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
OpenAI首席执行官Sam Altman表示,鉴于投资者的AI炒作和大量资本支出,我们目前正处于AI泡沫中。他承认投资者对AI过度兴奋,但仍认为AI是长期以来最重要的技术。ChatGPT目前拥有7亿周活跃用户,是全球第五大网站。由于服务器容量不足,OpenAI无法发布已开发的更好模型,计划在不久的将来投资万亿美元建设数据中心。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
英伟达推出新的小型语言模型Nemotron-Nano-9B-v2,拥有90亿参数,在同类基准测试中表现最佳。该模型采用Mamba-Transformer混合架构,支持多语言处理和代码生成,可在单个A10 GPU上运行。独特的可切换推理功能允许用户通过控制令牌开启或关闭AI推理过程,并可管理推理预算以平衡准确性和延迟。模型基于合成数据集训练,采用企业友好的开源许可协议,支持商业化使用。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。