XiaoMi-AI文件搜索系统
World File Search System恶意
网络安全的10个步骤-CyberLab
最好的方法是假设恶意软件在某个时候会影响您的系统并相应地计划。传统的反恶意软件在发现现代恶意软件方面越来越无效，因此组织必须采用下一代反恶意软件。使用网络细分和零信任原则来预防和抑制系统中未经授权的横向运动，并使攻击者更加有效。
并购洞察：盈利能力、新 HSR 和投资规则以及欺诈责任
• 以看似技术性的方式避免实现里程碑可能构成“恶意” 法院通过审查飞利浦是否以避免或减少里程碑付款为主要目的来分析“恶意”论点。法院指出，合并协议要求飞利浦不得采取任何以避免里程碑付款为主要目的的恶意行动。WT 代表指控飞利浦在明知 FDA 批准这些支架是触发里程碑付款的必要条件的情况下，未将 10 毫米支架纳入临床试验和 PMA 申请，这是恶意行为。法院发现，飞利浦在明知里程碑要求的情况下决定不寻求 FDA 批准 10 毫米支架，这可以合理地被视为恶意。这一决定使恶意索赔在驳回动议中得以继续存在。
高功率和高能锂离子电池技术（...
静态和动态恶意软件分析技术；包装，解开包装，沙箱可执行文件，在VM中的运行时分析；高级静态分析 - 分析恶意窗口程序；高级动态分析 - 调试，与Windbg进行内核调试；动态数据流跟踪（DFT）;过程注入，API钩，DLL注入；反射性DLL加载，动态API加载，64位恶意软件，无文件恶意软件； AV混淆技术；秘密恶意软件启动；数据编码；以恶意软件为中心的网络签名；外壳分析；逆转固件； Android，iOS架构； Android反向工程：Android应用程序体系结构的理解；逆转应用程序的工具（JADAX，APKTOOL，BACKSMALI，DEXTOJAR）; Android应用的混淆技术，Deobfuscation Techniques; SMALI代码理解，代码注入技术； iOS应用程序安全； iOS安全机制和安全体系结构；安全启动链，数据加密和网络安全； iOS文件系统隔离，应用程序沙盒，iOS设备体系结构；使用Cuckoo，Yara的自动恶意软件分析；恶意软件作为服务。
COVID-19 网络犯罪分析报告
新注册的恶意域名要么承载数据收集恶意软件，要么就是为获取个人身份信息而构建的，通过电子邮件、短信或电话推销等垃圾邮件活动接近受害者。2020 年 2 月至 3 月，国际刑警组织的私人合作伙伴之一 Palo Alto Networks 发现恶意注册（包括恶意软件和网络钓鱼）增长了 569%；高风险注册（包括诈骗、未经授权的货币挖掘以及有证据表明与恶意 URL 相关的域名）增长了 788%。注册量激增之前，用户对 COVID-19 相关主题的兴趣在 Google Trends 中达到顶峰，但延迟了几天 4 。
MALDEFENDER：使用
在网络安全领域中，恶意软件的检测和缓解对于保护数字环境免受不断发展的威胁至关重要。恶意软件旨在渗透和妥协系统，其构成了从数据泄露到操作中断的重大风险。传统的网络安全措施通常很难与恶意软件变体的快速发展和复杂性保持同步。随着网络威胁在复杂性和频率的持续增长，对更高级和自适应的恶意软件检测系统的需求变得越来越紧迫。本文介绍了“ Maldefender”，这是一种新的恶意软件检测系统，以应对这些挑战。MALDEFENDER集成了先进的技术和方法，以增强检测准确性和可用性。该系统包含三个互连模块：第一个模拟攻击者策略通过使用Python嵌入Peheader文件中，突出显示了恶意软件的常见向量
IT 与运营技术的融合 - 微软
随着 IT 和 OT 融合以支持不断扩大的业务需求，评估风险并在 IT 和 OT 之间建立更安全的关系需要考虑多种控制措施。隔离设备和外围安全已不足以应对和防御现代威胁，如复杂的恶意软件、有针对性的攻击和恶意内部人员。例如，物联网恶意软件威胁的增长反映了这种格局的扩张和超越易受攻击系统的潜力。通过分析不同国家/地区的 2022 年威胁数据，微软研究人员发现，物联网恶意软件的最大份额（占总数的 38%）源自中国庞大的网络足迹。受感染的美国服务器使美国位居第二，占观察到的恶意软件分布的 18%。
使用机器学习的Android恶意软件多类分类：评估随机森林，人工神经网络和诉讼的性能
摘要。这项研究研究了使用静态和动态分析方法来检测和分类的机器学习技术，即随机森林，人工神经网络和卷积神经网络的有效性。通过将恶意软件分类为广告软件，勒索软件，索引软件和SMS恶意软件来利用CICINVESANDMAL2019数据集，多类分类。静态分析检查了权限和意图，而动态分析则集中于API调用和网络流。使用准确性，召回，精度，F1分数，训练时间和测试时间评估模型的性能。结果表明，在静态和动态分析中，随机森林比深度学习模型的优越性，静态分析的性能比动态分析更好。这项研究通过提供对不同机器学习算法和分析方法的有效性的见解来为Android恶意软件检测的领域做出了贡献，从而突出了随机森林的潜力，以实现有效，准确的恶意软件多类分类。
fedMup：联合学习驱动的恶意用户预测模型，用于云环境中的安全数据分布
云计算以快速的速度蓬勃发展。与数据安全性相关的重大后果似乎是恶意用户可能会获得未经授权的敏感数据，而这些数据可能会进一步滥用。这引起了一个惊人的情况，以解决与数据安全性有关的关键问题并提出恶意用户的预测。本文提出了一个供养的学习驱动的，以供云环境中的安全数据分布（FEDMUP）中的安全性数据分配。这种方法首先分析用户行为以获取多个安全风险参数。之后，它采用了联合学习驱动的恶意用户预测方法来主动揭示可疑用户。fedMup在其本地数据集上训练本地模型并传输计算值，而不是实际的原始数据，以获取基于平均各种本地版本的更新的全局模型。此更新的模型会与用户重复共享，以便获得更好，更有效的模型，能够更精确地预测恶意用户。广泛的实验工作和提议模型与最新方法的比较证明了拟议工作的效率。在关键绩效指标中观察到显着改善，例如恶意用户的预测准确性，精度，召回和F1得分高达14.32％，17.88％，14.32％和18.35％。