深度|医疗行业勒索病毒防治解决方案

网络安全日志留存合规解决方案 背景概述 网络的近年的飞速发展已经和经济社会高度融合,不论是日常出行打车、买票看电影、点个外卖打包,还是早餐结账、菜市买菜等等都离不开网络的支持。 在这个大的时代背景下也突显了网络安全的重要性,一旦网络受到不法分子的攻击破坏轻则对日常生活造成不变,重则对国计民生产生破坏的影响。例如伊朗电站被攻击事件,造成了当地大规模的停电事故,对伊朗的经济建设影响严重。 我国为了保障网络安全,维护网络空间主权和国家安全、社会公共利益,保护公民、法人和其他组织的合法权益,促进经济社会信息化健康发展,于2017年颁布.. 阅读详情

 

449225179a874084be8f4f18b472ed6d.jpeg

 

方案概述

我国发布的《国民经济和社会发展第十四个五年规划和2035年远景目标纲要》中指出把保障人民健康放在优先发展的战略位置,坚持预防为主的方针,深入实施健康中国行动,完善国民健康促进政策,织牢国家公共卫生防护网,为人民提供全方位全生命期健康服务。

《“十四五”全民医疗保障规划》当中规划到2025年基本完成待遇保障、筹资运行、医保支付、基金监管等重要机制和医药服务供给、医保管理服务等关键领域的改革任务,医疗保障政策规范化、管理精细化、服务便捷化、改革协同化程度明显提升。各方责任更加均衡,医疗保障制度法定化程度明显提升,定点医药机构管理更加透明高效,基金运行更加安全稳健,信息安全管理持续强化,医疗保障安全网更加密实。

《“健康中国2030”规划纲要》着重阐述维护人民健康和推进健康中国建设的重大意义,《纲要》明确了今后15年健康中国建设的总体战略,坚持以基层为重点,以改革创新为动力,预防为主,中西医并重,将健康融入所有政策。

医疗卫生服务受到国家的高度重视,也是社会公共服务和社会保障的重要部分,其服务水平、质量、效率等发展好坏直接关乎民生,与国家的经济发展、社会的和谐稳定息息相关。也与国家“十四五规划、2035年远景目标”的成功实现关系重大。

医疗卫生健康行业通过信息化(医疗IT或HIT)建设的投入,从而突破传统医疗模式的限制,实现高质量、高效率、个性化的医疗服务,进而提高医疗创新能力和医疗管理水平。医疗信息化大量应用计算机技术、通信技术、自动化技术等信息技术,实现了医疗服务的数字化、网络化、信息化。

国内医疗行业包括了各大医院医疗机构、区域公共医疗卫生机构、医保局等单位。医院医疗机构信息化建设着力提升运营管理效率、提升医疗服务水平、改善患者就医体验。

区域公共医疗卫生机构信息化建设围绕降低居民就医成本、优化医疗资源配置、实现全民医疗健康为宗旨。

医保信息化建设的目标是建立基本医保、医疗机构和商业保险的系统实现“一站式”的互通及各个系统无缝的衔接,实现跨层级、跨区域的信息互通。实现医保信息和自然人信息的共享,包括逝世人口数据库和医保信息的联动,个人体检信息和医保信息的联动等。同时打通跨部门信息交换接口标准化,对各种接口方式制定规范和标准,以保障各部门间可以顺利进行信息交换与共享。

医疗行业信息建设在取得一系列可喜成绩,提高医院运营效率服务水平,优化医疗资源配置、降低居民就医成本,实现医保的一站式互通以及医保信息共享等。

医疗信息化建设越来越呈现出开放化、互联化、云化、数据化特征,而在这背后也存在着亟待解决的一些安全风险与问题。在医疗信息化建设不断地突破和深化的同时不安全的数据使用及共享方式、不安全的医疗设备与物联网终端设备,都会给医疗行业带来很大的运营风险。

