


Tiga cara kecerdasan buatan menyebabkan ancaman keselamatan siber yang teruk
Teknologi kecerdasan buatan memacu beberapa perubahan besar dalam teknologi digital. Banyak perkembangan yang dibawa oleh kecerdasan buatan adalah bermanfaat.
Walau bagaimanapun, kecerdasan buatan juga membawa beberapa dalil palsu. Salah satu isu terbesar yang ditimbulkan oleh kecerdasan buatan ialah ancaman yang semakin meningkat terhadap keselamatan siber. Semakin hari, penggodam mencari cara inovatif untuk mempersenjatai kecerdasan buatan untuk melakukan jenayah siber.
Apabila ancaman ini semakin teruk, perniagaan dan pakar keselamatan siber yang mereka harapkan perlu sedar tentang ancaman yang ditimbulkan AI di tangan penggodam dan mencari cara untuk memanfaatkan AI untuk memperkukuh pertahanan mereka sendiri.
Apakah cara paling penting untuk penggodam menggunakan kecerdasan buatan untuk menyerang sasaran mereka?
Sebagai sebuah syarikat yang mempunyai pengaruh rangkaian yang kuat, ia pasti akan melakukan yang terbaik untuk memastikan tapak webnya dan sistem kekal seaman mungkin Keselamatan. Kebimbangan terbesar bagi perniagaan adalah diserang oleh penjenayah siber dan membiarkan data perniagaan dan pelanggan jatuh ke tangan yang salah. Untuk mengelakkan perkara ini daripada berlaku, adalah penting untuk mengetahui sebarang ancaman keselamatan digital semasa.
Malangnya, teknologi AI hanya akan menjadikan ancaman keselamatan siber lebih teruk berbanding sebelum ini. Pakar industri mengatakan teknologi kecerdasan buatan digunakan oleh pakar keselamatan siber dan penggodam topi hitam. Walau bagaimanapun, penjenayah siber nampaknya mendapat manfaat sepenuhnya daripada AI, yang bermakna pakar keselamatan siber perlu lebih rajin dan komited terhadap inovasi untuk menggunakan AI dengan berkesan.
Dengan mengambil kira perkara itu, berikut ialah lihat tiga ancaman digital teratas yang semakin teruk akibat penggunaan teknologi AI, dan cara menghalangnya:
(1) Serangan Perisian Tebusan
Menurut Forbes, perisian tebusan ialah salah satu ancaman siber utama yang mengancam perniagaan kecil dan sederhana pada masa ini. Seperti namanya, penggodam akan menceroboh rangkaian syarikat dan kemudian meminta wang tebusan untuk menebus data mereka. Memandangkan kebanyakan serangan perisian tebusan bermula dengan perisian hasad yang menjangkiti komputer, selalunya melalui e-mel pancingan data, adalah penting untuk mendidik pekerja tentang cara mengenal pasti dan memadamkan e-mel ini. Selain itu, adalah berguna untuk membuat sandaran data anda dengan kerap dengan cara ini, jika pelanggaran berlaku, perniagaan boleh memulihkan data dengan cepat dan dengan masa henti yang minimum.
Pakar industri Kyle Alspach menulis artikel pada bulan Mei tahun ini tentang ancaman yang ditimbulkan oleh serangan perisian tebusan yang dipacu AI. Pakar keselamatan siber terkenal Mikko Hyppönen menyatakan bahawa serangan perisian tebusan ini akan menjadi lebih menakutkan apabila penggodam menjadi lebih mahir menggunakan teknologi kecerdasan buatan untuk mengautomasikan banyak strategi mereka.
(2) Langkah keselamatan rangkaian yang lemah
Sebab lain mengapa penjenayah siber mendapat akses kepada tapak web atau sistem korporat ialah keselamatan rangkaian syarikat ini dan pekerja mereka adalah lemah. Keselamatan siber mempunyai kaitan dengan cara pasukan organisasi menggunakan teknologi, dan betapa berhati-hati atau cuai orang dalam melindungi data sensitif. Contoh langkah keselamatan siber yang lemah termasuk tidak menggunakan pengesahan dua faktor untuk log masuk ke akaun syarikat, menulis kata laluan pada nota melekit, menggunakan rangkaian Wi-Fi yang tidak dilindungi dan bekerja dari peranti peribadi.
