由linkedin数据库泄漏引发的思考

黑客泄露 3500 万条 LinkedIn 用户记录 造成此次泄露的黑客与之前泄露 InfraGard 和 Twitter 数据库的黑客是同一个人。 阅读详情

本文来自腾讯大讲堂(DJT.QQ.COM),转载请注明出处。


【事件回放】


       6月6日晚,知名专业社交网站LinkedIn爆出部分用户账户密码失窃,LinkedIn主管文森特·希尔维拉(Vicente Silveira)在其个人博客中证实了此事。根据Venturebeat的报道,650w被偷窃的LinkedIn账户密码列表已经被上传至一家俄罗斯黑客服务器,但目前尚不能确认是否只是650w的用户帐号被窃。


备注:

 

截取来自百度百科的简介:

 

       LinkedIn是一家面向商业客户的社交网络(SNS)服务网站,网站的目的是让注册用户维护他们在商业交往中认识并信任的联系人,俗称“人脉”(Connections)。Linkedin目前用户过亿,平均每一秒钟都有一个新会员的加入。其会员大约一半的成员是在美国,1100万来自欧洲。


  

     

【黑客是怎么做到的?】

 

       国内国外在近两年来,数据被窃事情不断频发,优快云,索尼PlayStation,Linkedin,这些攻击的具体细节至今没有对外公布过,那么我们大胆猜测下,黑客是怎么把黑手伸向用户数据库的?


        安全的短板理论,最容易出问题的地方往往都是很细小的地方,可能你只是少打了个补丁,亦或者代码少写了个符号,当然也有种可能,黑客是拿着大锤去撬机房服务器。:)坏人的眼睛一直在盯着我们,一次错误就足以致命。


 

【应该怎么做?】

 

       我们应该如何去防止这种事情发生呢?

 

       进不来,进来了带不走,带走了用不了,纵深防御的思维可以得到体现。



       进不来

 

       想让黑客们进不来,那就需要知道黑客进来的入口在哪里?

 

       1.对web服务器的攻击,信息获取的来源有工具扫描(nmap,nessus等),Google hacking,信息获取的目的是为了获取更多的信息去攻击web端。

       2.黑客对我们内网或者vpn进行攻击,企图通过办公网进入服务器。



      如何控制住入口?

 

      1. 制度

      一:开发遵循SDL开发流程,上线前进行安全测试,确保无安全问题再上线。

      二:不允许员工将办公邮箱去注册互联网网站账户。

      三:VPN或者其他第三方媒介的安全制度

      四:漏洞修复流程


      2. 流程:

      一:通过IDS,对黑客尝试入侵进行报警。

      二:定期对在线业务进行安全测试,并输出总结性报告

      三:内网(VPN)与服务器区隔离,或者有较强的安全认证。



       带不走

 

       黑客入侵后,为了获取更多的权限和以后的操作方便(例如带走大量数据),通常会进行进一步的提权或者是放置后门的操作。



       在服务器上装好“后门”,就可以在夜黑风高的晚上对服务器数据进行偷窃,那么换位思考下,黑客偷窃会有什么样的行为?


        一:首先会上传web木马,web木马根据脚本会分不同的版本,但是每种恶意脚本中都会有关键字。

        二:成功通过web木马控制服务器后,黑客会对服务器进行系统探测,比如Linux版本,权限,网络配置等等

        三:熟悉服务器信息后,下一步就是基于黑客的目的而触发的行为,比如通过已控制的服务器去渗透其他服务器,或者入侵数据库,偷窃数据。

        四:目的达到,清理日志,安装系统后门。



        在上述每个行为都会有自己的特征行为,可以基于行为通过主机监控系统进行防范。


  在入侵者的典型入侵环节上都设置相关的探头和监控点,比如当入侵者上传网页后门时,或者是使用木马时系统都会及时发出告警,又或者入侵者通过漏洞操作系统的shell进行入侵时,监控平台也会记录下所有操作,便于事后追查。



用不了

 

        一:密码用不了

 

        Linkedin密码样本,加密方式为SHA1,比起直接粗暴的明文要强很多,但是SHA1加密真的安全吗?很多人都意识中,认为标准的hash算法(md5 sha1 sha256等)用于密码加密是安全的,这个是一个误区。我在网上截取了知名GPU破解工具破解指标对比表。

 

  

 

  5000M c/s  可大约换算对应20亿条每秒,那么暴力去“撞库”,密码真的安全吗?

