XiaoMi-AI文件搜索系统
World File Search System恶意软件
软件验证的一般原则；行业和 FDA 工作人员的最终指南
SECTION 2.SCOPE 第 2 部分 范围 This guidance describes how certain provisions of the medical device Quality System regulation apply to software and the agency’s current approach to evaluating a software validation system.For example, this document lists elements that are acceptable to the FDA for the validation of software; however, it does not list all of the activities and tasks that must, in all instances, be used to comply with the law.本指导描述了医疗器械质量系统法规的某些条款如何应用到软件，以及 FDA 评价一个软件验证系统的 现行方法。例如，本文列出了 FDA 对于软件验证的可接受元素；但是，并未列出在一切情况下必须遵 循法律的所有活动和任务。 The scope of this guidance is somewhat broader than the scope of validation in the strictest definition of that term.Planning, verification, testing, traceability, configuration management, and many other aspects of good software engineering discussed in this guidance are important activities that together help to support a final conclusion that software is validated.严格上讲，本指导的应用范围比验证的范围更广泛一些。计划、确认、测试、追溯性、配置管理及本 指导中讨论的良好软件工程的许多其他方面是重要的活动，它们有助于支持一个最终结论 - 软件是已验 证过的。 This guidance recommends an integration of software life cycle management and risk management activities.Based on the intended use and the safety risk associated with the software to be developed, the software developer should determine the specific approach, the combination of techniques to be used, and the level of effort to be applied.While this guidance does not recommend any specific life cycle model or any specific technique or method, it does recommend that software validation and verification activities be conducted throughout the entire software life cycle.本指导建议将软件生命周期管理和风险管理活动进行整合。根据预期用途和与开发的软件相关联的安 全风险，软件开发人员应确定特定方法，使用的多个技术的组合，以及应用尝试程度。虽然本指导未 推荐任何特定生命周期模式，或任何特定技术或方法，但建议整个软件生命周期需进行软件验证和确 认活动。 Where the software is developed by someone other than the device manufacturer (e.g., off-the-shelf software) the software developer may not be directly responsible for compliance with FDA regulations.若软件由某人而非器械生产商开发，如成品组件软件，这个软件开发者可能不直接负责 FDA 法规的符 合性。 In that case, the party with regulatory responsibility (i.e., the device manufacturer) needs to assess the adequacy of the off-the-shelf software developer’s activities and determine what additional efforts are needed to establish that the software is validated for the device manufacturer’s intended use.
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。
轩辕:AI 原生数据库系统
软件学报 ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn Journal of Software ,2020,31(3):831 − 844 [doi: 10.13328/j.cnki.jos.005899] http://www.jos.org.cn © 中国科学院软件研究所版权所有 .Tel: +86-10-62562563
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。
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
社区供水系统恶意行为的基线信息
地下水和饮用水办公室的水基础设施和网络弹性部门已审查并批准发布本文件。本文件不对任何一方施加具有法律约束力的要求。本文件中的信息仅用于推荐或建议，并不构成任何要求。美国政府及其任何雇员、承包商或其雇员均不对任何第三方使用本文件中讨论的任何信息、产品或流程作出任何明示或暗示的保证，或承担任何法律责任或义务，或表示该方对其的使用不会侵犯私有权利。提及商品名称或商业产品并不构成认可或使用建议。
对抗克里姆林宫恶意影响力发展框架
克里姆林宫的恶意影响现在是推动欧洲和欧亚大陆 (E&E) 民主和经济进步的最紧迫挑战。莫斯科在整个 E&E 地区及其他地区传播恶意影响的能力是多方面的和复杂的。它包括使用军事力量、虚假宣传活动、破坏民主制度和进程的努力以及网络攻击。E&E 国家对克里姆林宫恶意影响的脆弱性因对俄罗斯贸易和投资的大量经济依赖、对俄罗斯能源的依赖、与克里姆林宫主导的媒体高度相关和暴露的信息环境以及该地区几个国家的民主倒退而加剧。此外，共产主义遗产在经济和政治生活的所有领域普遍存在的腐败为克里姆林宫的干涉创造了肥沃的土壤。
使用 Vision Transformer 区分恶意无人机
摘要：无人机因其大小和工作量各不相同而广泛用于各种应用，例如监视、导航、在自主农业系统中喷洒农药、各种军事服务等。然而，携带有害物体的恶意无人机经常被用来侵入禁区并袭击关键公共场所。因此，及时发现恶意无人机可以防止潜在的危害。本文提出了一种基于视觉变换器 (ViT) 的框架来区分无人机和恶意无人机。在提出的基于 ViT 的模型中，无人机图像被分割成固定大小的块；然后，应用线性嵌入和位置嵌入，最终将得到的向量序列输入到标准 ViT 编码器。在分类过程中，使用与序列相关的额外可学习分类标记。将提出的框架与几个手工制作的深度卷积神经网络 (D-CNN) 进行了比较，结果表明，提出的模型的准确率达到了 98.3%，优于各种手工制作的和 D-CNN 模型。此外，通过将所提出的模型与现有的最先进的无人机检测方法进行比较，证明了所提出的模型的优越性。
使用机器学习的恶意URL检测
我们在本文中解决了我们的经验培训和测试恶意URL检测系统。我们的研究受到一系列技术和安全开发的启发。首先，互联网已成为一个更危险的环境。Smanteme宣布2011年的网络威胁一年增长了36％。每天大约相当于4,500次新攻击。推出新攻击的速度远远超过了传统的反恶意软件工具的功能。第二，移动网络数据的个人和业务使用都大大提高。smanteme在其2012年的灵活性调查中观察到，虽然智能手机曾经在很大程度上被它禁止，但现在有成千上万的工人使用它们。结果，攻击者的攻击人群不仅扩大了，而且从商业或财务的角度包含了一个潜在吸引人的社区。
人工智能和网络安全：
工作原理 Mimecast 利用检查引擎中的 AI，提供针对以前未知威胁（APT、零日攻击和勒索软件）的保护。各种文件检查功能中集成的机器学习算法从现有恶意软件样本或家族中提取特征，使其能够根据共享的相似特征预测未来的恶意软件。Mimecast 的沙盒使用机器学习和行为检测技术，确保只有需要进一步分析的文件才会被送去检查，从而缩短分析响应时间。发送到沙盒的文件除了诱饵、反规避技术、反漏洞和攻击行为分析外，还会通过高级机器学习算法进行分析，从而实现高效的恶意软件检测。集成机器学习算法的恶意软件检测技术比基于签名的系统更有效，因为它对新恶意软件变种的检测率更高。