2022 年 12 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 11 月最新版《全球威胁指数》报告。本月,来势凶猛的木马恶意软件 Emotet 在夏季短暂沉寂后再度来袭。Qbot 自 2021 年 7 月以来首次位列排行榜第三位,全球影响范围为 4%;Raspberry Robin 攻击显著增加,这种复杂的蠕虫通常使用恶意 U 盘感染设备。
2022 年 7 月,Check Point Research (CPR) 报告称,Emotet 的全球影响范围和攻击活动大幅减少,但其隐匿或许只是暂时的。不出所料,这种自我传播的木马恶意软件现已重返指数榜单,于 11 月成为第二大传播广泛的恶意软件,影响了全球 4% 的机构。尽管 Emotet 最初只是一种银行木马,但其模块化设计使它能够演变成其他类型的恶意软件的分发程序,并通常通过网络钓鱼攻击活动进行传播。Emotet 肆虐程度的加剧在某种程度上可能是由于 11 月发起的一系列新的恶意垃圾邮件攻击活动所致。
此外,自 2021 年 7 月以来,窃取银行凭证和记录击键次数的木马 Qbot 首次位列头号恶意软件排行榜第三位,全球影响范围为 4%。该恶意软件背后的攻击者是意图非法牟利的网络犯罪分子,他们从受感染的系统中窃取财务数据、银行凭证和 Web 浏览器信息。一旦系统感染得逞,Qbot 攻击者便会趁机安装后门,以授予勒索软件运营组织访问权限,导致双重勒索攻击侵害。11 月,Qbot 利用 Windows 零日漏洞授予了攻击者全面访问受感染网络的权限。
本月,Raspberry Robin 也有所增加,这是一种复杂的蠕虫,通过U盘或其他移动存储设备,附带看似合法但实际上能够感染受害者机器的 Windows 快捷方式文件。Microsoft 发现它已经从一种广泛散播的蠕虫演变为一个分发恶意软件的感染平台,不仅与其他恶意软件家族有关,而且还有替代感染方法,不仅限于其最初的 U 盘传播。
Check Point 软件技术公司研究副总裁 Maya Horowitz 表示:“尽管这些复杂的恶意软件在静默期潜伏起来,但过去几周的情况警醒我们,它们不会长期销声匿迹。我们大家切不可懈怠,必须在打开电子邮件、点击链接、访问网站或共享个人信息时保持警惕。”
CPR 还指出,“Web 服务器恶意 URL 目录遍历漏洞”是最常被利用的漏洞,全球 46% 的机构受到波及,紧随其后的是“Web Server Exposed Git 存储库信息泄露”,全球影响范围为 45%。11 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。
AgentTesla 仍是本月最猖獗的恶意软件,全球 6% 的机构因此遭殃,其次是新上榜木马 Emotet 和 Qbot。
主要移动恶意软件
Anubis 仍然是本月最猖獗的移动恶意软件,其次是 Hydra 和 AlienBot。
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
The Access Group是英国最大的软件公司,估值近100亿英镑。该公司APAC区域技术总监Rolf Krolke分享了公司在频繁并购活动中如何整合各异IT系统的经验。由于自2017年来年均约10次收购,公司面临存储基础设施分散、维护困难等挑战。目前正推进存储现代化项目,将传统存储设备替换为Pure Storage全闪存阵列,并计划在全球10个数据中心部署数十PB容量,以支持新的Access Evo平台和AI应用。
清华大学团队开发了CAMS智能框架,这是首个将城市知识大模型与智能体技术结合的人类移动模拟系统。该系统仅需用户基本信息就能在真实城市中生成逼真的日常轨迹,通过三个核心模块实现了个体行为模式提取、城市空间知识生成和轨迹优化。实验表明CAMS在多项指标上显著优于现有方法,为城市规划、交通管理等领域提供了强大工具。
随着AI模型参数达到数十亿甚至万亿级别,工程团队面临内存约束和计算负担等共同挑战。新兴技术正在帮助解决这些问题:输入和数据压缩技术可将模型压缩50-60%;稀疏性方法通过关注重要区域节省资源;调整上下文窗口减少系统资源消耗;动态模型和强推理系统通过自学习优化性能;扩散模型通过噪声分析生成新结果;边缘计算将数据处理转移到网络端点设备。这些创新方案为构建更高效的AI架构提供了可行路径。
MIT研究团队发现了一个颠覆性的AI训练方法:那些通常被丢弃的模糊、失真的"垃圾"图片,竟然能够训练出比传统方法更优秀的AI模型。他们开发的Ambient Diffusion Omni框架通过智能识别何时使用何种质量的数据,不仅在ImageNet等权威测试中创造新纪录,还为解决AI发展的数据瓶颈问题开辟了全新道路。