另外医疗行业的云上业务安全成为了亟待解决的问题,医疗行业内各级医院、区域卫生信息平台拥有大量的医疗卫生信息系统及数据,潜在的泄露事件却频频发生,大量的病人数据、处方数据通过非正常渠道流通黑色产业的各个链条,数据倒卖行为、非法统方行为屡禁不止。

据统计在国内15339 家医疗行业相关单中,存在僵尸、木马或蠕虫等恶意程序的单位有1029家,网站存在被篡改安全隐患的单位4546家,网站被篡改的单位 261家。3.70%的重点医疗行业网站出现了2小时以上的断网,存在网络安全风险漏洞的网站占比约10%,存在高危安全事件105起,重点医疗卫生行业的网站和系统总计受到2843.71万次攻击。

由于医疗行业的重要性与特殊性,以及对信息化的高度依赖,使其经常成为勒索攻击的目标。2021年勒索攻击态势报告中,医疗行业勒索病毒攻击占比达14.94%。根据Check Point Research(CPR)最新报告显示,医疗行业成为勒索软件攻击的头号重灾区,每个组织平均每周遭受109 次攻击。例如2021年5月,爱尔兰公共资助医疗系统HSE受到勒索病毒攻击,700GB重要数据被窃,导致该国家多家医院的服务取消和中断,新冠病毒检测工作受到影响。

勒索病毒是一种主要利用多种密码算法加密用户数据,恐吓、胁迫、勒索用户高额赎金的极具破坏性、传播性的恶意软件。典型勒索病毒包括文件加密、数据窃取、磁盘加密等类型,攻击者主要通过钓鱼邮件、网页挂马等形式传播勒索病毒,或利用漏洞、远程桌面入侵等发起攻击,植入勒索病毒。

勒索病毒的攻击方式一般包括:弱口令攻击、横向渗透、漏洞利用、网页挂马、僵尸网络、软件供应链攻击以及感染破解软件、激活工具等。

近年来勒索病毒攻击加密方式越来越往双重勒索、三重勒索等多重的勒索方式演变。所谓的双重勒索。攻者会首先窃取大量的敏感商业信息,然后对受害者的数据进行加密,并威胁受害者如果不支付赎金就会公开这些数据。

在双重勒索的基础上出现了三重勒索,攻击者除了从组织窃取敏感数据并威胁要公开发布除非付款外,攻击者现在还针对组织的客户和业务合作伙伴提出赎金要求。

同时,越来越多的恶意勒索软件开发商把勒索工具放到暗网平台中。恶意勒索攻击者根据需要都可以通过平台使用相关的勒索工具进行网络勒索攻击。这种方式使得从业者无需任何专业技术知识就可以毫不费力地构建复杂的勒索软件并进行分发感染。这种模式下勒索软件开发商不再提前收费,其只从成功的犯罪赎金中进行抽成。这就是所谓的勒索软件即服务Ransomware As A Service(RaaS)。

由于医疗行业信息化建设的特殊性,针对勒索病毒攻击存在4大难点。首先,医疗行业连接部门众多,越来越多业务实现线上化、信息化,导致信息资产日益庞大传统手段难以理清信息资产分布,漏洞难以及时发现管理,造成安全隐患。

其次,传统的杀死软件依赖静态规则库方式查杀面向已知病毒,无法精准识别变种、免杀绕过;攻击发生前的内网横向移动等前序攻击的监测能力不足;

第三、医疗行业信息系统的漏洞检查与加固依赖安服团队经验与技术实力,水平参差不齐;应急处置、数据恢复、与黑客组织沟通、溯源等对人员要求高,一般地扫描渗透人员无法胜任;

最后,医疗行业某些敏感文件不便于集中备份;备份策略限制,时间差与增量备份不能满足个性需求;终端文件备份难以覆盖全面,恢复需求无法全部满足;

