在近日召开的2017国际反病毒大会“移动APP综合治理”分论坛上,亚信网络安全产业技术研究院副院长赫荣奎对于互联网+形势下的移动安全技术进行了深入解读。赫荣奎表示,”移动互联网的快速发展改变了人们的生活习惯和业务流程,不断推陈出新的应用程序、智能设备和模糊的边界管理给企业移动业务和数据安全带来的严峻挑战。企业可以换个思路——‘消灭移动终端’,借助移动虚拟基础架构等创新的移动化管理思路,确保移动终端数据不落地,云端业务不出数据中心,提高企业移动业务数据的安全系数。”
移动化浪潮引入海量移动威胁
随着移动智能终端的快速普及与移动互联网应用的发展,越来越多的企业将智能手机、平板电脑作为一种重要的生产力工具,BYOD(自带设备办公)模式早已得到大量落实。但是,这也会带来难以忽视的移动安全问题。不仅恶意软件、山寨APP可能窃取企业的机密数据,移动系统漏洞数量也出现了大幅增长。
赫荣奎表示:“互联网+推动了移动化浪潮,安全环境随之变得更加复杂,出现了移动应用开发平台被嵌入恶意代码、移动应用市场传播恶意程序、无线网络被劫持等严重的移动安全威胁。特别是在BYOD模式中,企业的安全管理能力难以覆盖员工所有的移动应用、数据交互行为,给组织的数据资产带来严重安全威胁。另外,由于企业的安全防护能力难以覆盖到移动设备,很多黑客选择将移动设备作为企业网络的突破口,执行更多的网络攻击行为。”
“消灭移动终端”可高效化解移动安全问题
由于移动化应用场景的特殊性,因此传统的基于终端或者基于网络的安全防护方案很难彻底化解移动威胁。赫荣奎认为,要解决移动终端的安全问题,“消灭移动终端”将是最好的思路之一,即通过虚拟移动基础架构(Virtual Mobile Infrastructure)实现企业数据与个人数据的分离,企业数据保存在数据中心,对手机、平板电脑、PC等各种终端“一视同仁”,用户只能通过安全虚拟工作区来访问数据中心内的企业数据。由于这些数据并不保留在设备本地,数据泄露的风险将大幅降低。
亚信安全虚拟手机解决方案就是一种基于VMI架构的解决方案,通过将“虚拟手机”集中部署在数据中心,通过集中化的服务器虚拟移动操作系统,并通过高效的远程显示协议来实现网络访问和操作。为每个用户创建安全工作空间,实现“虚拟手机”统一管控,业务开展更灵活,安全级别更高。确保移动应用数据不出数据中心,移动办公数据不落地。
为了确保网络层数据安全传输,亚信安全在移动应用访问云端的数据传输和获取虚拟手机桌面的影像协议采用RMX(Remote Mobile eXperience,远程移动体验协议)实现,该协议为亚信安全专利技术,不仅可以传输加密压缩的指令和参数,确保攻击者无法还原出数据,还能够通过屏幕图片解析方式的创新有效节省带宽。另外,由于移动应用都在部署于云端,因此可以令移动设备本地无需安装应用,这就避免了移动应用被黑客获取并利用。
赫荣奎指出:“亚信安全虚拟手机解决方案的优势不仅在于确保移动安全,还在于其能够充分降低企业移动管理的难度。解决方案支持移动终端的各类传感器、支持触摸滑屏操作,企业无需对各种系统、品牌的移动设备进行复杂的适配工作,就能够在多平台上获得一致化的用户体验,不仅降低了企业开发难度,还降低了特定移动设备因为不适配而无法进行管理的几率。在应用发布方面,企业只需对虚拟机进行统一分发,无需对各种型号的移动设备进行逐一分发,极大的节省了运维成本。”
好文章,需要你的鼓励
ETH Zürich等机构研究人员提出TrustVLM框架,解决视觉-语言模型预测可信度问题。该方法利用模型中存在的"模态差距",创新性地结合图像到文本和图像到图像的相似度,实现无需重新训练即可大幅提升误分类检测性能。在17个数据集的严格测试中,TrustVLM相比现有方法在关键指标上提升显著,同时改善了零样本分类准确率。此成果为AI系统在自动驾驶、医疗等安全关键领域的可靠部署提供了重要保障。
这项研究提出了个性化安全概念,解决大语言模型对不同用户采用统一安全标准的问题。研究团队创建了PENGUIN基准测试集评估模型在处理高风险场景时的个性化安全能力,并开发了RAISE框架高效获取关键用户信息。实验表明,提供用户背景可使安全分数提高43.2%,而RAISE框架通过平均仅2.7次交互即可提高安全分数31.6%。这一创新方法将AI安全从"一刀切"转向"个性定制",为高风险领域的AI应用提供了新思路。
明尼苏达大学研究团队提出了一种创新方法,通过回合级信誉分配显著提升大语言模型(LLM)智能体的多回合推理能力。传统方法只对整个过程进行评价,而他们的MT-GRPO算法能够精确评估每个决策步骤的价值,就像为每一步提供具体反馈。在维基百科搜索工具使用场景中,该方法实现了100%的工具执行成功率和50%的答案精确匹配率,远超传统方法。这一突破不仅提高了AI在多步骤任务中的表现,也为开发更复杂的AI系统提供了重要思路。
这篇研究介绍了PISCES——一种能精确从大语言模型参数中移除特定概念知识的创新技术。与现有方法不同,PISCES通过解缠器模型识别概念相关特征,直接编辑模型参数,实现了更精准的知识移除。在Gemma和Llama模型上的测试表明,该方法不仅有效降低了目标概念的准确率(低至7.7%),还保持了模型在无关领域的高性能,并显著提高了对"重新学习"的抵抗力。这一突破为AI系统的安全部署和合规使用提供了新的可能性。