


Bagaimana kecerdasan buatan akan membantu perusahaan melawan perisian tebusan dan mencegah pelanggaran keselamatan awan
Setiap tahun, dunia keselamatan siber menghadapi cabaran dan halangan baharu yang perlu ditangani oleh perniagaan, dan kami melihat, sebagai contoh, bagaimana tahun 2021 akan menjadi tahun yang sangat berbahaya. Paling ketara, perisian tebusan telah menjadi topik hangat dalam industri berikutan beberapa siri insiden berprofil tinggi yang melibatkan organisasi seperti Kaseya dan Perkhidmatan Kesihatan Ireland menjadi mangsa.
Selain itu, serangan perisian tebusan terhadap JBS Corporation jelas menunjukkan potensi keterukan serangan rantaian bekalan. Secara lebih luas, peralihan yang berterusan kepada kerja hibrid dan penggunaan pesat pengkomputeran awan juga bermakna perniagaan mesti menilai semula infrastruktur keselamatan mereka untuk memastikan pekerja jauh dilindungi secukupnya.
Jadi, bagaimanakah pengajaran pada tahun 2021 akan membentuk landskap keselamatan siber pada tahun-tahun akan datang? Berikut ialah lima aspek keselamatan siber yang akan berkembang dalam masa terdekat.
1. Keselamatan awan akan menghadapi tekanan yang semakin meningkat
Pertama, perisian tebusan akan beralih kepada mencuri dan menyulitkan data awan. Walaupun ini kadangkala berlaku melalui serangan ke atas pemproses data pihak ketiga (seperti yang kita lihat data ahli Parti Buruh ditahan untuk wang tebusan). Seterusnya, kita akan melihat bahawa di bawah model "tanggungjawab bersama", data pelanggan akan semakin diserang secara langsung oleh kumpulan ransomware.
2. Ambil langkah proaktif untuk meminimumkan serangan ransomware
Dari segi mencegah ransomware, kita akan melihat lebih ramai lagi akan ada orang awam tindakan keras terhadap geng ransomware, dan pengawasan rasmi keselamatan maklumat akan meningkat disebabkan oleh kelaziman serangan ransomware. Walau bagaimanapun, kita juga akan melihat bahawa banyak sektor awam tidak bersedia untuk menangani ancaman ini. Akhir sekali, kita akan melihat bahawa akibat perisian tebusan berbanding kehilangan atau pelanggaran data akan dikurangkan secara relatif, kerana perisian tebusan yang dikendalikan manusia dikesan dan dihentikan sebelum ia berjaya meletup.
Adalah semakin penting bagi perusahaan untuk mempunyai seni bina pertahanan keselamatan yang mendalam yang meliputi rangkaian dan titik akhir serta boleh mengesan dan menghentikan serangan ini dengan cepat. Tumpuan adalah pada pencegahan daripada melakukan operasi pemulihan yang memakan masa daripada sandaran atau, lebih teruk, perlu membayar wang tebusan. Pelan kesinambungan perniagaan mesti sentiasa diselaraskan untuk mengambil kira dengan betul risiko peningkatan perisian tebusan kepada perniagaan individu, sambil melabur dengan sewajarnya untuk mencegah dan meminimumkan masa henti yang disebabkan oleh serangan.
3. Permintaan yang semakin meningkat daripada perusahaan untuk perkhidmatan pengesanan dan tindak balas terurus dan automasi
Selain perisian tebusan, walaupun bilangan perkhidmatan keselamatan terurus akan terus berkembang, tetapi anak syarikat utama organisasi akan menghadapi kekurangan bakat dalam bidang automasi, orkestrasi dan kecerdasan buatan yang dipertingkatkan oleh penganalisis. Perniagaan akan menyedari bahawa penyumberan luar persekitaran perniagaan kepada entiti luaran boleh menjadi sukar dan beberapa sumber dalaman yang lengkap dan disokong boleh menjadi lebih berkesan daripada sejumlah besar sumber luaran.
