人工智慧將如何幫助企業打擊勒索軟體和預防雲端安全漏洞
每一年,網路安全領域都面臨著新的挑戰和障礙,各企業需要進行應對,例如,我們看到 2021 年如何成為異常危險的一年。最值得注意的是,在一系列備受矚目的事件——涉及 Kaseya 和愛爾蘭衛生服務 (Irish Health Service) 等組織機構淪為受害者之後,勒索軟體一直是業界的熱門話題。
此外,針對 JBS 公司的勒索軟體攻擊也清楚地表明了供應鏈攻擊的潛在嚴重性。更廣泛地說,不斷地向混合工作方式轉變和快速採用雲端運算,也意味著各企業必須重新評估其安全基礎設施,以確保遠端工作人員得到充分保護。
那麼,2021 年的經驗將如何塑造未來幾年的網路安全格局?以下是網路安全領域的五個方面,將在不遠的將來得以發展。
1. 雲端安全將面臨越來越大的壓力
#首先,勒索軟體將轉向竊取和加密雲端資料。雖然這種情況有時是透過攻擊第三方資料處理器而導致發生的(正如我們看到工黨成員的資料被勒索)。接下來,我們將看到,在「責任共擔」模式下,客戶端的資料將越來越多地遭受勒索軟體團伙的直接攻擊。
2. 主動採取措施,盡量減少勒索軟體攻擊
#在防範勒索軟體方面,我們將越來越多地看到公開打擊勒索軟體團夥,由於勒索軟體攻擊的普遍存在,對資訊安全的正式監管也將增加。然而,我們也將看到許多公共部門在應對這項威脅方面準備不足。最後,我們將看到相對於資料遺失或外洩而言,勒索軟體所產生的後果會相對減少,因為人為操作的勒索軟體在其成功爆發之前就被發現並進行阻止。
對於企業而言,擁有涵蓋網路和端點的深度安全防禦架構,並且可以快速偵測和阻止這些攻擊行為,這將變得越來越重要。其重點是預防而不是從備份中進行耗時的恢復操作,或者更糟的是不得不支付贖金。必須不斷調整業務連續性計劃,以適當考慮勒索軟體對各個企業帶來的更高風險,同時要進行適當的投入以防止和最大限度地減少攻擊所造成的停機時間。
3. 各企業對「託管偵測與回應」服務及自動化的需求不斷增長
除勒索軟體之外,儘管託管安全服務的數量將持續增加,但各企業的重要下屬部門將面臨在自動化、編制、分析師增強型人工智慧領域缺乏人才的問題。各企業會意識到,將業務環境外包給外部實體可能非常困難,而一些設備精良且受到支援的內部資源可能比大量外部資源更有效。
4. 更多利用人工智慧來對抗惡意使用多重身分驗證(MFA)
另一個需要關注的領域是關於多因素身份驗證(MFA)。微軟和谷歌等一些主要科技巨頭正在實施 MFA。這在很大程度上是因為攻擊者不斷成功地竊取憑證並繞過基本身份驗證過程,然而,儘管MFA 是每個公司都應該採取的步驟——但犯罪分子不斷證明,這不足以將他們拒之門外。在某些情況下,犯罪分子甚至使用機器人來幫助他們應對 MFA 問題,這對各企業來說將仍然是一場艱苦的戰鬥。因此,我們將看到更多的企業開始轉而使用人工智慧驅動的安全工具,以有助於阻止那些繞過 MFA 的攻擊。
5. 政府和監管機構更加關注網路安全
在美國國家關鍵基礎設施遭到多次攻擊之後,拜登總統於2021 年5 月發布的關於改善網路安全的行政令,旨在大幅提高網路安全標準。我們預計將看到其他國家政府在有意義和有效的網路安全管控方面採取越來越穩健的方法,旨在面對嚴重網路攻擊時具有更高的應對能力。英國監管機構的措施(如金融服務領域的滲透性壓力測試機制(CBEST) 和電信領域的TBEST 機制,將促進採用以安全威脅情報為主導的方法來客觀評估易受攻擊的可能性)幾乎肯定會擴大到其他關鍵部門。
總是會提前準備
與安全相關的新障礙總是會出現,因此,至關重要的是各企業要提前準備,以確保自己擁有應對潛在威脅的最佳保護措施。為實現此目標,各企業應尋求實施一種偵測和回應策略。這通常涉及綜合使用人工智慧和機器學習 (ML) 技術來尋找已授權但存在可疑行為的這些交叉操作,以及對手在展開攻擊中將表現出的某些行為。
如果企業認為自己已被入侵,並積極尋找各種跡象,則他們將處於更有利的位置,可以及時發現各種攻擊,然後在攻擊行為造成破壞之前進行阻止。
以上是人工智慧將如何幫助企業打擊勒索軟體和預防雲端安全漏洞的詳細內容。更多資訊請關注PHP中文網其他相關文章!

熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

AI Hentai Generator
免費產生 AI 無盡。

熱門文章

熱工具

記事本++7.3.1
好用且免費的程式碼編輯器

SublimeText3漢化版
中文版,非常好用

禪工作室 13.0.1
強大的PHP整合開發環境

Dreamweaver CS6
視覺化網頁開發工具

SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)

熱門話題

本站6月27日訊息,剪映是由位元組跳動旗下臉萌科技開發的一款影片剪輯軟體,依託於抖音平台且基本面向該平台用戶製作短影片內容,並相容於iOS、安卓、Windows 、MacOS等作業系統。剪映官方宣布會員體系升級,推出全新SVIP,包含多種AI黑科技,例如智慧翻譯、智慧劃重點、智慧包裝、數位人合成等。價格方面,剪映SVIP月費79元,年費599元(本站註:折合每月49.9元),連續包月則為59元每月,連續包年為499元每年(折合每月41.6元) 。此外,剪映官方也表示,為提升用戶體驗,向已訂閱了原版VIP

透過將檢索增強生成和語意記憶納入AI編碼助手,提升開發人員的生產力、效率和準確性。譯自EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG,作者JanakiramMSV。雖然基本AI程式設計助理自然有幫助,但由於依賴對軟體語言和編寫軟體最常見模式的整體理解,因此常常無法提供最相關和正確的程式碼建議。這些編碼助手產生的代碼適合解決他們負責解決的問題,但通常不符合各個團隊的編碼標準、慣例和風格。這通常會導致需要修改或完善其建議,以便將程式碼接受到應

大型語言模型(LLM)是在龐大的文字資料庫上訓練的,在那裡它們獲得了大量的實際知識。這些知識嵌入到它們的參數中,然後可以在需要時使用。這些模型的知識在訓練結束時被「具體化」。在預訓練結束時,模型實際上停止學習。對模型進行對齊或進行指令調優,讓模型學習如何充分利用這些知識,以及如何更自然地回應使用者的問題。但是有時模型知識是不夠的,儘管模型可以透過RAG存取外部內容,但透過微調使用模型適應新的領域被認為是有益的。這種微調是使用人工標註者或其他llm創建的輸入進行的,模型會遇到額外的實際知識並將其整合

想了解更多AIGC的內容,請造訪:51CTOAI.x社群https://www.51cto.com/aigc/譯者|晶顏審校|重樓不同於網路上隨處可見的傳統問題庫,這些問題需要跳脫常規思維。大語言模型(LLM)在數據科學、生成式人工智慧(GenAI)和人工智慧領域越來越重要。這些複雜的演算法提升了人類的技能,並在許多產業中推動了效率和創新性的提升,成為企業保持競爭力的關鍵。 LLM的應用範圍非常廣泛,它可以用於自然語言處理、文字生成、語音辨識和推薦系統等領域。透過學習大量的數據,LLM能夠產生文本

編輯|ScienceAI問答(QA)資料集在推動自然語言處理(NLP)研究中發揮著至關重要的作用。高品質QA資料集不僅可以用於微調模型,也可以有效評估大語言模型(LLM)的能力,尤其是針對科學知識的理解和推理能力。儘管目前已有許多科學QA數據集,涵蓋了醫學、化學、生物等領域,但這些數據集仍有一些不足之處。其一,資料形式較為單一,大多數為多項選擇題(multiple-choicequestions),它們易於進行評估,但限制了模型的答案選擇範圍,無法充分測試模型的科學問題解答能力。相比之下,開放式問答

機器學習是人工智慧的重要分支,它賦予電腦從數據中學習的能力,並能夠在無需明確編程的情況下改進自身能力。機器學習在各個領域都有廣泛的應用,從影像辨識和自然語言處理到推薦系統和詐欺偵測,它正在改變我們的生活方式。機器學習領域存在著多種不同的方法和理論,其中最具影響力的五種方法被稱為「機器學習五大派」。這五大派分別為符號派、聯結派、進化派、貝葉斯派和類推學派。 1.符號學派符號學(Symbolism),又稱符號主義,強調利用符號進行邏輯推理和表達知識。該學派認為學習是一種逆向演繹的過程,透過現有的

編輯|KX在藥物研發領域,準確有效地預測蛋白質與配體的結合親和力對於藥物篩選和優化至關重要。然而,目前的研究並沒有考慮到分子表面訊息在蛋白質-配體相互作用中的重要作用。基於此,來自廈門大學的研究人員提出了一種新穎的多模態特徵提取(MFE)框架,該框架首次結合了蛋白質表面、3D結構和序列的信息,並使用交叉注意機制進行不同模態之間的特徵對齊。實驗結果表明,該方法在預測蛋白質-配體結合親和力方面取得了最先進的性能。此外,消融研究證明了該框架內蛋白質表面資訊和多模態特徵對齊的有效性和必要性。相關研究以「S

本站7月5日消息,格芯(GlobalFoundries)於今年7月1日發布新聞稿,宣布收購泰戈爾科技(TagoreTechnology)的功率氮化鎵(GaN)技術及智慧財產權組合,希望在汽車、物聯網和人工智慧資料中心應用領域探索更高的效率和更好的效能。隨著生成式人工智慧(GenerativeAI)等技術在數位世界的不斷發展,氮化鎵(GaN)已成為永續高效電源管理(尤其是在資料中心)的關鍵解決方案。本站引述官方公告內容,在本次收購過程中,泰戈爾科技公司工程師團隊將加入格芯,進一步開發氮化鎵技術。 G