有效地勒索病毒防治需要从事前全面有效预防,事中精准监测阻断,事后高效及时恢复三方面着手。事前对IT资产全面发现及摸排、对高危风险漏洞及时修复、核心数据有效备份。全面布防提高勒索攻击的难度及门槛。事中需要对网络运行态势全面感知、全局监控以及联动查杀,发现勒索入侵及时阻断、分析研判及溯源取证、封堵源头。事后一旦被勒索加密重要数据和文档时,能及时通过备份能恢复,使用常见勒索病毒密钥针对被加密的数据进行解密恢复,并对系统存在防护不足的地方加固,修复漏洞,加强安全管理措施。

本文所述勒索病毒防治解决方案,通过针对勒索病毒攻击的事前、事中及事后各阶段的防护及处置全过程,围绕信息资产摸排测绘及威胁漏洞管理、终端安全加固预防、NDR网络流量监测、私有云盘备份的完整勒索攻击防护链,全面帮助医疗行业用户补齐在勒索病毒攻击的事前预防、事中监测处置、事后溯源分析及数据恢复等能力方面的缺失,构建有效预防、持续监测、高效处置的勒索病毒防护治理体系。

677045e71d0b0586f15e381f7a868a24.jpeg

ada8d0727d8f1dbae896874e1a79cdfe.jpeg

7442cf3cad6c82a65b78c27b181a09ab.jpeg

52be279d84b2af783749c63139b324f6.jpeg

90390b432f654d39c73cce8ecccf09d8.jpeg

 

