APT攻击、勒索软件已成2024年最大网络威胁,从零基础到精通,收藏这篇就够了!

别再只调陀螺仪了!用OpenCV实现基于透视变换的EIS防抖,实测效果媲美手机 本文深入探讨了基于透视变换的EIS电子稳像技术,通过OpenCV实现高阶防抖算法,效果媲美主流手机厂商方案。详细解析了传统旋转平移模型的局限性,并展示了透视变换在复杂场景下的优势,包括数学原理、OpenCV实战代码及性能优化技巧,为视频防抖提供了专业解决方案。 阅读详情

8月19日,奇安信威胁情报中心发布《网络威胁2024年中报告》(简称《报告》)。《报告》基于奇安信威胁雷达监测数据,同时结合全网开源APT(高级持续性威胁)情报、勒索软件、互联网黑产攻击、漏洞情报等综合信息,对2024年上半年各种主流网络威胁进行了全面剖析。

**《报告》显示,APT攻击****和勒索软件依然猖獗。**2024上半年,广东省受境外APT团伙攻击情况依旧最为突出,其次是江苏、四川、浙江、上海、北京等地区。从受影响行业来看,涉及我国信息技术、政府机构、科研教育、建筑、制造行业的高级威胁事件占主要部分,其次为医疗健康、能源、金融等领域。

在勒索攻击方面,2024上半年全球范围内活跃的勒索软件家族数量众多,新型勒索软件和变种不断出现,部分勒索团伙大多采用“双重勒索”的攻击模式。勒索软件攻击波及包括中国在内的多个国家,受害者中既有个人用户,也有各种规模的组织机构,政府、医疗、制造、能源等行业屡次遭到勒索攻击团伙染指。

APT攻击瞄准发达地区和重要行业

UTG组织持续活跃

《报告》通过综合分析奇安信威胁雷达测绘数据、奇安信红雨滴团队对客户现场的APT攻击线索排查情况以及奇安信威胁情报支持的全线产品告警数据,发现以下结论:2024上半年,广东省受境外APT团伙攻击情况依旧最为突出,其次是江苏、四川、浙江、上海、北京等地区。

图1.4 2024上半年中国境内疑似受控IP地域分布

从行业分析来看,2024上半年涉及我国信息技术、政府机构、科研教育、建筑、制造行业的高级威胁事件占主要部分,占比分别为:18.5%,16.3%,12.0%,7.6%,7.1%。其次为医疗健康、能源、金融等领域。受影响的境内行业具体分布如下。

图1.5 2024上半年高级威胁事件涉及境内行业分布情况

由此可见,2024年上半年的APT攻击,主要瞄准了集中在珠三角、长三角、北京等经济发达地区省份,目标行业集中在信息技术、政府机构、科研教育等高价值数据集中的重要行业。

《报告》还发现,除了已知的APT组织外,还观察到多个持续针对国内重点目标的未知威胁组织(UTG)。尽管有些威胁组织我们清楚攻击者的目的和所在地区,但目前无法归属到背后具体的攻击实体。这些UTG组织的攻击活动涉及新能源、低轨卫星、人工智能、航天航空等多个领域,甚至通过入侵跨国公司的境外基础设施作为立足点向中国境内的办公点进行横向移动。

从全球高级威胁活动看,《报告》指出,APT涉及目标的国家和地域分布情况统计如下图(摘录自公开报告中提到的受害目标所属国家或地域),可以看到公开披露的大部分高级威胁攻击活动集中在韩国、乌克兰、以色列、印度等几个国家地区。

图1.26 2024上半年公开披露的高级威胁活动针对的国家和地区

《报告》还对APT组织及相关行动进行了分析和整理。其中,提及率Top 5的APT组织分别是:Kimsuky 13.4%,Lazarus 8.9%,APT28 4.5%,Group123/Sandworm/MuddyWater/C-Major 3.6%,摩诃草/Turla 2.7%。

图1.29 2024上半年公开披露的高级威胁类攻击组织和行动

勒索攻击更加专业化、成熟化

攻击烈度升级

《报告》发现,2024上半年的勒索软件攻击活动,全球各地多个行业的组织和个人均受到影响。不仅活跃的勒索软件家族数量众多,还出现了一些新型勒索软件和变种,足以反映出这个网络犯罪产业的繁荣。

