


Permintaan untuk sorotan pertahanan siber AI, kempen perisian tebusan lanjutan meningkatkan tekanan
CIO Carl Frogit dari Deep Instinct menyebut dalam temu bual bahawa fokus utama belanjawan 2024 akan beralih kepada teknologi perlindungan perisian tebusan. Beliau menjangkakan kecerdasan buatan, terutamanya pembelajaran mendalam, akan disepadukan ke dalam proses perniagaan ke tahap yang lebih besar, mengautomasikan aliran kerja dan menambah baik pengalaman tempat kerja
Apakah trend baharu dalam serangan perisian tebusan dan bagaimana perusahaan harus menggunakan teknologi AI Is sedia untuk mereka?
Data terbaharu daripada Deep Instinct mendapati bahawa jumlah mangsa ransomware akan meningkat dengan pesat menjelang 2023. Anehnya, akan terdapat lebih ramai mangsa serangan ransomware pada separuh pertama tahun 2023 berbanding sepanjang tahun 2022 Lagi. Sebagai tambahan kepada liputan media mengenai trend yang semakin meningkat ini, organisasi bukan untung yang dihormati seperti FS-ISAC juga telah mengakui masalah dengan aliran ini
Ini menunjukkan bahawa pendekatan semasa kami gagal dalam menangani landskap ancaman yang sentiasa berubah. Kemunculan perisian tebusan telah mengubah pendekatan "mengesan dan bertindak balas" kami, yang tidak dapat mengikuti perkembangan varian baharu. Akibatnya, kita melihat jumlah mangsa semakin meningkat. Untuk menghadapi cabaran ini, kami perlu mengubah strategi kami sekali lagi
Teknik penyerang telah berubah dan serangan perisian tebusan sedang dijalankan kerana kempen berskala besar yang menjejaskan sejumlah besar mangsa secara serentak, seperti yang kita lihat tahun ini eksploitasi Zimbra dan MOVEit adalah sama . Dengan penggunaan pesat AI oleh pelakon jahat, kita akan melihat evolusi berterusan perisian hasad yang lebih canggih daripada sebelumnya.
Keupayaan canggih AI membolehkan kami mengelak perisian tebusan dan serangan siber lain, bukan hanya mengesan dan bertindak balas terhadapnya. Bukti sedia ada menunjukkan bahawa tindak balas tidak lagi cukup baik dan kita perlu kembali kepada falsafah yang mengutamakan pencegahan, memanfaatkan AI untuk membenamkan keupayaan pencegahan dalam infrastruktur, storan dan aplikasi perniagaan Di sinilah perusahaan benar-benar dapat melindungi diri mereka daripada bentuk lanjutan The only cara untuk memerangi perisian tebusan dan ancaman, terutamanya dengan memanfaatkan bentuk AI yang lebih canggih, seperti pembelajaran mendalam
Bagaimanakah pembelajaran mendalam berbeza daripada model pembelajaran mesin standard apabila ia berkaitan dengan mengenal pasti dan mengurangkan ancaman perisian tebusan
Dan Bukan semua AI dicipta sama, dan ini benar terutamanya apabila membandingkan pembelajaran mendalam dan penyelesaian berasaskan pembelajaran mesin. Kebanyakan alat keselamatan siber memanfaatkan model pembelajaran mesin, tetapi model ini mempunyai beberapa kelemahan dalam mencegah ancaman. Sebagai contoh, produk ini hanya menggunakan subset terhad data tersedia untuk latihan (biasanya 2%-5%), hanya boleh memberikan ketepatan 50%-70% untuk ancaman yang tidak diketahui dan menghasilkan banyak positif palsu. Penyelesaian pembelajaran mesin juga memerlukan campur tangan manusia yang ketara dan hanya dilatih pada set data kecil, yang mendedahkan mereka kepada berat sebelah dan ralat manusia
Perpustakaan digital dibina pada rangkaian saraf, berbanding dengan cara lain , "otak"nya boleh terus melatih dirinya melalui mentah data. Oleh kerana model pembelajaran mendalam memahami blok binaan fail berniat jahat, program keselamatan berasaskan pencegahan ramalan boleh dilaksanakan dan digunakan untuk meramalkan tingkah laku berniat jahat pada masa hadapan dan mengesan serta mencegah ancaman yang tidak diketahui, perisian tebusan dan serangan sifar hari