763138512e2c9e1f83ee5c97e394d844.jpeg

d82185d4cc61feaa6af46836ecec8361.jpeg

a6bb3e6ff42057a1919c5f568c0a4351.jpeg

c6cdf5979cc1b3ad3f5aef3265f9f921.jpeg

2c851a3c9a0c3d3a62d1d4f2ea538224.jpeg

6919a40b05b4ae2851f71fdbd8eb6a19.jpeg

9209af86fd7a438ce39babf75e9472c5.jpeg

fbff212a398c5cf98756ff70e7a19668.jpeg

eff0b8e862658008915d81123e1abb64.jpeg

8c9327a5f5f4c880f22b67d6abe9a049.jpeg

5788029cdc5dbfe6e5bad24d6fe7a70e.jpeg

f04e3f6c7455114d8c1be77072f9ab6c.jpeg

bdd216df2c2941794454b8f47c107b66.jpeg

85dbf89ed0753922be8a4f1738ff6c6d.jpeg

e9c3bc40187fe06eedb0192a53f0c174.jpeg

0e9edf906d8a10005f5a536f892fde54.jpeg

86bc7c4b9c23db7344b5b1b401ecd90a.jpeg

9962756e458f0d1f459d8b479e494f0a.jpeg

ebc111dceaed6d0ffe98302f89066585.jpeg

0613fd748958331e1960dfc32b4d60c8.jpeg

33a984c1c631760d6d0a5c0839b3b3d1.jpeg

3e2b77fba3ed9b94021a241a32180725.jpeg

46e52a07d2588cc05e381763bd0f20f2.jpeg

77501f9020c1c31cdb0156289fa205f3.jpeg

3580a2a91781f74229291705e9d58bcd.jpeg

6bfba2592883ee2ec2f1319e533287d2.jpeg

66204a79b7126ea6edb7ecfd352470ab.jpeg

244b9ba06d2d673e847c667d13a84b71.jpeg

0b0e74532ee66516db2895aea7b77c84.jpeg

76592593b12f5840658bd488f022decd.jpeg

887e9e587e0b94db26b5a62722a08d64.jpeg

805914abfcd1a0991516d6c9e57e3bc3.jpeg

87dded4d321cdb03f8542579170ccca9.jpeg

520bac46eb16ff8b358560425e2c0eae.jpeg

75e4d6731603cac493ea90b58503047b.jpeg

179190ab7f2a804657d73cf90d892319.jpeg

947bc2872bcca45554940aa5ab228268.jpeg

7a44b32bd33afb558fe64caefa2d7c8c.jpeg

f354bea40107642d4c193e37131649f3.jpeg

eefa8be25648e8117a06c0bf3790381a.jpeg

7c1211773e1d8bf52ac149259e5ad2f2.jpeg

b82b59785a28df162ef74314075b1add.jpeg

e17c6c45f9d02e4048a285a97523da2a.jpeg

aac18d6753b09cd065e090d6983e3bb9.jpeg

799ceda7e2a966cc61bd2878a7e88dd1.jpeg

50337495aa737a97454460a3fec54b68.jpeg

ea9756cdf1a7b9bc2e53536a0f6c964b.jpeg

3734fb1c70cfbe6b63f0968930f387c7.jpeg

eec94fd766211708c7bd905dbaa49230.jpeg

191b836767b2a47ea5cc6cd03bf6080d.jpeg

c5b3181b516b28d6d04a18a1dd08acc7.jpeg

 

 

 

 

 

 

 

 

什么是DDoS攻击?DDoS攻击的原理是什么? 总之,DDoS攻击已成为网络安全领域的一大顽疾,由于其技术门槛相对较低,使得这种攻击方式愈发猖獗。面对其带来的巨大危害,无论是企业还是个人,都不能掉以轻心。我们需要加强安全意识,采取有效的防护措施,包括增强服务器和网络的安全性能、使用高效的安全设备和软件、建立完善的应急响应机制等。同时,政府和社会各界也应加大打击网络犯罪的力度,共同维护网络空间的安全与稳定。只有这样,我们才能确保网络环境的安全可靠,让信息化时代真正造福于每一个人。 阅读详情

相关推荐

告别手动复制粘贴!用Python脚本+pywinauto实现PC微信消息自动发送(附完整源码)

本文详细介绍了如何利用Python和pywinauto实现PC微信消息的自动化发送,告别繁琐的手动操作。从环境搭建、UI控件定位到构建健壮的发送流程,再到高级功能扩展和项目打包部署,全面解析了自动化办公的实现方案,显著提升工作效率。

weixin_30315723的博客 585

从起源到双重勒索:勒索软件策略的演变

为了降低勒索软件的风险,防范不良行为者的最佳防御措施仍然是保持警惕、做好准备和规划。

网络研究观 3955

国产系统迁移实战:在银河麒麟V10上搞定Wine32位支持,让老Windows软件跑起来

本文详细介绍了在银河麒麟V10操作系统上构建Wine32位支持的全过程,帮助用户解决Windows应用迁移难题。从系统架构差异分析到Wine环境配置,再到实战应用部署与优化,提供了一套完整的解决方案,确保老Windows软件在国产系统上稳定运行。

weixin_32288959的博客 649

勒索病毒绕过杀软的5种手法,为什么“白名单+进程管控“才是更可靠的防御体系

绕过特征库检测 → 隐藏在合法进程中 → 直击高价值数据。不要只依赖"防已知坏的"(特征库/行为规则),而要建立"只允许已知好的"(白名单)的基础架构防入口:双因素认证阻止账号层入侵防扩散:进程白名单限制非授权访问防损失:加密存储让勒索病毒拿到的是密文,攻击失去意义留证据:完整的审计日志支持事后溯源和保险理赔没有银弹,但分层防御体系能让攻击者的每一步都付出更高代价,最终使攻击失去经济价值。

安当加密 440

Anaconda启动失败,一直在loading application的问题

实战基础新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 你好! 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章,了解一下Markdown的基本

Tristan的博客 2771

ENVI中Landsat8大气校正法实现地表温度精准反演

本文详细介绍了在ENVI软件中,利用大气校正法对Landsat8热红外数据进行地表温度反演的完整流程。该方法通过辐射定标、大气参数获取、发射率估算及温度转换四个核心步骤,精准剔除大气干扰,还原地表真实温度,是城市热岛效应监测、农业旱情分析等应用的关键技术。