4. Lebih banyak penggunaan kecerdasan buatan untuk memerangi penggunaan berniat jahat pengesahan pelbagai faktor (MFA)
Satu lagi bidang kebimbangan ialah sekitar pengesahan berbilang faktor Pengesahan Faktor (MFA). Beberapa gergasi teknologi utama seperti Microsoft dan Google sedang melaksanakan MFA. Ini sebahagian besarnya kerana penyerang terus berjaya mencuri bukti kelayakan dan memintas proses pengesahan asas Walau bagaimanapun, manakala MFA adalah langkah yang perlu diambil oleh setiap syarikat - penjenayah terus membuktikan bahawa ia tidak mencukupi untuk menghalang mereka. Dalam sesetengah kes, penjenayah malah menggunakan bot untuk membantu mereka berurusan dengan MFA, yang akan terus menjadi perjuangan yang sukar untuk perniagaan. Akibatnya, kita akan melihat lebih banyak perusahaan beralih kepada alatan keselamatan yang dikuasakan AI untuk membantu menghentikan serangan yang memintas MFA.
5 Kerajaan dan pengawal selia memberi lebih perhatian kepada keselamatan siber
Selepas beberapa serangan terhadap infrastruktur kritikal negara, Presiden Biden Perintah eksekutif untuk menambah baik. keselamatan siber yang dikeluarkan pada Mei 2021 bertujuan meningkatkan standard keselamatan siber dengan ketara. Kami menjangkakan untuk melihat kerajaan lain mengambil pendekatan yang semakin mantap terhadap kawalan keselamatan siber yang bermakna dan berkesan, bertujuan untuk menjadi lebih berdaya tahan dalam menghadapi serangan siber yang serius. Inisiatif oleh pengawal selia UK, seperti Penetration Stress Testing Mechanism (CBEST) dalam perkhidmatan kewangan dan rejim TBEST dalam telekomunikasi, yang akan menggalakkan pendekatan yang diterajui perisikan ancaman keselamatan untuk menilai secara objektif kerentanan terhadap serangan, hampir pasti akan berkembang ke jabatan penting lain. .
Sentiasa bersedia
Halangan baharu berkaitan keselamatan akan sentiasa timbul, jadi adalah penting bagi perniagaan bersedia lebih awal Bersedia untuk memastikan anda mempunyai perlindungan terbaik terhadap potensi ancaman. Untuk mencapai matlamat ini, organisasi harus melihat untuk melaksanakan strategi pengesanan dan tindak balas. Ini selalunya melibatkan penggunaan gabungan kecerdasan buatan dan teknik pembelajaran mesin (ML) untuk mencari operasi bersilang ini yang dibenarkan tetapi menunjukkan tingkah laku yang mencurigakan, serta tingkah laku tertentu yang akan ditunjukkan oleh musuh semasa melancarkan serangan.
Jika perniagaan percaya mereka telah terjejas dan aktif mencari tanda, mereka akan berada dalam kedudukan yang lebih baik untuk mengesan serangan dan kemudian menghentikannya sebelum ia menyebabkan kerosakan.
Atas ialah kandungan terperinci Bagaimana kecerdasan buatan akan membantu perusahaan melawan perisian tebusan dan mencegah pelanggaran keselamatan awan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S

Menurut berita dari laman web ini pada 5 Julai, GlobalFoundries mengeluarkan kenyataan akhbar pada 1 Julai tahun ini, mengumumkan pemerolehan teknologi power gallium nitride (GaN) Tagore Technology dan portfolio harta intelek, dengan harapan dapat mengembangkan bahagian pasarannya dalam kereta dan Internet of Things dan kawasan aplikasi pusat data kecerdasan buatan untuk meneroka kecekapan yang lebih tinggi dan prestasi yang lebih baik. Memandangkan teknologi seperti AI generatif terus berkembang dalam dunia digital, galium nitrida (GaN) telah menjadi penyelesaian utama untuk pengurusan kuasa yang mampan dan cekap, terutamanya dalam pusat data. Laman web ini memetik pengumuman rasmi bahawa semasa pengambilalihan ini, pasukan kejuruteraan Tagore Technology akan menyertai GLOBALFOUNDRIES untuk membangunkan lagi teknologi gallium nitride. G
