近日,Oracle 数据库的比特币勒索病毒卷土重来,国内已发生多起案例,针对此攻击,启明星辰数据库安全审计与防护产品可提供检测和防护,具体的安全建议如下:
Oracle勒索病毒分析
勒索代码被捆绑在Oracle PL/SQL Dev软件中(网络下载版),里面的一个脚本文件Afterconnet.sql被黑客注入了病毒代码。一旦用户使用这个PL/SQL Dev工具连接数据库,就会立即执行Afterconnet.sql,创建四个存储过程(DBMS_SUPPORT_INTERNAL、DBMS_SYSTEM_INTERNAL、DBMS_CORE_INTERNAL、DBMS_STANDARD_FUN9)和三个触发器(DBMS_SUPPORT_INTERNAL、DBMS_SYSTEM_INTERNAL、DBMS_CORE_INTERNAL)。
病毒读取数据库创建时间,如果大于等于1200天,则对数据库进行不同程度的破坏(例如Truncatetab_name和删除tab$中的记录),重启数据库后会导致用户无法访问所有的数据库对象。同时,给出提示“你的数据库已经被SQL RUSH Team锁死,请发送5个比特币到xxxxxxxxxxx地址,….”等信息,并设置定时任务,如果在期限内不交赎金,就删除所有的表。具体提示信息如下:

防护方案利用数据库安全审计与防护产品,发现异常并进行防护
部署启明星辰数据库审计或者数据库防火墙,用户可自行添加勒索病毒的审计策略,主要的规则如下:
1、权限最小化限制,对不同用户根据角色给予其最小权限。
例如:低权限用户限制触发器、存储过程的创建和修改。策略配置如下:

为低权限用户配置一个权限控制集合,对于触发器和存储过程和新建修改和删除操作,一旦执行则进行告警和阻断。
2、勒索病毒精准控制:恶意存储过程、触发器创建行为限制。
对于高权限账号新建恶意存储过程的操作定义规则,建立阻断策略进行限制,如图:

依次创建四个存储过程DBMS_SUPPORT_INTERNAL、DBMS_SYSTEM_INTERNAL、DBMS_CORE_INTERNAL、DBMS_STANDARD_FUN9和三个触发器DBMS_SUPPORT_INTERNAL、DBMS_SYSTEM_INTERNAL、DBMS_CORE_INTERNAL的检测规则,针对这些操作规则建立审计和阻断策略。
3、为了病毒变种,需要加强对来自PL/SQL Dev客户端的操作监管
定义规则,对客户端工具为PL/SQL的所有操作进行记录,对其存储过程和触发器操作进行告警。如图建立规则并依次选择对应的响应方式,建立审计策略:

人工确认病毒入侵痕迹,及时清理恶意文件
1、检查启动脚本
大多数客户端工具,在访问数据库时,都可以通过脚本进行一定的功能定义,而这些脚本往往就是安全问题的漏洞之一,以下列出了常见客户端工具的脚本位置,需要检查这些脚本是否正常,如:plsqldev 的login.sql和afterconnect.sql,Toad的toad.ini,sqlplus中的glogin.sql和login.sql等。
2、在数据库中执行检查语句
Select * from dba_triggers where TRIGGER_NAME like 'DBMS_%_INTERNAL%';
select from dba_procedures W where W.object_name like 'DBMS_%_INTERNAL% '。
以上操作若发现异常,立刻清理恶意文件,删除已经建立的存储过程和触发器。
综上,针对Oracle比特币勒索病毒的防护方案除了对防护工具的合理使用,还有赖于数据库管理人员的安全防范意识。建议用户多使用正版软件,做好数据库的访问控制和权限管理,对于来自异常IP、账号、客户端的访问及时处置,关闭病毒感染通道。一旦发现病毒感染请及时采取措施,必要时咨询专业安全服务团队寻求支持。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。