其中,勒索软件的投递使用多种手段,包括漏洞利用、借助其他恶意软件和远程管理工具、软件伪装等。其中,漏洞利用是勒索软件团伙获取目标设备访问权的常用手段。2024上半年,多个漏洞在公开后立即遭到勒索软件攻击者滥用。

实际上,很多针对企事业单位的勒索攻击往往结合了精心的渗透过程,一些新兴勒索软件采用以往的恶意代码,攻击虚拟化环境的勒索软件逐渐增多。

2024上半年,勒索软件世界中不断有“新人”出现。此外,多种勒索软件已具备针对虚拟化环境的能力,体现出勒索攻击手段的持续专业化演进。

值得注意的是,现在稍具规模的勒索团伙大多采用“双重勒索”的攻击模式,不仅让受害者支付赎金解密文件,还以泄露数据为要挟再次实施勒索,对受害组织而言无疑雪上加霜。

互联网黑色产业链逐步完善

经济利益更加明确

走在法律监管之外牟利的互联网黑色产业链,同样是危害网络世界平稳运行的一大威胁来源。奇安信威胁情报中心发现,2024上半年的互联网黑产攻击活动,其中既有被多个黑产团伙使用的“银狐”木马继续肆虐,又有新型黑产团伙浮出水面。

图3.2 银狐木马黑产团伙使用的钓鱼链接主题示例

其中,最初被当作单个黑产团伙的银狐,因其样本变种多,迭代速度快,涉及的网络资产数量庞大且分散,投递方式多样,已经远超单一黑产组织的能力范围。银狐木马是这些黑产团伙的共用工具。

根据奇安信威胁情报中心的研究,2024上半年,银狐木马黑产团伙使用的诱饵包含大量“财税”、“发票”类话题,意图攻击企事业单位财税等岗位的人员。

边界设备陷落

安全产品自身漏洞成攻击目标

2024年上半年,在野利用的0day数量与去年同期相比基本一致,但往年微软、谷歌、苹果三足鼎立的格局被打破,谷歌依旧是相关漏洞最多的厂商,微软、苹果的漏洞数量却有所回落,其中空缺部分被网络边界设备(如防火墙、VPN)自身漏洞填补。

边界设备作为企业外围的第一道防线,对企业安全的重要性毋庸置疑,奇安信威胁情报中心关注到,2024年上半年出现了多起以边界设备为入口的攻击。

2024年1月11日,Mandiant披露了UNC5221的在野攻击活动,该攻击中UNC5221使用了Ivanti Connect Secure VPN的两个0day漏洞,在成功利用CVE-2023-46805(身份验证绕过)和CVE-2024-21887(命令注入)之后,投递了多个自定义的木马程序。

2024年4月25日,思科Talos发布了名为ArcaneDoor攻击活动的报告,攻击者使用了思科ASA防火墙中的两个0day CVE-2024-20353和CVE-2024-20359。

2024年5月15日,Volexity披露了UTA0218的在野攻击活动,该攻击使用Palo Alto Networks PAN-OS的GlobalProtect功能存在的0day漏洞CVE-2024-3400,并以此作为内部横向移动的切入点。

从2023年开始类似针对边界设备的攻击开始增多,一个原因在于很多边界设备本身安全性要差很多,攻击者能以很小的成本就发现可用的漏洞;另外,这些边界设备被攻陷后,其具有的功能往往能给攻击者带来巨大的收益,因此越发受到攻击者的青睐。

《报告》最后指出,安全攻防是攻击者与厂商安全研究人员的较量,攻击者积极挖掘新攻击面并更新技战术,恶意软件的快速迭代和跨平台攻击的增加对防御者提出了新的挑战。同时,随着AI技术的发展,AI不仅成为网络安全人员的重要工具,也带来了新的攻击手段和挑战,如用AI生成的误导信息内容和AI本身引入的软件漏洞。因此,广大政企机构仍需紧密关注最新的网络威胁动态和技术趋势,并与安全专业公司合作,打赢这场永不停息的安全对抗之战。