weixin_29292535的博客 150

关于勒索病毒你不得不懂的知识点

勒索病毒已经在全球范围内爆发,基本上每天都有企业被勒索病毒攻击

hack0919的博客 1296

【yolo】如何在 YOLOv8 中添加负样本以减少误检

在YOLOv8目标检测中,误检(False Positive)是一个常见问题,即模型将非目标区域错误识别为目标。通过引入负样本(Negative Samples),即不包含任何目标框的图像,可以有效减少误检。在YOLOv8中添加负样本的方法是为这些图像提供空的标注文件(.txt),确保每张图像都有对应的标注文件,即使内容为空。可以使用Python脚本自动生成这些空标注文件。使用负样本时需注意数量比例、标注一致性、验证集同步和图像质量。适当加入负样本能显著提升模型鲁棒性,降低误判风险。

songhuangong123的博客 2879

勒索病毒2.0来袭:2025年医疗/金融系统瘫痪事件背后的攻防对抗

2025年的勒索病毒攻防战已演变为“国家基础设施级”的对抗,医疗与金融系统的瘫痪警示我们:​​技术层面​​:需融合零信任、量子加密、AI防御构建动态免疫屏障;​​战略层面​​:应推动跨国安全协作,建立勒索病毒攻击的“全球熔断机制”;​​生态层面​​:通过立法强制关键行业实施“网络战备等级制度”,将防御能力纳入企业ESG评级。​​终极目标​​:从“被动支付赎金”转向“攻击者成本高于收益”,让勒索病毒在数字化战场上无利可图。

2301_78078966的博客 1384

火灾图像检测识别:cnn卷积神经网络 Adaboost 支持向量机 随机森林 决策树 完整代码数据

火灾图像检测识别:cnn卷积神经网络 Adaboost 支持向量机 随机森林 决策树 完整代码数据

863

智能小车倒车入库功能的实现(python,cpp,ubuntu)

智能小车倒车入库功能的实现(python,cpp,ubuntu)

weixin_62135607的博客 5793

美创科技医疗行业数据安全典型风险场景及应对措施

内置医疗脱敏规则,可实现自动化发现源数据中的敏感数据,对敏感数据按需进行漂白、变形、遮盖等处理,并最大程度保证脱敏后数据的一致性和业务的关联性,具备丰富数据源支持,库到库、库到文件、文件到文件、文件到库等完全不落地的脱敏,高效脱敏策略,脱敏数据完整性审查校验,支持数据可逆脱敏算法复敏等能力优势。由于医疗行业业务复杂、数据带有大量业务属性、数据体量大、格式复杂多样,数据分类分级工作若单纯依靠人工梳理,准确率低、周期长,且受限于人员专业能力,分类分级工作推进进度缓慢。无法自动发现锁表进程,导致业务中断或缓慢。

美创科技的博客 1173

2026年全球VCSEL芯片竞争格局揭秘:美欧亚“三足鼎立”,中国军团强势崛起

全球VCSEL芯片市场迎来爆发期,预计2032年规模将达110亿元。美国Lumentum、Coherent等巨头主导消费电子和光通信领域,欧洲ams-OSRAM、TRUMPF则在车规级高功率VCSEL占据优势。中国企业如长光华芯、纵慧芯光加速追赶,实现从3D传感向激光雷达的技术跨越。行业未来聚焦高功率、多结阵列化发展,自动驾驶和AI算力需求将推动市场持续增长,但面临技术壁垒、供应链依赖等挑战。国际巨头与中国厂商将在这一光芯片赛道展开激烈竞争。

致力于lidar应用开发 782

国家计算机病毒应急处理中心预警:新型“Sorry”勒索病毒来袭,企业如何防护?

2026年8月10日,国家计算机病毒应急处理中心与计算机病毒防治技术国家工程实验室依托国家计算机病毒协同分析平台发布预警:在我国境内发现多起用户遭"Sorry”勒索病毒攻击事件。该病毒家族使用G0语言编写,主要针对暴露在公网的LinuxWeb服务器,可在国内大部分主流Linux发行版(含信创操作系统)上运行,并具备内网横向扩散能力。被加密文件会追加.sorry后缀,在没有解密密钥的情况下数据暂无可靠恢复方法。

