2023 年 7 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 2023 年 6 月《全球威胁指数》报告。研究人员发现,木马 Qbot 是 2023 年上半年最猖獗的恶意软件,已有五个月位列榜首。与此同时,移动木马 SpinOk 在上个月被发现后首次登上了恶意软件排行榜首位。该勒索软件在文件共享软件 MOVEIt 暴出零日漏洞后登上新闻头条。
最初于 2008 年作为银行木马现身的 Qbot 经过了持续开发并添新功能,其目的在于窃取用户密码、电子邮件及信用卡信息。它通常通过垃圾邮件传播,并采用反 VM、反调试和反沙盒方法等各种技术来阻碍分析和规避检测。目前,其主要作用是充当其他恶意软件的加载程序,并驻留在目标机构内,作为勒索软件运营组织发起攻击的跳板。
与此同时,研究人员发现了一种传播甚广的移动恶意软件,其累计下载量现已达到 4.21 亿次。上月,木马化软件开发套件 (SDK) SpinOk 首次登上了移动恶意软件榜首。许多热门应用都使用该恶意软件进行营销,因此它已渗入许多热门应用和游戏中,其中一些应用和游戏可从 Google Play 商店下载。SpinOk 恶意软件能够从设备中窃取敏感信息并监控剪贴板活动,对用户隐私和安全构成了严重威胁,再次凸显采取主动措施保护个人数据和移动设备的必要性,并提醒我们软件供应链攻击的破坏性潜力不容小觑。
上个月还爆发了一场波及全球的大规模勒索软件攻击活动。2023 年 5 月,Progress Software Corporation 披露了 MOVEit Transfer 和 MOVEit Cloud 中的一个漏洞 (CVE-2023-34362),它可能允许未经授权的环境访问。尽管在 48 小时内得到了修补,但包括 7 所美国大学在内的 108 家机构已被证实遭到攻击,数十万份记录遭到窃取。
Check Point 软件技术公司研究副总裁 Maya Horowitz 表示:“MOVEit 漏洞表明,2023 年将又是勒索软件肆虐之年。Clop 等臭名昭著的团伙没有费力去感染单个目标,而是通过利用企业环境中广泛使用的软件来提高其攻击效力。该手段意味着他们可以一次攻击中攻击数百名受害者。这种攻击模式凸显了公司实施多层网络安全战略的重要性,以及在漏洞披露后尽快修补的必要性。”
Check Point Research还指出,“Web 服务器恶意 URL 目录遍历漏洞”是上月最常被利用的漏洞,全球 51% 的企业因此遭殃,其次是“Apache Log4j 远程代码执行”,影响了全球 46% 的机构。“HTTP 标头远程代码执行”是第三大最常被利用的漏洞,全球影响范围为 44%。
头号恶意软件家族
* 箭头表示与上月相比的排名变化。
Qbot 是上个月最猖獗的恶意软件,全球 7% 的机构受到波及,其次是 Formbook 和 Emotet,分别影响了全球 4% 和 3% 的机构。
主要移动恶意软件
上月,SpinOk 跃居最猖獗的移动恶意软件榜首,其次是 Anubis 和 AhMyth。
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这些情报内容。
好文章,需要你的鼓励
近期数据显示,2026年5月前企业已宣布约9万个与AI相关的裁员岗位,部分预测称未来五年美国15%的工作将被AI取代。然而,Ramp与Revelio Labs追踪近2.2万家企业的最新报告显示:重度投入AI的企业反而实现了更快的人员增长,包括初级岗位在内的各职能人数均有上升。但这一数据主要来自技术型企业,能否普遍适用仍存疑。报告同时指出,资源匮乏的企业可能在AI浪潮中持续落后。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
AI数据中心开发商向多家电力公司同时提交大负荷接入申请以确定选址,导致区域需求预测虚高、电网投资失衡。美国联邦能源监管委员会(FERC)及ERCOT、PJM、SPP等机构正推动"承诺优先"规划机制,要求项目具备实质性商业承诺方可纳入长期传输规划。谷歌、亚马逊、微软、OpenAI等科技巨头支持建立标准化的项目成熟度评估体系,但各方在具体机制上仍存分歧。发电建设问题尚未被纳入联邦传输改革议程。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。