`黑客&网络安全如何学习

今天只要你给我的文章点赞,我私藏的网安学习资料一样免费共享给你们,来看看有哪些东西。

1.学习路线图

攻击和防守要学的东西也不少,具体要学的东西我都写在了上面的路线图,如果你能学完它们,你去就业和接私活完全没有问题。

2.视频教程

网上虽然也有很多的学习资源,但基本上都残缺不全的,这是我自己录的网安视频教程,上面路线图的每一个知识点,我都有配套的视频讲解。

内容涵盖了网络安全法学习、网络安全运营等保测评、渗透测试基础、漏洞详解、计算机基础知识等,都是网络安全入门必知必会的学习内容。

(都打包成一块的了,不能一一展开,总共300多集)

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

【点击这里,先领资料再阅读哦~】

3.技术文档和电子书

技术文档也是我自己整理的,包括我参加大型网安行动、CTF和挖SRC漏洞的经验和技术要点,电子书也有200多本,由于内容的敏感性,我就不一一展示了。

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

【点击这里,先领资料再阅读哦~】

4.工具包、面试题和源码

“工欲善其事必先利其器”我为大家总结出了最受欢迎的几十款款黑客工具。涉及范围主要集中在 信息收集、Android黑客工具、自动化工具、网络钓鱼等,感兴趣的同学不容错过。

还有我视频里讲的案例源码和对应的工具包,需要的话也可以拿走。

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

【点击这里,先领资料再阅读哦~】

最后就是我这几年整理的网安方面的面试题,如果你是要找网安方面的工作,它们绝对能帮你大忙。

这些题目都是大家在面试深信服、奇安信、腾讯或者其它大厂面试时经常遇到的,如果大家有好的题目或者好的见解欢迎分享。

参考解析:深信服官网、奇安信官网、Freebuf、csdn等

内容特点:条理清晰,含图像化表示更加易懂。

内容概要:包括 内网、操作系统、协议、渗透测试、安服、漏洞、注入、XSS、CSRF、SSRF、文件上传、文件下载、文件包含、XXE、逻辑漏洞、工具、SQLmap、NMAP、BP、MSF…

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

【点击这里,先领资料再阅读哦~】

特别声明:

此教程为纯技术分享!本书的目的决不是为那些怀有不良动机的人提供及技术支持!也不承担因为技术被滥用所产生的连带责任!本书的目的在于最大限度地唤醒大家对网络安全的重视,并采取相应的安全措施,从而减少由网络安全而带来的经济损失!!!

【WRFDA第一期】WRF数据同化概述及资源整理 阅读详情

相关推荐

通达信波段交易公式实战:如何用副图指标精准捕捉买卖点(附完整源码)

本文深入解析通达信波段交易副图指标的构建与应用,提供完整源码实现,帮助投资者精准捕捉买卖点。通过趋势强度度量、超买超卖判断及信号过滤机制,结合K线图分析,有效提升波段交易的成功率。

weixin_29306317的博客 606

2024年最危险的十大恶意软件,从零基础到精通,收藏这篇就够了!

Emotet最初是一个银行木马,现已演变为多功能的恶意软件平台,因其高效的“敏捷开发”能力在业界闻名,主要通过带有恶意附件的钓鱼邮件传播。面对日益复杂的恶意软件威胁,企业应采取情报驱动的主动防御策略,包括定期更新系统和软件、加强网络钓鱼防御、实施多因素身份验证并投资行为分析工具,以检测和阻止潜在的攻击。针对Windows平台的木马,将目标系统的系统信息发送到远程服务器,从服务器接收命令来下载并执行插件、终止进程、卸载/更新自身以及捕获受感染系统的屏幕截图。大白也帮大家准备了详细的学习成长路线图。

leah126的博客 5302

ArcMap新手必看:Shape属性中的点ZM值到底是什么?如何快速处理

本文深入解析ArcMap中Shape属性中的点ZM值,揭示其在GIS数据中的隐藏维度作用,包括Z值(高程值)和M值(测量值)。针对ZM值可能引发的服务发布问题,提供三种高效处理方案,帮助新手快速掌握数据导入时的ZM值管控策略及精准去除方法。

weixin_42561476的博客 431

国家黑客组织利用思科两个0day攻击政府网络

聚焦源代码安全,网罗国内外最新资讯!编译:代码卫士思科提醒称,自2023年11月起国家黑客组织一直在利用位于 ASA 和 FTD 防火墙中的两个0day漏洞攻陷全球政府网络。这些黑客被思科 Talos 称为 “UAT4356”,微软称为 “STORM-1849”,他们自2023年11月开始发动网络间谍活动 ArcaneDoor,渗透易受攻击的边缘设备。尽管思科尚未发现初始攻击向量,但发现并修复了...

