2022 年 1 月-- 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 12 月最新版《全球威胁指数》报告。在 Apache Log4j 漏洞席卷整个互联网的一个月内,研究人员报告称,Trickbot 依然是最猖獗的恶意软件,尽管占比略有回落,但仍影响了全球 4% 的企业与机构(11 月为 5%)。最近卷土重来的 Emotet 已经从第七位迅速跃升到第二位。CPR 还指出,教育/研究行业仍然是首要攻击目标。
本月,“Apache Log4j 远程代码执行”是最常被利用的漏洞,全球 48.3% 的机构因此遭殃。该漏洞于 12 月 9 日在 Apache 日志包 Log4j 中首次发现。Log4j 是许多互联网服务和应用中使用的最受欢迎的 Java 日志库,其 GitHub 项目的下载量超过 400,000 次。该漏洞引发了一场攻击风暴,在很短的时间内影响了全球近一半的公司。攻击者能够利用易受攻击的应用在受感染的服务器上执行加密劫持程序及其他恶意软件。到目前为止,大多数攻击均以加密货币挖矿为主要手段,致使受害者蒙受损失,然而,高级攻击者已经开始对高价值目标展开猛烈攻击并趁虚而入。
Check Point 软件技术公司研究副总裁 Maya Horowitz 表示:“Log4j 占据了 12 月份的新闻头条。这是我们所见过的最严重的漏洞之一,由于其修补复杂性和易于利用性,它可能会在未来很多年内一直存在,除非各公司立即采取措施防御攻击。本月,Emotet 僵尸网络从第七大最猖獗的恶意软件升至第二位。正如我们所猜想的那样,自 11 月再次现身以来,Emotet 很快就站稳了脚跟。它具有隐避性,并正通过附带恶意附件或链接的网络钓鱼电子邮件快速传播。现在比以往任何时候都更需要部署强大的电子邮件安全解决方案,并确保用户了解如何识别可疑邮件或附件。”
CPR 指出,本月,教育/研究行业是全球首要攻击目标,其次是政府/军事部门和 ISP/MSP。“Apache Log4j 远程代码执行”是最常被利用的漏洞,全球 48.3% 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 43.8% 的企业。“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 41.5%。
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 Emotet 和 Formbook,两者均影响了全球 3% 的企业与机构。
全球首当其冲的行业:
本月,教育/研究行业是全球首要攻击目标,其次是政府/军事部门和 ISP/MSP。
最常被利用的漏洞
本月,“Apache Log4j 远程代码执行”是最常被利用的漏洞,全球 48.3% 的企业与机构受到影响,其次是“Web Server Exposed Git 存储库信息泄露”,影响了全球 43.8% 的机构组织。“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 41.5%。
主要移动恶意软件
本月,AlienBot 位列最猖獗的移动恶意软件榜首,其次是 xHelper 和 FluBot。
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网络、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
杜克大学研究团队建立了首个专门针对Web智能体攻击检测的综合评估标准WAInjectBench。研究发现,现有攻击手段极其多样化,从图片像素篡改到隐藏弹窗无所不包。虽然检测方法对明显恶意指令有中等效果,但对隐蔽攻击几乎无能为力。研究构建了包含近千个恶意样本的测试数据库,评估了十二种检测方法,揭示了文本和图像检测的互补性。这项研究为Web智能体安全防护指明了方向,提醒我们在享受AI便利时必须保持安全意识。
生成式AI的兴起让谷歌和Meta两大科技巨头受益匪浅。谷歌母公司Alphabet第三季度广告收入同比增长12%达742亿美元,云服务收入增长33%至151.5亿美元,季度总收入首次突破千亿美元大关。Meta第三季度收入512.5亿美元,同比增长26%。两家公司都将大幅增加AI基础设施投资,Meta预计2025年资本支出提升至700亿美元,Alphabet预计达910-930亿美元。
加州大学圣地亚哥分校研究团队系统研究了AI智能体多回合强化学习训练方法,通过环境、策略、奖励三大支柱的协同设计,提出了完整的训练方案。研究在文本游戏、虚拟家庭和软件工程等多个场景验证了方法有效性,发现简单环境训练能迁移到复杂任务,监督学习初始化能显著减少样本需求,密集奖励能改善学习效果。这为训练能处理复杂多步骤任务的AI智能体提供了实用指南。