一年一度的安全产业盛会RSA 2017在美国洛杉矶莫斯康中心盛大开幕,华为携手中国电信云堤和青松抗D,向观众展示了云清联盟全球DDoS情报中心,共同分享了2016年DDoS攻击态势,并对用户如何保护在线业务应对给出了建议。
云清联盟全球DDoS情报中心是由中国电信云堤承接建设的DDoS攻击态势展示平台。通过标准接口收集分布在世界各地的发射式攻击源地址,展现活跃的攻击源分布态势。通过分析这些真实攻击源,情报中心可以提供IP信誉情报库,用于增强用户的安全能力,应对全球攻击威胁。
同时,情报中心还可以将监控到的历史攻击事件进行回放,并根据DDoS攻击的规模分布进行统计和展示,用户可以查询自己的业务的威胁状况。
▲华为展示云清联盟全球DDoS情报中心
制定接口规范 促进产业协同
云清联盟的安全能力源自联盟成员持续不断的贡献威胁情报。为了便于运营商、安全服务提供商、设备厂商之间通过统一接口构建DDoS清洗服务,云清联盟制定了《云清洗对接标准接口规范》。
接口规范基于CoAP协议定义,并采用REST架构,通过信令通道在客户端与服务端之间传递清洗攻击目的地址、攻击特征、清洗状态信息,然后通过数据通道共享配置策略、过滤规则等信息。
接口规范减轻了防御环节之间通信适配的工作量,提高了防护响应效率,缓解了链路带宽拥塞,降低了用户业务损失。
▲中国电信Solution & Delivery Director魏明介绍云清洗对接标准接口规范
分析攻击趋势 分层清洗攻击
2016年发生了多起大型DDoS攻击。恶意竞争和金钱勒索依然是发起DDoS攻击的主要动机。2016年利用物联网设备的僵尸网络快速增长,引发了多起的大型攻击事件,针对OVH网站的攻击峰值超过1Tbps,刷新了历史攻击记录。
根据云清联盟《2016年网络安全威胁报告》统计,2016年,发生最频繁的三种攻击类型分别是SYN Flood,UDP类反射放大攻击,和HTTP(S) Flood。
黑客在选择攻击方式时,不会拘泥于单一类型的攻击手段,而是选择混合型攻击。从攻击流量来看,反射放大攻击流量占比超过了60%。这表明,反射放大攻击仍然是大流量攻击的主要手段。
2016年10月,针对OVH.com的DDoS攻击流量峰值达到1 Tbps,刷新了历史记录,然而这种大流量的DDoS攻击并不多见。
根据华为未然实验室的统计数据显示,流量超过200 Gbps的DDoS攻击仅占全年攻击总数的1%。从攻击时长来看,与长时间持续性的攻击相比,黑客更加喜欢不停地变换攻击类型,对用户的业务发起多重挑战。
2016年,持续时间小于30分钟的攻击占全年攻击总数的73%。尽管攻击时间短,却足以对用户业务造成损失。这要求安全运维人员能够快速响应攻击,并实施恰当的处置。
随着越来越多的企业将业务依托于云端,可以预见在2017年,大流量攻击、应用层攻击和复杂的多矢量攻击将成为攻击的主要手段。为了应对这种多元化的攻击,企业用户应该采用on-premise + cloud方案,分层次清洗攻击流量。
On-premise设备部署在企业DC边界,保护在线业务。当超过处理能力时,on-premise设备可以与上游运营商或ISP的清洗中心联动,在上游提前清洗攻击流量。与此同时,运营商或ISP也可以与云清洗中心联动,近源清洗来自世界各地的攻击。
好文章,需要你的鼓励
谷歌发布新的AI学术搜索工具Scholar Labs,旨在回答详细研究问题。该工具使用AI识别查询中的主要话题和关系,目前仅对部分登录用户开放。与传统学术搜索不同,Scholar Labs不依赖引用次数或期刊影响因子等传统指标来筛选研究质量,而是通过分析文档全文、发表位置、作者信息及引用频次来排序。科学界对这种忽略传统质量评估方式的新方法持谨慎态度,认为研究者仍需保持对文献质量的最终判断权。
Meta公司FAIR实验室与UCLA合作开发了名为HoneyBee的超大规模视觉推理数据集,包含250万训练样本。研究揭示了构建高质量AI视觉推理训练数据的系统方法,发现数据质量比数量更重要,最佳数据源比最差数据源性能提升11.4%。关键创新包括"图片说明书"技术和文字-图片混合训练法,分别提升3.3%和7.5%准确率。HoneyBee训练的AI在多项测试中显著超越同规模模型,同时降低73%推理成本。
Meta发布第三代SAM(分割一切模型)系列AI模型,专注于视觉智能而非语言处理。该模型擅长物体检测,能够精确识别图像和视频中的特定对象。SAM 3在海量图像视频数据集上训练,可通过点击或文本描述准确标识目标物体。Meta将其应用于Instagram编辑工具和Facebook市场功能改进。在野生动物保护方面,SAM 3与保护组织合作分析超万台摄像头捕获的动物视频,成功识别百余种物种,为生态研究提供重要技术支持。
上海AI实验室团队提出ViCO训练策略,让多模态大语言模型能够根据图像语义复杂度智能分配计算资源。通过两阶段训练和视觉路由器,该方法在压缩50%视觉词汇的同时保持99.6%性能,推理速度提升近一倍,为AI效率优化提供了新思路。