smellycat000的专栏 550

突发环境事件怎么模拟?用Python+GIS实现高斯烟团模型(附完整代码)

本文详细介绍了如何利用Python与GIS技术实现高斯烟团模型,用于模拟化工泄漏等突发环境事件的动态扩散过程。通过核心原理讲解、参数快速获取方案、Python代码实现及GIS可视化集成,为环境应急人员提供了一套完整的解决方案。特别适合危险品运输事故等瞬态污染场景的应急决策支持。

weixin_33692284的博客 486

把个人化的 SQVI 报表变成可维护、可共享、可传输的 ABAP Query:从定位来源到转换落地的完整路线图

本文针对SAP系统中业务用户常用但难以维护的SQVI临时报表问题,提供了一套完整的解决方案。文章首先区分了SQVI(个人临时报表)和ABAP Query(团队可维护报表)的关键差异,重点介绍了如何通过函数模块RSAQ_DECODE_REPORT_NAME反查报表来源。对于SQVI报表,详细说明了定位创建人和转换为团队可维护的ABAP Query的具体步骤,包括Query Area切换、转换操作和后续维护方法。最后总结了常见问题的解决方案,如字段调整、口径固化和生成程序名反查等,为现场实施提供了可直接操作的完

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 302

15款针对Android手机的免费攻击App

随着Android移动操作系统的用户不断增加,我们看到针对Android的攻击应用程序也在迅速增加。在这篇文章中,我们将向大家介绍2024年非常好的Android攻击应用,其中包括流行的WiFi和手机攻击应用,例如Hackode、zANTI、Shark for Root等。15款针对Android手机的免费攻击App根据行业评论以及我们自己的经验,这里汇总了道德黑客和安全研究人员可以使用的优异Android攻击应用程序。

小司机的奥拓 8917

C# MES通信从入门到精通(1)——串口传输文件

本文详细介绍了在Mes通信领域如何使用串口发送文件,由实战经验总结,堪称MES通信领域的葵花宝典!

qq_34059233的博客 3750

网络安全(黑客)工具篇

看完这些相信大家会对里面的内容非常感兴趣,因为身为一个网络安全方面的小白,还是很有必要接触这些工具的,毕竟只有先使用这些功能,我们才能更加了解这些功能。网络安全产业就像一个江湖,各色人等聚集。相对于欧美国家基础扎实(懂加密、会防护、能挖洞、擅工程)的众多名门正派,我国的人才更多的属于旁门左道(很多白帽子可能会不服气),因此在未来的人才培养和建设上,需要调整结构,鼓励更多的人去做“正向”的、结合“业务”与“数据”、“自动化”的“体系、建设”,才能解人才之渴,真正的为社会全面互联网化提供安全保障。

chengxuyuanyy的博客 1415

STM32F103VCT6+W5500 TCP 服务端通信

STM32F103VCT6 W5500的TCP连接通讯的程序

坚韧与专注 7819

YOLOv8融合可变形注意力(DAT)实战教程:暴力涨点的科研级注意力机制优化方案

DAT的“可变形注意力”为目标检测的“精准特征捕捉”提供了全新思路,而YOLOv8的工程化优势让这种科研创新能快速落地到工业场景。希望这篇教程能帮你在“注意力机制优化+复杂场景检测”的痛点上找到突破口。如果你在实操中遇到“涨点不明显”的问题,不妨回到“DAT的采样点是否贴合目标形状”“注意力权重是否有效过滤背景”这些细节上找原因——科研的价值,就在于在细节打磨中推动技术进步。祝你在DAT与YOLOv8的结合探索中,既能做出有说服力的实验成果,又能沉淀出解决异形目标检测难题的实用经验。

