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
研究人员基于Meta前首席AI科学家Yann LeCun提出的联合嵌入预测架构,开发了名为JETS的自监督时间序列基础模型。该模型能够处理不规则的可穿戴设备数据,通过学习预测缺失数据的含义而非数据本身,成功检测多种疾病。在高血压检测中AUROC达86.8%,心房扑动检测达70.5%。研究显示即使只有15%的参与者有标注医疗记录,该模型仍能有效利用85%的未标注数据进行训练,为利用不完整健康数据提供了新思路。
西湖大学等机构联合发布TwinFlow技术,通过创新的"双轨道"设计实现AI图像生成的革命性突破。该技术让原本需要40-100步的图像生成过程缩短到仅需1步,速度提升100倍且质量几乎无损。TwinFlow采用自我对抗机制,无需额外辅助模型,成功应用于200亿参数超大模型,在GenEval等标准测试中表现卓越,为实时AI图像生成应用开辟了广阔前景。
AI云基础设施提供商Coreweave今年经历了起伏。3月份IPO未达预期,10月收购Core Scientific计划因股东反对而搁浅。CEO Michael Intrator为公司表现辩护,称正在创建云计算新商业模式。面对股价波动和高负债质疑,他表示这是颠覆性创新的必然过程。公司从加密货币挖矿转型为AI基础设施提供商,与微软、OpenAI等巨头合作。对于AI行业循环投资批评,Intrator认为这是应对供需剧变的合作方式。
中山大学等机构联合开发的RealGen框架成功解决了AI生成图像的"塑料感"问题。该技术通过"探测器奖励"机制,让AI在躲避图像检测器识别的过程中学会制作更逼真照片。实验显示,RealGen在逼真度评测中大幅领先现有模型,在与真实照片对比中胜率接近50%,为AI图像生成技术带来重要突破。