 

       咨询了国内最大的密码破解网站的站长,他给出来的建议是非标准hash+salt。

  

        二:文件用不了

 

       在互联网上,经常有人爆出某某绝密文件,某某公司财务报表等等,这些数据的价值无可非议,如何保证数据即使被偷窃也不会造成损失。推荐企业内部使用文件加密系统。


        应急响应

 

      假如数据库泄漏了怎么办呢?

 

      于周四,Linkedin发布声明:

       http://blog.linkedin.com/2012/06/07/taking-steps-to-protect-our-members/


       在此事中,Linkedin在不断的去补救密码泄漏带来的负面影响。发布公告—>限制被窃号码登录(止损)—>引导用户修改密码—>承诺整改。下面做了整理了一个表格,对Linkedin的应急响应做了梳理。

 

厂商


响应时间


处理方法


态度


Linkedin


事件发生到发布声明不超过12小时


引导用户在网站修改密码,不通过第三方媒介修改


承诺安全保护,在加密的密码上再加强验证


  应急响应是门大学问,处理好可以达到亡羊补牢的作用,处理不好会带来更多的危机。


      【其他】

 

       帐号的强弱鉴定

 

       优快云数据库泄漏以后,有好事之人把数据库进行热门密码匹配,出现了普通,文艺,2B密码排行榜。这次也不例外,有人把linkedin的密码也做了下分析,如下图所示:

 

  

  

  从图中可以看到,“link”是最容易被获取的密码,其次是“work”和“job”,宗教如“god”、“angel”、“jesus”也是流行的密码主题。另外,数字串“1234”和“12345”也榜上有名。


       在帐号体系中,1.单点设置密码是有强密码策略,那么很多人就习惯性的去输入1qazxsw2,完全符合策略,可是这个只能算大众强密码。2.预防这种符合策略又不安全的密码,我们在帐号体系中有比较有效的方法防止自动化密码验证行为。


       可是笔者担心的是,随着密码库泄漏的数量越来越多,不能在密码设置中去彻底解决弱密码问题,需依靠堵截自动化行为密码验证的行为难免百密一疏。


 

       隐私保护

 

       这次linkedin密码泄露的问题,衍生出了一个隐私问题,有关科技网站爆料,linkedin的IOS客户端存在偷偷上传用户的日历,待办事件,通讯录或者还有密码信息,linkedin的解释是上传一些非必要的数据,是为了做数据分析,更好地为用户服务,但是这个在隐私保护意识强的国外,无疑是会受到指责的,在IOS客户端中,Path等也出现过这样的问题。不过都在被爆出来后迅速修复了。

 

  

 

  我们不仅要保护我们的客户端没有危害用户隐私和密码明文存储的行为,而且要保护我们的用户不受到恶意程序的侵害,特别是在安卓平台下,未经用户允许,读取短信,图片,甚至是吸费的程序一直层出不穷。


      【尾声】

 

       安全无小事,仅靠网络安全工作者的努力是远远不够的,一方面我们在前行,另外一方面安全需要大家的参与和配合,这样黑客才无处遁形。


       写完这篇稿子的时候,在微博上得知last.fm的数据库也泄漏了,在日益严峻的网络安全环境下,安全工作任重道远。

 

  

 

本文来自腾讯大讲堂(DJT.QQ.COM),转载请注明出处。

AI行业入场实操指南:从Ph.D.到Twitter再到职业破局 AI工程岗位本质是‘AI增强型工程岗’,核心能力并非理论推导,而是可验证、可迁移、可协作的问题解决能力。理解系统性建模思维、技术表达力与领域翻译能力,是突破学历门槛的关键。Twitter作为实时技术决策沙盒,能有效沉淀可公开验证的调试过程与底层机制洞察;GitHub与Notion则构成技术信用的结算中心与仪表盘。这种‘能力显性化→社区信任→真实项目验证’的新路径,特别适用于有Python和工程经验但缺乏AI项目背书的开发者、卡在理论与实践之间的应届生,以及寻求技术驱动职业转型的跨行业从业者。 阅读详情