know_F0727的博客 83

APT攻击、勒索软件已成2024年最大网络威胁,从零基础到精通,收藏这篇就够了!_我国受apt攻击

8月19日,奇安信威胁情报中心扔出了一份《网络威胁2024年中报告》,这玩意儿与其说是报告,不如说是给上半年网络安全态势做了个“CT扫描”。数据来自奇安信威胁雷达,但人家不光看自家雷达,还把全网的APT情报、勒索软件、黑产攻击、漏洞情报啥的都揉一块儿,想看看2024年上半年,网络安全这潭水里到底藏了多少妖魔鬼怪。。《报告》点名广东,说它依旧是境外APT团伙的“心头好”,江苏、四川、浙江、上海、北京也得跟着提心吊胆。

bdfcfff77fa的博客 1069

【人工智能】从零开始玩转龙虾(Openclaw):本地与云端(火山Arkcloud)部署全指南

龙虾(Openclaw)是一款海外智能体操作系统(agent operating system),可通过飞书机器人实现自动化办公、信息抓取、任务协作等功能。它支持本地部署和云端部署两种方式,适配MacOS和Windows系统(,建议优先使用MacOS)。sudo。

奶爸的编程之路,也就一周冷个三天 947

Fortinet发布《2025年网络威胁趋势预测报告》

近日,全球网络安全提供商Fortinet震撼发布了其年度力作——《2025年网络威胁趋势预测报告》。这份报告深刻剖析了当前网络攻击的狡猾多变与步步紧逼,更如同一盏明灯,照亮了未来几年网络安全战场上可能潜藏的未知威胁。接下来,让我们一同深入这份报告的精髓,揭开未来网络战场的神秘面纱。

Sophya89的博客 1382

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

2024年活跃挖矿木马盘点,从零基础到精通,收藏这篇就够了!

挖矿木马通过各种手段将挖矿程序植入受害者的计算机中,在用户不知情的情况下,利用受害者计算机的运算能力进行挖矿,从而获取非法收益。目前已知多个威胁组织(例如,

Libra1313的博客 1874

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Fortinet 发布《2024 年网络威胁趋势预测报告》 攻击精准性、复杂性将显著提升

零日经纪人”的兴起将成为网络犯罪分子扩展攻势的有效路径,并通过更协同配合的攻击活动挖掘更广泛的攻击面。首先,组织需创建网络弹性文化,持续推行安全举措,如企业全面的网络安全教育计划,以及针对高管的桌面演练等更具针对性的安全意识强化活动,让守护网络安全成为每一位员工的职责所在。该报告由Fortinet全球威胁情报和研究团队(FortiGuard Labs)制作,深入探讨了高级持续性网络犯罪的新时代,探究新技术对攻击态势的影响,分享了 2024 年值得关注的最新威胁趋势,并给出了组织开展网络安全防御的建议。

优快云云计算 1192

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

勒索软件、供应链攻击等带来的思考!

如何学习网络安全2023年勒索软件、供应链攻击、地缘政治冲突与黑客活动主义、国家黑客间谍与APT组织活动成为网络安全的热点话题,生成式人工智能技术的武器化更是给动荡的全球网络安全威胁态势增加了不确定性、不对称性和复杂性。即将到来的2024年,随着网络犯罪的规模化和新兴网络威胁的快速增长,防御者将面临前所未有的艰巨挑战。根据Cybersecurity Ventures的预测,到2024年底,网络攻击给全球经济造成的损失预计将高达10.5万亿美元。

资深程序员,曾自学JAVA,C#,如今从业于网安行业 1088

面对网络威胁,2024年如何做好网络安全工作

为了应对这些威胁,需要采取有效的安全措施和技术手段,包括复杂的网络安全解决方案、威胁系统云监控、加强与专业的网络安全服务商的合作交流等,只有综合运用各项这些措施,才可以有效地保护企业和个人的网络安全。随着技术的不断发展,新的恶意软件和勒索软件将不断涌现,对企业和个人的网络安全构成威胁。随着人工智能和云计算等新技术改变网络安全格局,基于AI和大型语言模型的工具的功能和可访问性越来越强,网络行业要了解2024年可能的网络安全威胁,对网络安全风险做出评估,并采取积极的安全策略。

dexunyun的博客 1214
上一篇: 【2025版】最新SQL注入漏洞挖掘工具使用指南,零基础入门到精通,收藏这篇就够了
下一篇: 【详细版】2025入门黑客技术必读书籍,带你从小白进阶大佬!收藏这一篇就够了
披荆斩棘的GG
博客等级 码龄4年 1万+粉丝 2960原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值