2501_94677909的博客 528

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

安徽省财政厅:勒索病毒全球肆虐,美创诺亚防勒索未雨绸缪

导读:对政企单位而言,勒索病毒当前已成为最大的安全威胁之一,一旦核心数据或文件被加密,除了缴纳赎金,基本上无法解密。安徽省财政厅未雨绸缪,携手美创诺亚防勒索实现以零信任为基础的勒索病毒纵深防御,为财政数据安全提供有力保护。 上周,全球财富500强埃森哲遭LockBit勒索团伙攻击,6TB数据失窃,被要求支付5000万美元赎金。 伴随各行业数字化的深度普及,勒索病毒愈发肆虐。接连发生的勒索攻击事件给政府、互联网、医疗行业带来严重影响,而传统打补丁、杀毒、防火墙等防护措施仅能在事后对病毒特征进行分析,.

美创科技的博客 356

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")

医疗行业防御勒索病毒的三原则 ——美创医疗数据安全防护之十一

本文通过深入的介绍和分析勒索病毒威胁的规律,旨在强调:在设计应对勒索病毒攻击的方案时,必须注重严密性、可落地性,应遵循“减少接触、及时阻断、底线防御”这三条原则,设计部署防御勒索病毒攻击的有效防御解决方案。 勒索病毒威胁只增不减 自2016年底席卷全球的互联网数据库勒索风潮起,到2017年5月12日爆发的WannaCry勒索,勒索病毒正式被大众熟知,成为全球范围内主流的网络安全威胁力量,医疗行业则是受勒索病毒威胁最为严重的行业之一。据美国电信巨头Verizon统计,2017年勒索病毒在全网所有的恶意软件

美创科技的博客 539

等保2.0|二级等保和三级等保要求对比

等保2.0标准正式实施已经一年多的时间,在这一年多时间里,国内各个行业、单位陆续推进网络安全等级保护工作,特别是在关键信息基础设施的政府、金融、医疗、交通等关系国计民生的重点行业,先后出台针对行业的等级保护要求。等保2.0标准的正式实施,提升了我国网络安全保护工作水平,不断筑牢网络安全防线,有效维护各行业关键基础设施与网络信息安全。 等级保护制度是我国网络安全的基本制度。等级保护是指对国家重要信息、法人和其他组织及公民的专有信息以及公开信息和存储、传输、处理这些信息的信息系统分等级实行安全保护,对信息..

junge_sys的博客 1万+

等保2.0|网络安全保护解决方案

图1:等保2.0网络安全等级保护解决方案 概述 随着2019年5月13日,《信息安全技术网络安全等级保护基本要求》(GB∕T 22239-2019)(以下简称等保2.0)正式发布,我国的网络安全保护标准体系正式进入到等保2.0阶段。“等保2.0”与《中华人民共和国网络安全法》中的相关法律条文保持一致,是指对网络和信息系统按照重要性等级分级别保护的一种工作。保护对象包括基础信息网络(广电网、电信网等)、信息系统(采用传统技术的系统)、云计算平台、大数据平台、移动互联、物联网和工业控制系统等。 等..

junge_sys的博客 1万+

勒索病毒应急措施及防护方案

本文共7916字 阅读时间大概15分钟 随着国家在政府、企业、教育及医疗等行业“互联网+”战略的不断推进,各个行业在逐渐数字化、网络化、智能化、逐步拥抱产业互联网化的大浪潮过程中,也逐渐暴露出一系列网络安全问题。勒索病毒也乘机发难,疯狂敛财,影响日渐扩大。全球范围内的交通、能源、医疗等社会基础服务设施,成为勒索病毒攻击的目标。 勒索病毒,是伴随数字货币兴起的一种新型病毒木马,通常以垃圾邮件、服务器入侵、网页挂马、捆绑软件等多种形式进行传播。机器一旦遭受勒索病毒攻击,将会使绝大多数文件被加密算法..