相关推荐

MuleSoft+LangChain双引擎实现企业级AI编排

AI编排(AI Orchestration)是连接大语言模型与企业核心系统的关键技术范式,其本质是将LLM的推理能力嵌入已有的ERP、CRM、SAP等异构IT资产中,解决数据孤岛、权限治理与业务逻辑耦合三大难题。它依托API集成、RAG检索、动态提示工程与安全路由等工程化手段,在保障GDPR/PCI-DSS合规前提下,实现自然语言驱动的端到端业务自动化。典型应用场景包括销售风险分析、财务欺诈检测与HR智能匹配——这些落地实践共同指向一个结论:真正可扩展的企业AI,不靠单点模型突破,而依赖MuleSoft这类

weixin_30924239的博客 451

GITHUB上的一些DevSecOps

最近一直在完善自己的扫描器和攻击链,所以也一直在GITHUB上看自动化的一些知识,脑壳痛看起来比较优秀的如下,本人只推荐哈DefectDojoDefectDojo 是一个安全编排和平台。DefectDojo 允许您管理您的应用程序安全程序,维护 产品和应用信息、分类漏洞和 将结果推送到 JIRA 和 Slack 等系统。DefectDojo 丰富并 使用许多启发式算法来优化漏洞数据,这些算法 随着您使用该平台的次数越多越好。github;搭建好的运行截图如下。

qq_44005305的博客 903

老赵点滴:面向中阶.NET工程师的职业成长操作系统

技术博客不仅是知识载体,更是开发者职业能力进化的基础设施。从基础概念如ASP.NET Core中间件、EF Core变更跟踪,到高阶原理如责任链模式在HTTP生命周期中的具象化、GC代际策略对前端加载性能的影响,其核心价值在于将隐性工程经验转化为可复用的判断力模型。这类内容填补了官方文档与真实生产场景之间的关键鸿沟,支撑架构权衡、故障复盘与跨角色协作等典型工作流。尤其适合工作2–8年、面临技术纵深与团队影响力双重突破需求的.NET中阶工程师,在性能调优、分布式事务、Blazor内存分析等高频实战场景中建立系

ciyinzhi8788的博客 416

盘点十大「亿级」数据泄露事件,个人信息还安全吗?从零基础到精通,收藏这篇就够了!_典型数据安全泄露事件

近年来,随着信息技术的飞速发展,数据已经成为现代企业不可或缺的发展资源。然而,随之而来的数据泄露危机,给个人、企业甚至整个社会带来了巨大的风险。截至2024年上半年,一些最严重的数据泄露事件已经窃取、暴露了至少10亿条记录,而且这一数字仍在不断攀升。这些触目惊心的数字时刻提醒人们,数据泄露威胁是无法避免的。重要的是,组织是否有足够强大的网络安全措施和灾难恢复框架来缓解恶意活动的影响。通过实施威胁检测和响应策略,组织将有更高的机会保护有价值的数据,或者更容易地从泄露事件中恢复。

2401_84578953的博客 2706

2026年编程学习指南:AI时代高性价比Coding Plan评估模型

在AI深度重构开发流程的2026年,'Coding Plan'已从录播课程升级为融合实时代码评审、AI协同编程、生产级项目交付与认知科学设计的综合能力系统。其核心价值不再取决于课时或价格,而在于能否高效清偿技术债、提升AI协同生产力、沉淀可验证数字资产,并保护开发者有限的认知带宽。本文基于动态权重评估框架,聚焦云原生(K8s/eBPF/OpenTelemetry)、AI提示工程与业务语义理解等2026年关键技术演进方向,为中级开发者提供一套可自校准的学习决策方法论,直击从执行者到问题定义者的跃迁瓶颈。

462

.NET开发者成长契约:从人到技术人员再到程序员

在.NET技术生态日益成熟的今天,开发者面临的核心挑战已从语法掌握转向职业角色认知与工程责任意识。本文围绕‘先做人、再做技术人员、最后做程序员’的三层递进模型,解析技术决策中的伦理锚点、跨角色协同所需的工程素养,以及可交付的精准实现力。聚焦.NET 7/8 LTS实战场景,融合Roslyn编译器深度、JIT优化机制、HttpClient连接池治理等关键技术点,强调对运行时、操作系统与云平台咬合处的持续叩问。内容直击2-5年经验开发者卡点——如异步陷阱、配置安全、依赖注入生命周期、生产级调试四件套等真实战场问

diedangxiang4092的博客 367

linkedin databus介绍——监听数据库变化,有新数据到来时通知其他消费者app,新数据存在内存里,多份快照...

