2022 年 11 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)发布了其 2022 年 10 月最新版《全球威胁指数》报告。本月,键盘记录器 AgentTesla 位居传播最广泛的恶意软件榜首,影响了全球 7% 的机构。信息窃取程序 Lokibot 引发的攻击事件数量显著增加,五个月来首次位列排行榜第三位。此外,报告还披露了影响 Apache Commons Text 库的新漏洞 Text4Shell。
Lokibot 是一种商品信息窃取程序,可从各种应用中获取凭证,包括:Web 浏览器、电子邮件客户端及 IT 管理工具。作为一种木马程序,其目标是伪装成合法程序潜入用户系统。它可通过网络钓鱼电子邮件、恶意网站、短消息及其他消息传递平台进行传播。该信息窃取程序的日益猖獗可能与以在线查询、订单和付款确认消息为主题的垃圾邮件攻击活动的增加有关。
10 月份还披露了一个新的重大漏洞 — Text4Shell (CVE-2022-42889)。该漏洞基于 Apache Commons Text 的功能,允许通过网络发起攻击,而无需任何特定权限或用户交互。Text4shell 很像 Log4Shell 漏洞,后者被披露已一年之久,作为一项主要威胁,在 10 月份排行榜中位列第二。尽管 Text4Shell 没有跻身本月最常被利用的漏洞排行榜,但已经影响了全球超过 8% 的机构,Check Point 将继续密切关注其所产生的影响。
Check Point 软件技术公司研究副总裁 Maya Horowitz 表示:“本月排名发生了很大的变化,一组新恶意软件家族构成了三大害。有意思的是,Lokibot 如此迅速地重返榜单第三位,这表明网络钓鱼攻击呈现增长趋势。随着我们进入 11 月购物旺季,人们必须保持警惕,并留意可能附带恶意代码的可疑电子邮件。务必注意一些蛛丝马迹,例如不熟悉的发件人、个人信息提交请求和链接。如有疑问,请直接访问网站并从经过验证的来源查找相应的联系信息,确保您已安装恶意软件防护。”
CPR 还指出,“Web Server Exposed Git 存储库信息泄露”是最常被利用的漏洞,全球 43% 的机构因此遭殃,紧随其后的是“Apache Log4j 远程代码执行”,影响了 41% 的机构。10 月,教育/研究行业仍在全球首当其冲的行业中位列第一。
头号恶意软件家族
* 箭头表示与上月相比的排名变化。
本月,AgentTesla 是传播最广泛的恶意软件,全球 7% 的企业受到波及,其次是 SnakeKeylogger 和 Lokibot,分别影响了全球 5% 和 4% 的企业与机构。
最常被利用的漏洞
本月,“Web Server Exposed Git 存储库信息泄露”仍是最常被利用的漏洞,全球 43% 的机构因此遭殃。其次是“Apache Log4j 远程代码执行”,仍然位居第二,影响了 41% 的企业与机构,“HTTP 标头远程代码执行”位列第三,全球影响范围为 39%。
主要移动恶意软件
本月,Anubis 位列最猖獗的移动恶意软件榜首,其次是 Hydra 和 Joker。
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
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。