因服务于政治或商业目的,世界各国存在多个知名的APT组织,例如方程式组织、索伦之眼、APT28等。APT攻击往往具有隐蔽性、针对性、攻击手段高明等特点,所以不易被发现,并且带来的危害极大。
近日,360宣布捕获一个连续8年攻击中国大陆地区的APT网络间谍组织——蓝宝菇,该组织主要关注核工业和科研等相关信息,并对我国政府、军工、科研、金融等重点单位和部门进行了持续的网络间谍活动。在由360追日团队、360安全监测与响应中心与360威胁情报中心发布的《蓝宝菇(APT-C-12)核危机行动揭露》报告中,揭示了其攻击手段、攻击目的、攻击的时间历程等。
一场针对中国大陆的“核危机行动”
由于该组织相关恶意代码中出现特有的字符串(Poison Ivy密码是:NuclearCrisis),结合该组织的攻击目标特点,360威胁情报中心将该组织的一系列攻击行动命名为核危机行动(Operation NuclearCrisis)。
目前,360已经监测到核危机行动攻击的境内目标近30个。其中,教育科研机构占比最高,达59.1%,其次是政府机构,占比为18.2%,国防机构排第三,占9.1%。其他还有事业单位、金融机构制造业等占比为4.5%。
据悉,360追日团队捕获的首个蓝宝菇组织专用木马出现在2011年3月左右。目前已总共捕获该组织恶意代码670余个,这些恶意代码可分为4类RAT,细分版本为7种。其中,还包括60余个专门用于横向移动的恶意插件,从功能区分来看也至少有5种。目前已经发现该组织相关的C&C域名、IP数量多达40余个。
根据攻击活动特点,360将蓝宝菇核危机行动分为三个阶段:2011-2012年,核危机行动所使用的主要攻击木马是Poison Ivy,这是一款远程控制木马程序;而到了2013-2014年,Poison Ivy虽然仍在继续使用,但被升级到了几个全新的版本;2014年三季度--2015年,核危机行动开始大量进行横向移动攻击,并从2014年底开始,使用Bfnet后门。
蓝宝菇核危机行动的对抗术与伪装术
据介绍,核危机行动中所使用的专用木马,采用了一定程度的对抗技术。主要表现在两个方面:一方面是杀软对抗技术,一个是反虚拟机技术。例如在杀软对抗技术方面,Poison Ivy母体会判断系统中是否有360、卡巴斯基、瑞星、金山的进程,从而采取不同的后续应对措施。
并且在蓝宝菇的初始攻击中采用了特别针对性的伪装,360发现早期其采用鱼叉邮件携带二进制可执行文件这种攻击方法。攻击者仿冒官方邮件向受害者发送鱼叉邮件,诱导受害者点击邮件所携带的恶意附件。
例如下图为核危机行动鱼叉邮件压缩包中的一个伪装成Word文件的专用木马的图标和文件名截图。该文件伪装成一份通信录文件,当受害者点击打开这个伪装成Word文档的专用木马后,木马会在释放攻击代码的同时,释放一个真正的Word文档。然而该诱饵Word文档打开后的信息内容,其中信息确实是一份详细的通讯录。可见,该组织在文件伪装方面确实下足了功夫。
所以,APT所具备的一系列特点导致对其难以防御,360行业安全研究中心主任裴智勇表示,除了此案中蓝宝菇所采用的攻击手法外,实际上APT还具备多种攻击战术,例如反侦查术、疲劳战术、诱惑战术、假旗行动等。如果攻击者再利用0day漏洞,再加之周密的计划与组织架构保障行动,APT更是难以甚至无法防御。所以这时,APT的发现比防御更重要。
据了解,自2015年5月,360截获并披露针对我国的首个APT组织海莲花以来,截至2018年6月底,360威胁情报中心已累计截获38个针对中国的APT组织,有力地维护了国家与企业的信息安全。
在如今设备多样化、系统复杂化、攻击多元化的时代,裴智勇表示,360正在利用大数据、威胁情报等方法进行高级威胁的发现、检测与防御。
好文章,需要你的鼓励
在Cloudera的“价值观”中,企业智能化的根基可以被概括为两个字:“源”与“治”——让数据有源,智能可治。
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
微软正式确认配置管理器将转为年度发布模式,并将Intune作为主要创新重点。该变化将于2026年秋季生效,在此之前还有几个版本发布。微软表示此举是为了与Windows客户端安全和稳定性节奏保持一致,优先确保安全可靠的用户体验。配置管理器将专注于安全性、稳定性和长期支持,而所有新功能创新都将在云端的Intune中进行。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。