概要结构如下图。 图中显示:Search Index和Read Replicas等系统是Databus的消费者。当主OLTP数据库发生写操作时,连接其上的中继系统会将数据拉到中继中。签入在Search Index或是缓存中的Databus消费者客户端,就会从中继中拉出数据,并更新索引或缓存。 Databus提供如下功能: 来源独立:Databus支持多种数据来源的变更抓取,...

djph26741的博客 300

用Open Badges标准构建企业级认可系统

Open Badges是一种基于W3C标准的数字徽章技术,通过JSON-LD元数据、JWT签名验证与去中心化颁发者模型,实现成就的可验证、可携带与跨平台展示。其核心原理在于将‘认可’从中心化通知升级为具备身份锚点和证据链的数字凭证,技术价值体现在隐私保护(如邮箱哈希)、业务对齐(OKR关联)与系统互操作性(如LinkedIn/PyPI集成)。典型应用场景包括技术团队隐性贡献显性化、开源社区贡献认证、HR人才档案增强等。本文以Django+uWSGI+Nginx落地实践为例,详解如何将Open Badges标

chudan0503的博客 331

盘点十大「亿级」数据泄露事件,个人信息还安全吗?从零基础到精通,收藏这篇就够了!

近年来,随着信息技术的飞速发展,数据已经成为现代企业不可或缺的发展资源。然而,随之而来的数据泄露危机,给个人、企业甚至整个社会带来了巨大的风险。截至2024年上半年,一些最严重的数据泄露事件已经窃取、暴露了至少10亿条记录,而且这一数字仍在不断攀升。这些触目惊心的数字时刻提醒人们,数据泄露威胁是无法避免的。重要的是,组织是否有足够强大的网络安全措施和灾难恢复框架来缓解恶意活动的影响。通过实施威胁检测和响应策略,组织将有更高的机会保护有价值的数据,或者更容易地从泄露事件中恢复。

Libra1313的博客 6541

AI Agent Runtime 正在归零:从操作系统时刻看基础设施化演进

AI Agent 不再是‘会说话的程序’,而是一个具备生命周期、状态管理与安全边界的分布式系统。其核心运行时(runtime)层正经历类似TCP/IP或容器技术的历史性基础设施化过程——从独立产品走向隐形底座。这一演进背后是 session 事件日志、无状态 harness 和按需沙箱等关键原理的工程共识落地,带来可追溯性、弹性伸缩与零信任安全等技术价值。当前已广泛应用于金融合规审查、医疗问诊辅助、制造业故障诊断等高可靠性场景,并驱动 trace 存储、策略治理与垂直 agent 市场三大上层价值爆发。

dglf54292的博客 461

Gemini3实战能力解析:多模态、长上下文与真实工作流适配

大语言模型的‘强’不等于‘好用’——核心在于能否理解真实业务语境、处理混合格式输入、并保持跨文档的活性记忆。Gemini3的多模态能力本质是语义推理而非图像识别,其百万级上下文价值取决于分层注意力机制对关键信息的动态加权;在文档分析、编程诊断、风格化创作等高价值场景中,它通过上下文锚点、依赖树穿透和对比学习实现远超基准测试的落地表现。但需警惕时效滞后、领域幻觉与角色漂移三大限制。本文基于20+企业实测,聚焦AI从‘能答’到‘答准’‘答稳’的关键跃迁路径。

weixin_30621711的博客 1130

由LinkedIn数据库泄漏引发的思考

【事件回放】 6月6日,知名专业社交网站LinkedIn爆出部分用户账户密码失窃,LinkedIn主管文森特·希尔维拉(Vicente Silveira)在其个人博客中证实了此事。根据Venturebeat的报道,650w被偷窃的LinkedIn账户密码列表已经被上传至一家俄罗斯黑客服务器,但目前尚不能确认是否只是650w的用户帐号被窃。 备注: 截取来自百度百科的简介: LinkedIn...

