsketen, waaronder modellen, API's, plug-ins en services van derden.
Aanvalstypen
- Knoeien met modellen: gecompromitteerde, vooraf getrainde modellen
- Kwetsbaarheden in de afhankelijkheid van PyPI/npm: onveilige bibliotheken
- Kwaadwillige fijnafstemmingsgegevens: vergiftigde trainingsgegevenssets
- Gecompromitteerde API-providers: niet-vertrouwde LLM-services
Voorbeelden van aanvallen
Achterdoor-modelgewichten van niet-vertrouwde bronKwetsbare exploitatie van transformatorbibliothekenVergiftigde trainingsgegevens met verborgen triggersGecompromitteerde RAG-documentopslag
Beperkingsstrategieën
- Verifieer de modelintegriteit door middel van checksums en handtekeningen
- SBOM (Software Bill of Materials) onderhouden
- Gebruik vertrouwde modelhubs en controleer de herkomst
- Scan afhankelijkheden op bekende kwetsbaarheden
- Beheer van de levenscyclus van modellen implementeren
Gegevens- en modelvergiftiging
Het introduceren van kwaadaardige of bevooroordeelde gegevens in trainingspijplijnen, het verfijnen van gegevens of RAG-kennisbanken om de modelintegriteit in gevaar te brengen.
Aanvalstypen
- Vergiftiging van trainingsgegevens: corrupte modeltrainingsgegevens
- Verfijning van vergiftiging: achterdeurtjes injecteren via fijnafstemming
- RAG-vergiftiging: vervuilende kennisbanken voor het ophalen
- Manipulatie van insluiting: corrupte vectordatabases
Voorbeelden van aanvallen
Bevooroordeelde voorbeelden invoegen om modelgedrag te wijzigenBackdoor-triggers maken in trainingsgegevensVergiftiging van openbare datasets die worden gebruikt voor trainingInjecteren van valse informatie in RAG-documenten
Beperkingsstrategieën
- Verifieer de herkomst van gegevens en de integriteit van de toeleveringsketen
- Gegevensvalidatie en detectie van afwijkingen implementeren
- Gebruik pijplijnen voor het opschonen van gegevens
- Pas robuuste beveiligingen voor fijnafstelling toe
- Monitor op drift in modelgedrag
Onjuiste verwerking van uitvoer
Het niet valideren, opschonen of correct verwerken van LLM-uitvoer voordat deze wordt doorgegeven aan downstream-systemen of gebruikers.
Aanvalstypen
- XSS via LLM-uitvoer: Cross-site scripting van modelreacties
- SQL-injectie: schadelijke query's gegenereerd door LLM
- Commando-injectie: LLM genereert onveilige systeemopdrachten
- Path Traversal: LLM onthult of toegang krijgen tot ongeautoriseerde paden
Voorbeelden van aanvallen
LLM genereert JavaScript dat wordt uitgevoerd in de browserModel dat kwaadaardige SQL-query's uitvoertCode genereren inclusief onveilige systeemaanroepenOpenbaarmaking van bestandspaden in reacties
Beperkingsstrategieën
- Implementeer uitvoervalidatie en -opschoning
- Gebruik contextbewuste inhoudsfiltering
- Pas dezelfde beveiligingsmaatregelen toe als gebruikersinvoer
- Sandbox LLM-uitvoer vóór downstream-gebruik
- Schakel veilige coderingsmodi in bij het genereren van code
Excessive Agency
LLM-systemen te veel functionaliteit, autonomie, machtigingen verlenen of ongeautoriseerde of schadelijke acties mogelijk maken.
Aanvalstypen
- Onbeperkte functietoegang: overmatige API-rechten
- Autonome actie: acties uitvoeren zonder menselijke goedkeuring
- Toolmisbruik: misbruik van geïntegreerde externe tools
- Chain-of-Thought-manipulatie: redeneerprocessen wijzigen
Voorbeelden van aanvallen
LLM met beheerders-API-toegang die ongeautoriseerde wijzigingen uitvoertFinanciële transacties automatisch uitvoerenBronnen verwijderen zonder bevestigingGebruikersgegevens manipuleren zonder toestemming
Beperkingsstrategieën
- Implementeer toegangscontroles met de minste bevoegdheden
- Vereist mens-in-the-loop voor kritieke acties
- Snelheidsbeperking toepassen op gevoelige bewerkingen
- Log en monitor alle autonome acties
- Gebruik reikwijdtebeperkingen voor toegang tot tools
Systeempromptlekkage
Het blootleggen van vertrouwelijke systeemprompts, instructies of interne logica door middel van manipulatie of onvoldoende bescherming.
Aanvalstypen
- Directe promptextractie: social engineering om aanwijzingen te onthullen
- Contextoverloop: overlooptechnieken om systeemberichten openbaar te maken
- Rollenspelexploitatie: verleid LLM tot het onthullen van instructies
- Logboeklekkage: aanwijzingen blootleggen in logboeken of fouten
Voorbeelden van aanvallen
LLM gevraagd om 'vorige tekst' te herhalen om de systeemprompt te extraherenContextvensteroverloop gebruiken om het parseren van instructies te omzeilenPrompt-injectie om de systeemrol te overschrijvenAanwijzingen vinden in toepassingslogboeken
Beperkingsstrategieën
- Verduister systeemprompts waar mogelijk
- Implementeer technieken voor promptisolatie
- Gebruik afzonderlijke verwerking voor gevoelige instructies
- Controleren op pogingen tot promptextractie
- Pas strikte logfiltering toe
Zwakke punten van vectoren en inbedding
Beveiligingsproblemen in Retrieval-Augmented Generation (RAG)-systemen, vectordatabases en inbeddingspijplijnen.
