XiaoMi-AI文件搜索系统
World File Search Systemcve
趋势微尖端 - 网络
这种整合的战略好处包括转发检测事件的能力和Intrusion Feelention Feltery Protection Station Statige to Trend Vision One，以进行相关检测和其他高级分析。这可以实现更高质量的警报和更主动的事件发现。通过选择过滤器并将策略直接从趋势愿景一号开始到提示点SMS配置文件来减轻CVE风险。趋势视觉检测到的威胁也可以在网络层上进行操作，从而使您能够在检测后的几分钟内阻止可疑对象，并破坏网络关键位置的攻击。此外，可以自动发送由SMS检测到的URL，以通过云沙盒进行分析，而无需任何其他基础架构。分析了URL后，您可以在趋势视觉One Sandbox Analysis应用程序上查看结果。
关于管理人工智能/机器学习系统中的漏洞
本文通过一个思想实验探讨了当前的漏洞管理范式如何适应包括机器学习系统：如果机器学习 (ML) 中的缺陷被分配了通用漏洞和暴露 (CVE) 标识符 (CVE-ID)，会怎么样？我们同时考虑 ML 算法和模型对象。假设场景围绕探索漏洞管理六个领域的变化而构建：发现、报告接收、分析、协调、披露和响应。虽然算法缺陷在学术研究界众所周知，但这个研究界与部署和管理使用 ML 的系统的运营界之间似乎没有明确的沟通渠道。思想实验确定了 CVE-ID 可以在这两个界之间建立一些有用的沟通渠道的一些方法。特别是，它将开始向研究界介绍操作安全概念，这似乎是现有努力留下的一个空白。
北约/EAPC 妇女、和平与安全
ACO 盟军指挥部行动 ACT 盟军指挥部转型 AU 非洲联盟 CAAC 儿童与武装冲突 CMX 危机管理演习 CR- SGBV 冲突相关性暴力和基于性别的暴力 CSAP 民间社会咨询小组 CVE 打击暴力极端主义 EAPC 大西洋沿岸伙伴关系理事会 EU 欧洲联盟 GFP 性别问题联络点 IS 国际参谋部 IMS 国际军事参谋部 NAP 国家行动计划 NATO 北大西洋公约组织 OSCE 欧洲安全与合作组织 POC 保护平民 RAR 区域加速执行第 1325 号决议 SGSR 秘书长特别代表 SEA 性剥削和性虐待 SPS 和平与安全科学 TF 工作队 UN 联合国 UNSCR 联合国安全理事会决议 WPS 妇女、和平与安全
与中国有关联的攻击者入侵路由器和物联网设备，用于僵尸网络运营
被调查的僵尸网络的定制 Mirai 恶意软件是自动入侵各种设备的系统的组件。为了招募新的“机器人”，僵尸网络系统首先使用各种已知漏洞利用之一入侵互联网连接设备（请参阅附录 B：观察到的 CVE）。入侵后，受害设备从远程服务器执行基于 Mirai 的恶意软件负载。执行后，负载启动设备上的进程，使用端口 443 上的传输层安全性 (TLS) 与命令和控制 (C2) 服务器建立连接。这些进程从受感染的设备收集系统信息，包括但不限于操作系统版本和处理器、内存和带宽详细信息，以发送到 C2 服务器进行枚举。该恶意软件还会向“c.speedtest.net”发出请求，可能是为了收集其他互联网连接详细信息。一些恶意软件负载会自我删除以逃避检测。
与中国有关联的攻击者入侵路由器和物联网设备，用于僵尸网络运营
被调查的僵尸网络的定制 Mirai 恶意软件是自动入侵各种设备的系统的组件。为了招募新的“机器人”，僵尸网络系统首先使用各种已知漏洞利用之一入侵互联网连接设备（请参阅附录 B：观察到的 CVE）。入侵后，受害设备从远程服务器执行基于 Mirai 的恶意软件负载。执行后，负载启动设备上的进程，使用端口 443 上的传输层安全性 (TLS) 与命令和控制 (C2) 服务器建立连接。这些进程从受感染的设备收集系统信息，包括但不限于操作系统版本和处理器、内存和带宽详细信息，以发送到 C2 服务器进行枚举。该恶意软件还会向“c.speedtest.net”发出请求，可能是为了收集其他互联网连接详细信息。一些恶意软件负载会自我删除以逃避检测。
德勤 2022 年 1 月至 6 月网络威胁趋势
这些数据和分析来自哪里？它来自与我们世界领先的事件响应团队、托管安全服务 (MSS) 和托管扩展检测和响应 (MXDR) 安全运营团队以及情报团队相关的收集，以及我们全球专有的恶意软件数据库，其中包含 200 多个恶意软件家族，用于研究和分析相关妥协指标 (IoC)、文件哈希、域、统一资源定位器 (URL)、Internet 协议 (IP) 地址或通用漏洞和暴露 (CVE) 代码。此外，我们的观察结果来自我们的收集爬虫，覆盖了洋葱路由器 (Tor)、暗网网站、粘贴网站、Telegram 频道、Internet 中继聊天 (IRC) 频道、社交媒体页面、域名服务器 (DNS) 页面、违规内容页面等超过 13 亿个站点。我们将我们自己的专有集合与订阅和开源相结合，以覆盖和分析威胁。
EU的NIS 2指令EU的NIS 2指令
