Check Point移动威胁研究团队近日发现了一款恶意软件新变体,“ExpensiveWall”。该软件会向用户发送欺诈性收费消息,并在其毫不知情的情况下向用户账号收取虚假服务费。根据Google Play数据,这款恶意软件系列感染了至少50个应用程序,现已有590-2110万次的下载量。据Check Point SandBlast Mobile移动安全研究员贺飞翔介绍,ExpensiveWall的不同之处在于它经过“包装”,恶意软件开发人员用加密恶意代码的高级混淆技术,让恶意代码能够避开Google Play的反恶意软件保护措施。Google于8月7日收到Check Point的消息后,随即将所报告的样本从其商店中删除。不过,在移除前的短短数天之内,ExpensiveWall依旧感染了超过5000个设备。
安全问题无独有偶,上个月,业界在包括Android、iOS、Windows等在内的几个操作系统中发现了实施于蓝牙的八个漏洞,黑客可以利用这些漏洞完全控制设备。此类漏洞源自一个复杂协议,被称为“BlueBorne漏洞”,其影响严重程度令人心惊,任何具有蓝牙接口的设备只要开启蓝牙,都极易受到BlueBorne漏洞组合中至少一种漏洞的攻击。得见系统漏洞等基本安全问题也是根深蒂固,不可忽视。
以上两个移动威胁案例,只是Check Point移动威胁研究团队发现的冰山一角。在上个季度末,Check Point SandBlast Mobile 移动安全研究员贺飞翔对2017年前三季度的全球移动安全事件上下求索,概括介绍了今年前三季度的全球安卓移动安全态势。
Check Point SandBlast Mobile移动安全研究员 贺飞翔
贺飞翔具体介绍到,全球移动终端安全情势有以下几点:
不难看出,新的威胁不断出现,移动设备安全亟待提高,如何解决问题?贺飞翔指出:“人是系统安全不可分割的一部分,”此外,选用行之有效的安全防护系统非常重要。
Check Point移动安全的“禁卫军”——SandBlast Mobile专注于防范已知和未知移动威胁,可以为现代企业的基础设施提供从云到移动设备的安全保护。
具体来说,依托于网络安全架构Check Point Infinity,SandBlast Mobile被设计为跨网络、云端和移动设备的统一安全平台软件,跨安卓和iOS系统管理,;在Check Point ThreatCloud威胁情报网络的协助下,SandBlast Mobile可实时威胁数据,在威胁发生前阻止攻击、让企业免受零日威胁;进一步的,近日加持了Microsoft Intune的SandBlast Mobile可以为企业提供集中式的统一的跨平台安全解决方案,企业可通过高可视化的网页管理端管理员工的BYOD设备,在保护员工隐私和保证工作效率的同时,防范高级移动网络攻击,并确保公司数据和内部资源访问的安全,对此,贺飞翔笑称:“这就像是移动端安全防护的‘上帝视角’,企业可从多维度弹性管理移动设备安全。”
例如,针对前文所提到的BlueBorne漏洞组合,Check Point SandBlast Mobile 可以通过验证网络上的移动设备是否装有最新的操作系统版本,以及安全补丁程序,来保护移动设备(iOS 和 Android)免遭此威胁。
据了解,SandBlast Mobile能与EMM系统快速整合,让整体解决方案有高扩展能力并提升运营效率。目前,SandBlast Mobile正在帮助900多个企业用户防范移动威胁。
贺飞翔最后提示,新技术新应用的产生仍会带来新的挑战,我们需要明确了解,矿工类恶意软件极可能成为下一个利益增长点,另外他强调,iOS不是刀枪不入;基于浏览器的跨平台攻击;基于SoC系统底层的攻击;以及基于第三方应用层漏洞的攻击值得关注。
好文章,需要你的鼓励
OpenAI首席执行官Sam Altman表示,鉴于投资者的AI炒作和大量资本支出,我们目前正处于AI泡沫中。他承认投资者对AI过度兴奋,但仍认为AI是长期以来最重要的技术。ChatGPT目前拥有7亿周活跃用户,是全球第五大网站。由于服务器容量不足,OpenAI无法发布已开发的更好模型,计划在不久的将来投资万亿美元建设数据中心。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
英伟达推出新的小型语言模型Nemotron-Nano-9B-v2,拥有90亿参数,在同类基准测试中表现最佳。该模型采用Mamba-Transformer混合架构,支持多语言处理和代码生成,可在单个A10 GPU上运行。独特的可切换推理功能允许用户通过控制令牌开启或关闭AI推理过程,并可管理推理预算以平衡准确性和延迟。模型基于合成数据集训练,采用企业友好的开源许可协议,支持商业化使用。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。