Aanvalstypen
- RAG-injectie: schadelijke inhoud in opgehaalde documenten
- Vector DB-compromis: aanval op vectoropslag
- Embedding Extractie: stelen van inbedde representaties
- Contextmanipulatie: corrupte ophaalresultaten
Voorbeelden van aanvallen
Vergiftigde documenten worden opgehaald als topresultatenOngeautoriseerde toegang tot vectordatabaseTrainingsgegevens extraheren uit insluitingenOphaalmanipulatie via inbeddingsaanvallen
Beperkingsstrategieën
- Alle RAG-invoerdocumenten valideren en opschonen
- Implementeer toegangscontroles voor vectordatabases
- Gebruik insluitende encryptie waar beschikbaar
- Herschikking toepassen met beveiligingsfilters
- Ophalen controleren op afwijkingen
Desinformatie
LLM's genereren valse, misleidende of bevooroordeelde inhoud die geloofwaardig overkomt, wat leidt tot weloverwogen beslissingen op basis van onjuiste informatie.
Aanvalstypen
- Hallucinaties: Zekere maar valse resultaten
- Feitelijke fouten: onjuiste informatie gepresenteerd als feit
- Vooroordeelversterking: bestaande vooroordelen versterken
- Manipulatie: opzettelijk misleidende resultaten
Voorbeelden van aanvallen
Niet-bestaande onderzoeksdocumenten citerenHet geven van onjuist medisch adviesHet genereren van bevooroordeelde wervingsaanbevelingenNepnieuws of beoordelingen maken
Beperkingsstrategieën
- Implementeer pijplijnen voor factchecking
- Gebruik vertrouwensscores en onzekerheidsschatting
- Bronverificatie toepassen op kritieke uitvoer
- Voeg herkomst en attributie van inhoud toe
- Label AI-gegenereerde inhoud duidelijk
Onbegrensd verbruik
Het toestaan van buitensporig of ongecontroleerd gebruik van bronnen door LLM-applicaties, wat leidt tot denial-of-service, financiële uitbuiting of achteruitgang van de service.
Aanvalstypen
- Misbruik van API-snelheden: excessieve API-aanroepen die quota's uitputten
- Uitputting van bronnen: maximale computerbronnen
- Kostenexploitatie: Pay-per-token-misbruik leidt tot kosten
- Inferentieaanvallen: model extraheren via buitensporige zoekopdrachten
Voorbeelden van aanvallen
Geautomatiseerde aanvallen die het volledige API-quotum verbruikenPrompspam met maximale lengte waardoor computeruitputting ontstaatHet model extraheren via miljoenen zoekopdrachtenRecursieve promptloops die bronnen verbruiken
Beperkingsstrategieën
- Implement strict rate limiting and quotas
- Voeg invoer-/uitvoertokenlimieten toe
- Gebruikspatronen controleren op afwijkingen
- Gebruik kostencontroles en budgetwaarschuwingen
- Pas time-outcontroles toe op langlopende bewerkingen
OWASP Testing Framework
Volg deze gestructureerde aanpak voor het testen van elke kwetsbaarheid:
1. Verkenning
- Map system architecture and data flow
- Identificeer invoerpunten en API-interfaces
- Geïntegreerde tools en plug-ins documenteren
- Systeemprompts en configuratie bekijken
2. Kwetsbaarheidstoewijzing
- Test elke OWASP-categorie systematisch
- Documentaanvaloppervlak en ingangspunten
- Identificeer aanwezige verdedigingsmechanismen
- Afhankelijkheden en services van derden in kaart brengen
3. Exploitatie
- Voer proof-of-concept-aanvallen uit
- Buitenbaarheid en impact van documenten
- Meerdere testen testen kwetsbaarheden
- Beoordeel de haalbaarheid van aanvallen in de echte wereld
4. Rapportage
- Geef prioriteit aan bevindingen op risiconiveau
- Geef herstelaanbevelingen
- Voeg proof-of-concept-code toe
- Stel defensieve verbeteringen voor
Officiële bronnen
- OWASP LLM Top 10 2025 officiële pagina
- Download OWASP LLM Top 10 2025 PDF
- OWASP LLM Security Project
- OWASP Agentic AI Security
Bronnen en statistieken
- OWASP State of AI Security Report 2025 - 73% van de organisaties heeft kritieke AI-kwetsbaarheden
- Cybersecurity Zwitserland - AI-beveiligingsstatistieken 2026 - 40+ samengestelde statistieken
- CrowdStrike Global Threat Report 2026 - Aanvallen met AI-ondersteuning stijgen met 89%
- Darktrace State of AI Cybersecurity 2026 - Onderzoek onder meer dan 1500 beveiligingsleiders
- IBM X-Force Threat Intelligence Index 2026 - AI-versnelde aanvallen