IP面料连续验证您的云和网络安全姿势，无论您采用哪种方法。如果您的焦点是零信任体系结构； IP面料会发现，映射和提醒您与访问控制策略的偏差。如果您已经在体系结构中建立了网络细分和微分段，则IP结构将在每个快照的情况下确保段正确分开，并且没有计划或计划外的更改通过您的基础架构引起了意外的路径。IP结构通过全面的发现，包括生命的终结和支持数据结束，可以自动化您的基本资产管理任务。IP结构可以与CVE（常见漏洞和暴露）数据库相匹配，以了解您的网络是否受任何新添加的影响。内置和自定义意图检查，这些检查验证了实际观察到的网络状态，可根据您所需或预期的网络状态，确保您的网络风险管理策略的成功是可以衡量的。
二进制级别的指示fuzzing用于无使用后的漏洞
通过利用其他信息，例如（部分）错误堆栈跟踪，补丁或风险操作的操作，的指示模糊着重于自动测试代码的特定部分。 关键应用程序包括错误复制，补丁测试和静态分析报告验证。 最近有指示的模糊引起了很多关注，但诸如无用后（UAF）之类的难以检测的漏洞仍未得到很好的解决，尤其是在二进制层面上。 我们提出了UAF UZZ，这是第一个（二进制级）定向的灰色fuzzer，该灰盒源自UAF错误。 该技术采用了针对UAF指定的量身定制的模糊引擎，轻质代码仪器和有效的错误分类步骤。 对实际情况的错误复制的实验评估表明，就故障检测率，暴露时间和虫子三叶虫的时间而言，UAZ的UZZ明显优于最先进的指示fuzz。 uaf uzz也已被证明在补丁测试中有效，从而在Perl，GPAC和GNU补丁等程序中发现了30个新错误（7 CVE）。 最后，我们向社区提供了一个巨大的模糊基准，该基准专用于UAF，并建立在真实的代码和实际错误上。的指示模糊着重于自动测试代码的特定部分。关键应用程序包括错误复制，补丁测试和静态分析报告验证。最近有指示的模糊引起了很多关注，但诸如无用后（UAF）之类的难以检测的漏洞仍未得到很好的解决，尤其是在二进制层面上。我们提出了UAF UZZ，这是第一个（二进制级）定向的灰色fuzzer，该灰盒源自UAF错误。该技术采用了针对UAF指定的量身定制的模糊引擎，轻质代码仪器和有效的错误分类步骤。对实际情况的错误复制的实验评估表明，就故障检测率，暴露时间和虫子三叶虫的时间而言，UAZ的UZZ明显优于最先进的指示fuzz。uaf uzz也已被证明在补丁测试中有效，从而在Perl，GPAC和GNU补丁等程序中发现了30个新错误（7 CVE）。最后，我们向社区提供了一个巨大的模糊基准，该基准专用于UAF，并建立在真实的代码和实际错误上。
二进制级别的指示fuzzing用于无使用后的漏洞
通过利用其他信息，例如（部分）错误堆栈跟踪，补丁或风险操作的操作，的指示模糊着重于自动测试代码的特定部分。 关键应用程序包括错误复制，补丁测试和静态分析报告验证。 最近有指示的模糊引起了很多关注，但诸如无用后（UAF）之类的难以检测的漏洞仍未得到很好的解决，尤其是在二进制层面上。 我们提出了UAF UZZ，这是第一个（二进制级）定向的灰色fuzzer，该灰盒源自UAF错误。 该技术采用了针对UAF指定的量身定制的模糊引擎，轻质代码仪器和有效的错误分类步骤。 对实际情况的错误复制的实验评估表明，就故障检测率，暴露时间和虫子三叶虫的时间而言，UAZ的UZZ明显优于最先进的指示fuzz。 uaf uzz也已被证明在补丁测试中有效，从而在Perl，GPAC和GNU补丁等程序中发现了30个新错误（7 CVE）。 最后，我们向社区提供了一个巨大的模糊基准，该基准专用于UAF，并建立在真实的代码和实际错误上。的指示模糊着重于自动测试代码的特定部分。关键应用程序包括错误复制，补丁测试和静态分析报告验证。最近有指示的模糊引起了很多关注，但诸如无用后（UAF）之类的难以检测的漏洞仍未得到很好的解决，尤其是在二进制层面上。我们提出了UAF UZZ，这是第一个（二进制级）定向的灰色fuzzer，该灰盒源自UAF错误。该技术采用了针对UAF指定的量身定制的模糊引擎，轻质代码仪器和有效的错误分类步骤。对实际情况的错误复制的实验评估表明，就故障检测率，暴露时间和虫子三叶虫的时间而言，UAZ的UZZ明显优于最先进的指示fuzz。uaf uzz也已被证明在补丁测试中有效，从而在Perl，GPAC和GNU补丁等程序中发现了30个新错误（7 CVE）。最后，我们向社区提供了一个巨大的模糊基准，该基准专用于UAF，并建立在真实的代码和实际错误上。
多目标定向灰盒模糊测试
摘要 — 定向灰盒模糊测试 (DGF) 可以通过寻求到达程序位置或按顺序探索某些位置来快速发现或重现程序中的错误。然而，由于其静态阶段划分和粗粒度的能量调度，以前的 DGF 工具在面对多个目标位置（简称目标）时表现不佳。在本文中，我们提出了多目标定向灰盒模糊测试，旨在在模糊测试活动中到达多个程序位置。具体而言，我们提出了一种新颖的策略来自适应地协调探索和利用阶段，以及一种新颖的能量调度策略，通过考虑种子和目标位置之间的更多关系。我们在一个名为 LeoFuzz 的工具中实现了我们的方法，并在崩溃重现、真正验证和实际程序中的漏洞暴露方面对其进行了评估。实验结果表明，LeoFuzz 在有效性和效率方面优于六种最先进的模糊测试器，即 QYSM、AFLGo、Lolly、Berry、Beacon 和 WindRanger。此外，LeoFuzz 在实际程序中检测到 23 个新漏洞，其中 11 个已分配 CVE ID。