Memandangkan lebih ramai penggodam menggunakan kecerdasan buatan untuk mengenal pasti sasaran yang lemah, ini juga akan menjadi ancaman yang lebih besar. Penggodam sering cuba menyasarkan mereka yang mempunyai keselamatan paling lemah, jadi mereka menggunakan kecerdasan buatan untuk mengautomasikan proses mencari mangsa yang berpotensi.
Untuk membantu meningkatkan postur keselamatan siber, mulakan dengan memerlukan pengesahan dua faktor, menggunakan pengurus kata laluan dan meminta pekerja untuk tidak menggunakan peranti peribadi di tempat kerja. Selain itu, untuk membantu memastikan penggodam tidak dapat mengakses maklumat yang tersedia, adalah penting untuk memastikan bahawa sijil SSL perniagaan anda dikemas kini. Pada asasnya, apabila anda membeli sijil SSL, ia akan memastikan bahawa data yang dihantar antara pelanggan dan tapak web perniagaan tidak boleh dibaca oleh penggodam. Untuk menjadikan proses pemantauan sijil keselamatan semudah mungkin, anda mungkin mahu melalui program pengurus sijil SSL yang dibangunkan oleh syarikat seperti Sectigo. Selain pihak berkuasa sijil SSL, ia menyediakan penyelesaian keselamatan digital inovatif lain, termasuk pengurusan PKI, PKI persendirian dan perkhidmatan CA persendirian.
(3) Penyumbatan bukti kelayakan
"Penyumbatan kelayakan" merujuk kepada penjenayah siber yang menggunakan bukti kelayakan yang dicuri daripada satu syarikat untuk mendapatkan akses kepada syarikat lain. Penggodam biasanya memperoleh data ini melalui penggodaman atau pembeliannya daripada web gelap.
Mereka boleh menggunakan kecerdasan buatan untuk memburukkan lagi serangan siber ini. Alat pembelajaran mesin membantu mereka mencari hubungan antara syarikat yang berbeza supaya mereka boleh menggunakan pemadat bukti kelayakan dengan lebih cekap.
Malangnya, jenis serangan siber ini menjadi lebih biasa dan lebih sukar untuk dijejaki, terutamanya kerana penjenayah siber telah memperoleh senarai nama pengguna dan kata laluan yang sah, dan mereka kemudian menggunakan bukti kelayakan tersebut untuk log masuk ke tapak web Mangsa. Nasib baik, penipuan kelayakan boleh dicegah dengan memastikan pekerja tidak menggunakan kata laluan yang sama di tapak web yang berbeza. Memerlukan pengesahan berbilang faktor juga membantu menghalang pemadat bukti yang berjaya.
Apabila penggodam menjadi semakin kurang ajar dalam penggunaan kecerdasan buatan mereka, bersikap proaktif boleh membantu mencegah ancaman digital
Penggodam sentiasa mencari cara baharu untuk mengakses data sensitif. Teknologi kecerdasan buatan menjadikan penjenayah ini lebih menakutkan. Berita baiknya ialah dengan kecerdasan buatan menjadi ancaman yang lebih besar berbanding sebelum ini, profesional keselamatan siber boleh mengambil lebih banyak langkah berjaga-jaga untuk mengukuhkan pertahanan keselamatan mereka. Pakar keselamatan siber yang bijak juga akan mencari cara untuk menggunakan teknologi AI untuk memerangi penggodam.
Memahami taktik terkini penggodam dan kemudian mengambil pendekatan proaktif boleh menghalang pelanggaran keselamatan daripada menjejaskan tapak web anda. Dengan mendidik pasukan anda untuk mengelakkan penipuan pancingan data, membangunkan pengesahan dua faktor, menggunakan sijil SSL dan prosedur pengurusan PKI, dan menggunakan langkah keselamatan siber yang kukuh, perniagaan akan membuat kemajuan yang besar dalam meningkatkan keselamatan digital mereka.
Atas ialah kandungan terperinci Tiga cara kecerdasan buatan menyebabkan ancaman keselamatan siber yang teruk. 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