junge_sys的博客 6390

终端广告弹窗治理解决方案

方案概述 越来越多的政企用户在使用电脑终端时受到弹窗广告的困扰,这对政企用户首先会使运维人员在应对弹窗广告增加了大量额外的运维工作,从而加大量的运维工作,增加了运维负担。其次恶意弹窗广告夹带木马病毒、钓鱼软件等恶意程序,有可能造成企业网络安全的风险。以及企业重要数据的破坏。同时过多的弹窗广告影响正常的工作,干扰业务的正常开展,大大降低了政企用户的工作效率。 一般来说弹窗广告是指计算机用户在使用的过程中打开浏览器访问网站、使用免费工具软件或者是不小心安装了恶意软件,电脑自动以弹出窗口的形式展现的广告、..

junge_sys的博客 5840

等保测评密评对照:一文看懂两者差异

关于“等保”与“密评”在法律、标准、流程以及测评实施等方面的具体差异与内在联系,一直是客户领导关注的焦点。他们希望了解这两项制度在维护网络安全方面各自的作用与互补性,以确保信息系统的政策合规性,并在网络安全上得到全面、高效的保障。

junge_sys的博客 4337

关键信息基础设施定义及步骤

我国的《关键信息基础设施安全保护条例》(以下简称关保条件)于2021年9月1日起正式施行,关保条例的施行是对《国家网络安全法》的落实和构建国家关键信息基础设施安全保护体系的顶层设计和重要举措,更是保障国家安全、社会稳定和经济发展的现实需要。 关键信息基础设施,是指公共通信和信息服务、能源、交通、水利、金融、公共服务、电子政务、国防科技工业等重要行业和领域的,以及其他一旦遭到破坏、丧失功能或者数据泄露,可能严重危害国家安全、国计民生、公共利益的重要网络设施、信息系统等。 关键信息基础设施保护是在网络安..

junge_sys的博客 3899

揭秘!网络安全“4法2例”国家安全体系背后基石

紧随其后,《密码法》《数据安全法》《个人信息保护法》等重量级法案接踵出台,它们如同坚固的支柱,支撑起网络安全的法律天幕,确保数据资源的安全、合理利用与个人隐私的有效保护;这4法2例从不同角度在国家全局安全的整体框架下构建了网络安全领域的法律保障体系,涵盖了网络安全、密码安全、数据安全、个人信息保护、关键信息基础设施等多个领域,明确了立法目标、管理框架、技术标准、保护措施、法律责任及公民教育等各个方面的要求,旨在全方位、多层次地维护国家网络空间安全,保障公民、法人和其他组织的合法权益。

junge_sys的博客 3374

有备无患,夯实安全——校园安全等级保护2.0解决方案

随着《网络安全法》的颁布,网络空间已经成为继“海、陆、空、天”之后的第5个国家主权领域。同时网络安全法确定了国家实行“网络安全等级保护制度”以保障国家网络空间的安全。 网络安全等级保护制度在我国经过数10年的发展和完善,为各行各业的网络安全保护提供了强有力的制度保障和实施指导,确保了重要的信息系统的安全稳定运行。同时随着信息技术的不断发展,特别是近年来云计算、大数据、人工智能、工控系统、物联网以及移动互联网的飞速发展,越来越多的领域需要更完善的安全保护制度及实施指导。 等级保护2.0的对象全面升级:..

junge_sys的博客 3158

远程办公安全解决方案

图1:远程办公业务安全解决方案 业内推广了多年的远程办公理念在2020年的春天终于火了,以前不温不火的远程办公软件也终于媳妇熬成了婆,实实在在的当了一回“网红”。无论你是公司职员还是在校的小学生都正儿八经的体验了一把运程办公的魅力。 远程办公,指基于互联网、物联网、云计算等技术,通过第三方插件、 软件、网站等工具,实现非本地办公,如在家办公、异地办公、移动办公等模式。 远程办公的特性特别适合当下疫情导致的大面积复工、复学的时间延后,大部分企业均开始推进远程办公,各级学校开始了远程教学。未来全国范...

junge_sys的博客 2037
上一篇: 科目3|软考高项论文写作技巧
下一篇: 下一代无线技术WiFi7简介
评论 1
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

打赏作者

军哥数字化安全

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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