Untuk perusahaan dan Untuknya operasi keselamatan rangkaian, menggunakan penyelesaian berasaskan perpustakaan digital mempunyai kelebihan yang ketara. Pertama, berbanding dengan penyelesaian berasaskan pembelajaran mesin, pengesanan berterusan penyelesaian terhadap perisian hasad yang diketahui dan tidak diketahui adalah sangat cekap, dengan kadar positif palsu yang sangat rendah. Pembelajaran Dalam hanya perlu dikemas kini sekali atau dua kali setahun untuk mengekalkan kesan ini, dan pantas serta mesra privasi kerana ia berjalan secara bebas tanpa memerlukan carian awan berterusan atau perkongsian intel, tanpa memerlukan sebarang analisis awan
Bagaimanakah teknologi pembelajaran mendalam boleh mengurangkan positif palsu, dan apakah kesan yang berpotensi terhadap penjimatan kos perusahaan
Pasukan Pusat Operasi Keselamatan (SOC) dibanjiri dengan amaran dan potensi ancaman keselamatan yang perlu disiasat, menggunakan alat pembelajaran mesin tradisional? seperti Penyelesaian anti-virus tradisional, pasukan bergelut untuk menentukan makluman yang benar-benar bernilai disiasat berbanding bunyi bising. Terdapat banyak sebab untuk ini, tetapi falsafah "mengesan dan bertindak balas" bermakna anda perlu mengumpul banyak data, yang mahal untuk disimpan dan diselenggara, dan seperti yang akan dikatakan oleh mana-mana ahli SOC, kadar positif palsu adalah sangat tinggi.
Ini memberi kesan kepada keberkesanan SOC - mereka tidak dapat melindungi perusahaan, dan ia juga mempunyai kesan lain terhadap keupayaan untuk mengekalkan pasukan SOC. Jumlah dan sifat intensif masa menangani makluman positif palsu menjejaskan kesihatan mental pasukan keselamatan, dengan lebih separuh daripada pasukan SOC mengatakan tahap tekanan mereka telah meningkat dalam tempoh 12 bulan yang lalu disebabkan oleh "kekangan kakitangan dan sumber. ." Tanpa teknologi yang betul, pasukan SOC, yang sudah bergelut dengan kekangan bakat, terpaksa memberi tumpuan kepada tugas pemantauan biasa.
Penyelesaian yang dikuasakan oleh pembelajaran mendalam berjaya menyelesaikan masalah ini dengan ketepatan yang sangat tinggi dan kadar penggera palsu yang sangat rendah, yang membolehkan pasukan SOC lebih masa untuk memberi tumpuan kepada makluman yang benar-benar boleh diambil tindakan dan bertindak balas dengan cara yang lebih Cekap untuk mengesan ancaman dengan lebih pantas. Dengan meluangkan masa pada ancaman sebenar, mereka boleh mengoptimumkan postur ancaman mereka dan terlibat dalam pemburuan ancaman yang lebih proaktif, meningkatkan postur risiko perusahaan dengan ketara
Apabila perusahaan mula membuat belanjawan untuk tahun 2024, mereka harus mengutamakan pelaburan dalam teknologi pencegahan perisian tebusan
Dengan 62 % CEO yang mengesahkan perisian tebusan sebagai kebimbangan utama mereka sepanjang tahun lalu, perniagaan dijangka melaraskan belanjawan mereka dan meningkatkan pelaburan dalam teknologi pencegahan untuk melindungi daripada perisian tebusan menjelang perisian 2024, ancaman yang diketahui dan tidak diketahui serta perisian hasad lain
Industri telah bergantung pada penyelesaian lapuk dan reaktif, seperti Pengesanan dan Tindak Balas Titik Akhir (EDR), untuk memberikan perlindungan. Walaupun alat EDR masih berguna dari perspektif susulan, jika syarikat hanya melabur dalam alat ini, mereka "menganggap pelanggaran" dan berharap usaha pemulihan akan berjaya. Jelas sekali, pendekatan ini gagal dengan cepat setiap tahun disebabkan perubahan dalam landskap ancaman. Sama seperti penyelesaian Tandatangan akhirnya gagal dan kami berpindah ke EDR, EDR berada pada titik pecah yang sama. Oleh itu, industri secara keseluruhannya perlu mengambil pendekatan yang lebih maju dan proaktif terhadap keselamatan
