2021 年 11 月16日,网络安全解决方案提供商 Check Point 软件技术有限公司(纳斯达克股票代码:CHKP)的威胁情报部门 Check Point Research 发布了其 2021 年 10 月最新版《全球威胁指数》报告。报告表明,模块化僵尸网络和银行木马 Trickbot 仍然位居恶意软件排行榜榜首,影响了全球 4% 的企业与机构,而“Apache HTTP 服务器目录遍历漏洞”则跻身十大最常被利用漏洞榜单。CPR 还指出,教育/研究行业是首要攻击目标。
Trickbot 可窃取财务信息、帐户登录凭证及个人身份信息,并在网络中横向传播、投放勒索软件。自 1 月份 Emotet 遭到打击以来,Trickbot 已经第五次位居恶意软件排行榜榜首。Trickbot 不断添加新的功能、特性和传播向量,这让它成为一种灵活的可自定义的恶意软件,广泛用于多目的攻击活动。
新漏洞“Apache HTTP 服务器目录遍历漏洞”跻身 10 月份十大最常被利用漏洞榜单,排名第十。当它首次被发现时,Apache 的开发人员在 Apache HTTP 服务器 2.4.50 中发布了针对 CVE-2021-41773 的修复程序。然而,事实表明此次修复不够全面,Apache HTTP 服务器中仍然存在目录遍历漏洞。攻击者可利用这一漏洞访问受影响系统上的任意文件。
Check Point 软件技术公司研究副总裁 Maya Horowitz 表示:“Apache 漏洞在 10 月初才被公之于众,但却已是全球十大最常被利用的漏洞之一,这表明了攻击者行动速度之快。该漏洞将引发攻击者发起路径遍历攻击,进而将 URL 映射到预期文档根目录外部文件。Apache 用户必须采取相应的保护措施。本月,经常用于投放勒索软件的 Trickbot 再次成为最猖獗的恶意软件。在全球范围内,每周每 61 家机构中就有一家受到勒索软件的影响。这一数字令人震惊,各公司需要采取更多措施。许多攻击都是从一封简单的电子邮件开始,因此确保用户了解如何识别潜在威胁是企业可部署的最重要的防御措施之一。”
CPR 还指出,本月,教育/研究行业是全球首要攻击目标,其次是通信行业和政府/军事部门。“Web 服务器恶意 URL 目录遍历漏洞”是最常被利用的漏洞,全球 60% 的机构被波及,其次是“Web Server Exposed Git 存储库信息泄露”,影响了全球 55% 的机构。“HTTP 标头远程代码执行”在最常被利用的漏洞排行榜中仍位列第三,全球影响范围为 54%。
头号恶意软件家族
* 箭头表示与上月相比的排名变化。
本月,Trickbot 是最猖獗的恶意软件,全球 4% 的机构受到波及,其次是 XMRig 和 Remcos,分别影响了全球 3% 和 2% 的企业与机构。
全球受攻击最多的行业:
本月,教育/研究行业是全球首要攻击目标,其次是通信行业和政府/军事部门。
最常被利用的漏洞
本月,“Web 服务器恶意 URL 目录遍历漏洞”是最常被利用的漏洞,全球 60% 的机构因此遭殃,其次是“Web Server Exposed Git 存储库信息泄露”,影响了全球 55% 的机构。“HTTP 标头远程代码执行”在最常被利用的漏洞排行榜中仍位列第三,全球影响范围为 54%。
主要移动恶意软件
本月,xHelper 仍位列最猖獗的移动恶意软件榜首,其次是 AlienBot 和 XLoader。
Check Point《全球威胁影响指数》及其《ThreatCloud 路线图》基于 Check Point ThreatCloud 情报数据撰写而成。ThreatCloud 提供的实时威胁情报来自于部署在全球的企业数据中心网络、用户端点和移动设备上的数亿个传感器。AI 引擎和 Check Point 软件技术公司情报与研究部门 Check Point Research 的独家研究数据进一步丰富了情报内容。
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。