2017年6月10日上午,腾讯电脑管家称已检测到“暗云Ⅲ”病毒大规模传播,感染用户达数百万且已被黑客远程控制变成“肉鸡”(僵尸电脑)向云服务提供商发起DDoS攻击。
在此次“暗云”风暴掀起的史无前例的肆虐中,国内多家云服务商受到严重冲击,而截至到目前,途隆云已成功抵御所有“暗云”攻击,作为重灾区的游戏行业此次攻击中影响明显,而在途隆云平台上所有游戏用户均安然无恙,业务未受任何影响。
早在2017年5月27日,途隆云已监测到来自全国节点的大流量攻击,攻击活动源地址具有罕见的广泛性分布特点,在全国所有省市骨干网络上都有活动,据途隆安全态势感知系统分析监测,攻击源所在城市主要为:广州、北京、杭州、西安、上海、深圳、嘉兴、南充、南昌、成都等地区,攻击源全部为被黑客控制的“肉鸡”。
其中在2017年5月28日 8:14:10, 途隆云高防BGP数据中心遭受了黑客组织史无前例的激烈的定向攻击,攻击一直持续到16:31:51,历时8小时,攻击流量达到650G,其中电信线路受到的攻击为488G,联通线路受到的攻击为166G。攻击强度达到每秒3亿次连接,本次攻击未对途隆云安全业务造成任何影响,途隆云服务器上的用户业务安然无恙。(超大规模网络攻击时代已来!途隆云遭受650G DDoS攻击)
而就在上周,暗云风暴再掀高潮,6月7日 12:49分起至22:10分,途隆云再次遭到来自全国范围“肉鸡”的超大规模DDoS攻击。而在这场总流量900G,攻击时长达10个小时的对抗中,途隆云成功抵御DDoS流量攻击534次,累积防护攻击达63T。其中两轮针对游戏用户的轮询攻击均被成功击退。
扫段攻击特征图
途隆云安全抵御峰值总流量达511165.53+390391.84=901557.37≈ 901Gbps
电信峰值流量图
联通峰值流量图
途隆云安全成功抵御攻击:211+323=534次
电信业务攻击次数图
联通业务攻击次数图
据途隆云安全实验室监测,此次攻击与2017年5月26日的全国范围DDoS攻击为同一黑客组织,攻击形式主要以SYN洪水攻击为主,在整个攻击中占比达61.79%,规模远超过以往,而且是采取扫段攻击方式。扫段攻击的主要特点是针对某几个IP进行大流量攻击,对该IP段其余的地址采取定量轮询攻击,该攻击手法主要是应对数据中心的黑洞策略,如果云服务商不具备强大的单点抗攻击能力,会导致整个IP段被黑洞,对用户影响极大,后果非常严重。
攻击类型比例图
途隆云安全累积防护攻击达:33991.35481+29079.38412=63070.73893Gbps
电信侧累计防护带宽图
联通侧累计防护带宽图
途隆云郑重提醒广大用户:网络攻击形势异常严峻,大流量攻击事件必然会呈现猛增趋势,抗击超大规模攻击已成为企业安全防护的重中之重,如不能有效防护,损失难以估算。
在目前的形势下,“暗云”风暴并非个例,抗DDoS攻击厂商面临更加严峻的挑战,截止到目前为止,单点攻击最高已经达到901G,目前业内大部分厂商单点防御能力在400G左右,途隆云仍以1.3T的单点抗D能力居行业之首。企业用户应选择具备T级以上防护实力的云服务商,提前做好防护预案,方可安枕无虞。
此外,近期途隆云还将推出“肉鸡”检测工具,让用户电脑及时进行自我体检,进一步在源头截断黑客的组织的网络攻击布局,并愿携手行业合作伙伴,共同建立协同联动的云安全体系,为行业的健康发展贡献一己之力。
好文章,需要你的鼓励
这篇研究提出了OThink-R1,一种创新的大型推理模型,能够像人类一样在快速直觉思维和慢速深度推理之间自动切换。研究者发现,现有推理模型即使面对简单问题也会生成冗长的推理过程,导致计算资源浪费。通过分析推理轨迹并使用LLM评判员区分冗余和必要推理,OThink-R1能根据问题复杂度动态调整思考深度。实验表明,该方法平均减少了23.4%的生成文本量,同时保持或提高了准确率,代表了向更高效、更人性化AI推理系统迈出的重要一步。
这项研究提出了SHARE,一种新型文本到SQL修正框架,它利用三个小型语言模型(SLM)协同工作,实现高效精准的SQL错误修正。SHARE首先通过基础行动模型将SQL转换为行动轨迹,再经过模式增强模型和逻辑优化模型的层次化精细化修正。研究团队还创新性地提出了层次化自演化训练策略,大大提高了训练数据效率。实验结果表明,SHARE在多个基准测试上显著提升了SQL生成准确率,计算成本仅为传统方法的十分之一,并展现出强大的泛化能力,适用于各种生成器模型和SQL方言。
这项由香港大学和南京大学等机构研究人员联合开发的双专家一致性模型(DCM)解决了高质量视频生成中的效率难题。研究团队发现扩散模型蒸馏过程中存在优化冲突:早期阶段负责语义布局与运动,后期阶段关注细节精修,两者学习动态差异显著。DCM创新性地将这两个任务分配给不同的专家模型,通过参数高效的实现方式,使模型仅需4步即可生成接近50步原始模型质量的视频,大幅提升生成速度,为实用化AI视频创作铺平道路。
这项研究介绍了QARI-OCR,一种基于Qwen2-VL-2B-Instruct模型微调的阿拉伯文字识别系统。研究团队通过三阶段合成数据训练,成功解决了阿拉伯文字识别中的主要挑战:曲线连笔特性、上下文变化的字母形状和发音符号。QARI v0.2模型创下了0.061的字符错误率和0.160的单词错误率,超越了现有开源解决方案,为阿拉伯文化遗产的数字化保存提供了重要工具。