Malah, IDC baru-baru ini meramalkan bahawa perlindungan titik akhir akan muncul dalam beberapa bentuk apabila perusahaan mencari keupayaan EDR yang lebih baik dan cenderung menawarkan produk kelahiran semula yang lebih berkesan. Kami berada dalam tempoh bulan madu selepas EDR, dengan pencegahan ramalan berkuat kuasa sepenuhnya, menghentikan serangan sebelum ia memasuki rangkaian anda.
Satu-satunya cara untuk memerangi ancaman AI yang semakin canggih ialah beralih daripada mentaliti "bagaimana jika melanggar" kepada pendekatan proaktif dan pencegahan terhadap keselamatan siber. Pasukan keselamatan tidak boleh bergantung semata-mata pada alat lapuk untuk menghadapi cabaran AI Sebaliknya, perusahaan harus menggunakan penyelesaian keselamatan siber asli berdasarkan model pembelajaran mendalam untuk memperlahankan volum dan halaju ancaman AI yang berkembang. Menjelang 2024, kita akan melihat perusahaan memberi ruang dalam belanjawan mereka untuk menyepadukan teknologi AI termaju ke dalam strategi keselamatan siber mereka untuk meningkatkan daya tahan keselamatan dan mengurangkan kemungkinan serangan yang berjaya
Bagaimana anda meramalkan AI, model pembelajaran mendalam, khususnya, akan menjadi lebih disepadukan ke dalam proses perniagaan pada tahun akan datang
Pada tahun 2023, kami melihat AI muncul, dan pada tahun 2024, AI akan menjadi sebahagian daripada perancangan perniagaan, proses dan membuat keputusan Ini termasuk automasi, contohnya Aliran kerja, proses pengoptimuman dan mengutamakan makluman yang kita lihat dalam pembantu AI adalah ciri tambahan yang tidak menghalang, tetapi hanya membantu pada masa ini.
Selain itu, apabila AI menjadi bersepadu sepenuhnya, generasi muda tidak akan mempunyai pengalaman praktikal yang sama dengan tugas di tempat kerja seperti penyelesaian masalah, gangguan dan insiden keselamatan, kerana kebanyakan tugas ini akan diautomasikan oleh AI. Bagi pemimpin, persoalannya akan menjadi: Bagaimanakah kita boleh terus membangun dan membentuk kemahiran dan kerjaya orang ramai apabila peluang untuk mempelajari asas tenaga kerja hilang. Saya menjangkakan soalan ini akan dijawab menjelang akhir tahun depan?
Atas ialah kandungan terperinci Permintaan untuk sorotan pertahanan siber AI, kempen perisian tebusan lanjutan meningkatkan tekanan. 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

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

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

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

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

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

Menurut berita dari laman web ini pada 1 Ogos, SK Hynix mengeluarkan catatan blog hari ini (1 Ogos), mengumumkan bahawa ia akan menghadiri Global Semiconductor Memory Summit FMS2024 yang akan diadakan di Santa Clara, California, Amerika Syarikat dari 6 hingga 8 Ogos, mempamerkan banyak produk penjanaan teknologi baru. Pengenalan kepada Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage), dahulunya Sidang Kemuncak Memori Flash (FlashMemorySummit) terutamanya untuk pembekal NAND, dalam konteks peningkatan perhatian kepada teknologi kecerdasan buatan, tahun ini dinamakan semula sebagai Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage) kepada jemput vendor DRAM dan storan serta ramai lagi pemain. Produk baharu SK hynix dilancarkan tahun lepas
