该报告详细介绍了网络攻击的各个方面,包括部署允许远程访问系统的后门成为去年攻击者的首要活动,这些案例中约有三分之二与勒索软件有关,防御者可以在部署勒索软件之前检测到后门。
报告指出,后门的增加一部分要因于这么做能带来较高的市场价值。X-Force报告观察到,威胁行为者以高达一万美金的价格出售现有后门的访问权限,而被盗的信用卡数据如今售价不到10美元。
IBM Security X-Force负责人Charles Henderson解释说:“向检测和响应的转变,使防御者能够在攻击链的早期破坏对手,这可以在短期内放缓勒索软件的发展。但眼下的后门问题变成未来的勒索软件危机,只是时间上的问题。攻击者最终总能找到新的方法来逃避检测。”
IBM Security X-Force威胁情报指数报告对新的和现有的趋势和攻击模式进行追踪,从网络和端点设备、事件响应参与和其他来源的数十亿个数据点中提取数据。
该报告的主要发现包括,2022年网络攻击最常见的影响是勒索,主要是通过勒索软件或者企业电子邮件泄露攻击实现的,并且欧洲是勒索攻击的主要目标地区,占观察到的勒索案件的44%,因为威胁行为者试图利用地缘政治紧张局势趁虚而入。
报告发现,网络犯罪分子把电子邮件对话内容作为一种武器,此外在2022年线程劫持也出现显着增加。据观察,攻击者使用遭到入侵的电子邮件帐户冒充原始参与者在正在进行的对话中进行回复,与2021年的数据相比,每月尝试的频率增加了100%。
在意料中的一点是,2022年遗留漏洞依然存在,但数量有所改善。该报告发现,由于漏洞数量在2022年再创历史新高,利用已知漏洞所占的比例在2018年到2022年期间下降了10个百分点。
该报告还详细说明了网络犯罪分子通常是如何通过勒索计划以最脆弱的行业、企业和地区为目标,施加心理压力迫使受害者付款的。2022年受勒索最严重的行业是制造业,连续第二年成为受攻击最严重的行业,因为制造业对停机时间的容忍度极低,因此也成为勒索很有吸引力的一大目标。
至于勒索软件,该报告指出,让下游受害者更容易读取被盗数据这一做法正在变得越来越普遍,而且网络犯罪分子会让客户和业务合作伙伴受到影响来增加对被破坏组织的压力。
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。