fengbin2005 196

开发者个人品牌建设的四层基建模型:CODE方法论

在数字时代,专业能力必须通过可检索、可验证、可传播的在线痕迹来具象化,否则等同于不存在——这是技术人‘存在证明’的核心机制。个人品牌并非自我营销技巧,而是由代码可信度、知识显性化、精准分发与信任互动构成的技术影响力系统。其底层逻辑高度契合工程师思维:像设计微服务一样构建可拆解、可验证、可演进的品牌基建。GitHub开源项目、PR描述、Issues讨论等真实工作流中的输出,正成为比博客更高效的技术信用载体;而‘代码即产品、人即平台’的范式迁移,正推动开发者从执行者升级为可被全球调用的职业接口。本文详解CODE

weixin_30770783的博客 351

Kafka、RocketMQ、RabbitMQ技术选型:从业务场景出发的工程实践框架

消息队列作为分布式系统异步通信和解耦的核心组件,其选型直接影响系统架构的稳定性和扩展性。从技术原理上看,不同消息中间件在设计哲学上存在本质差异:有的基于持久化日志抽象以实现高吞吐数据管道,有的采用灵活的路由机制保障可靠投递,还有的通过事务消息机制满足金融级一致性需求。在工程实践中,技术选型的核心价值在于平衡吞吐量、延迟、可靠性与运维成本,而非单纯追求参数最优。典型应用场景包括日志收集、业务解耦、分布式事务等,其中Kafka擅长流式数据处理,RabbitMQ在复杂路由场景表现稳健,而RocketMQ则兼顾高吞

weixin_34384557的博客 665

Gemini 3.0如何重构AI编程范式:从补全到自主开发

AI编程已从代码补全迈入智能体驱动的自主开发新阶段。其核心在于大模型对百万级上下文的理解能力、多模态输入的语义对齐能力,以及基于目标的分层任务规划能力。这些技术突破使AI不再被动响应指令,而是主动拆解需求、协调工具链、生成可部署代码,并嵌入测试、安全与运维闭环。在工程实践中,它显著压缩原型验证周期,释放开发者精力聚焦架构设计、业务建模与质量治理。本文以Gemini 3.0为典型,深入解析AI如何在真实开发流水线中接管编码、调试、部署等关键环节,揭示人机协作从‘辅助’走向‘共治’的技术路径与实践边界。

weixin_34279579的博客 566

【信息科学与工程学】计算机科学与自动化 第二百零一十一 软件开发模型01

编号类型模型领域模型中的知识点/因素/参数关联知识和法律法规1传统顺序模型瀑布模型 (Waterfall)通用软件开发、硬件紧密耦合系统、政府/军工项目、需求稳定的传统信息系统严格线性阶段:可行性研究→需求分析(SRS,含功能/非功能/接口/约束,使用IEEE 830模板)→系统设计(概要设计HLD:架构、模块划分、数据库ER图;详细设计LLD:伪代码、类图、接口定义)→实现(编码规范、代码审查、静态分析工具SonarQube)→测试(单元测试JUnit、集成测试、系统测试、验收测试UAT,测试计划提前编写

weixin_49199313的博客 175

技术博主X平台运营指南:拆解创作者激励算法,提升专业内容收益

在当今内容生态中,创作者激励与平台算法是驱动高质量内容产出的核心机制。其基本原理在于,平台通过算法模型评估内容的用户互动深度、停留时间等指标,并与广告收益分成系统联动,从而将流量和收益向能创造长期用户价值的内容倾斜。这一机制的技术价值在于,它构建了一个正向反馈循环,激励创作者持续产出专业、深度的内容,而非单纯追逐流量。在应用场景上,尤其对于技术创作者而言,理解并适配这套规则,意味着能将自身的技术洞察、解决方案通过社交平台有效转化为个人品牌影响力和可持续的收益。本文聚焦于X平台(原Twitter)的创作者激励

weixin_34284188的博客 396

【信息科学与工程学】【管理科学】第三十篇 公司治理及公司工作内容02 研发与技术创新类算子01

2. 模型训练:使用图神经网络(如MEGNet, CGCNN)或梯度提升树(如XGBoost),在大型数据库(如Materials Project, OQMD)上训练,学习从结构到性能(如形成能、带隙、弹性模量)的映射。3. 以支撑结构为设计变量,使用拓扑优化方法,在满足结构刚度(抑制变形)和可制造性约束下,寻找材料分布的最优解,生成点状、线状或网状等轻量化支撑。(效率价值增量)= 因本次设备提升带来的研发周期缩短,所换算的“时间价值”(如,提前一月上市的市场价值)+ 预计减少的后续生产成本。

weixin_49199313的博客 636
下一篇: 专利战争:IT界的甄嬛传
TencentLecture
博客等级 码龄14年 6粉丝 13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