Tenable Nessus 10.11 新增功能简介

Tenable Nessus 10.11 新增功能简介

Tenable Nessus 10.11.0 (macOS, Linux, Windows) - 漏洞评估解决方案

发布 Nessus 试用版自动化安装程序,支持 macOS Tahoe、RHEL 10、Ubuntu 24.04 和 Windows

请访问原文链接:https://sysin.org/blog/nessus-10/ 查看最新版。原创作品,转载请保留出处。

作者主页:sysin.org


Nessus

Nessus Vulnerability Scanner

漏洞评估领域的全球黄金标准针对现代攻击面量身打造

利用业界最受信赖的漏洞评估解决方案来评估现代攻击面。扩展到传统的 IT 资产之外 – 保护云基础设施和获取对与互联网相连的攻击面的可见性。

Nessus 版本

Nessus ExpertNessus Professional
适用对象:适用对象:
顾问、渗透测试人员、开发人员和中小型企业顾问、渗透测试人员和安全专业人士
- 不受限制的 IT 评估- 不受限制的 IT 评估
- 使用不限地点- 使用不限地点
- 配置评估- 配置评估
- 实时检测结果- 实时检测结果
- 配置报告- 配置报告
- 社区支持- 社区支持
- 高级支持(可选)- 高级支持(可选)
- 提供随需培训- 提供随需培训
- 外部攻击面扫描x 外部攻击面扫描
- 添加域的功能x 添加域的功能
- 扫描云端基础架构x 扫描云端基础架构
- 500 个预构建的扫描策略x 500 个预构建的扫描策略

新增功能

Tenable Nessus 10.11.0 (2025-11-14)

备注:此版本的 Tenable Nessus 是早期访问版。正式版将在晚些时候公布。

新功能

以下是 Tenable Nessus 10.11.0 中包含的新功能:

  • 引入了 Nessus Essentials Plus,一个新的年度订阅方案,已验证的学生和教育工作者免费使用,其他用户也能以较为优惠的价格订阅。它包含以下功能:
    • 可扫描 20 个目标。
    • HTML 和 PDF 报告。
    • 实时插件更新。

功能变更和性能增强

以下变更包含在 Tenable Nessus 10.11.0 中:

  • 更新了 Tenable Nessus Essentials 的新功能限制:
    • 扫描目标数量从 16 个减少至 5 个。
    • 禁用了报告和导出功能。
    • 更新了订阅为月度订阅。
    • 延迟 30 天更新插件。
    • 更新了产品,使得除非升级到 Tenable Nessus 的高级版本 (sysin),否则订阅期结束时数据不会被保存。

Bug 修复

  • 修复了本地化 HTML 和 PDF 报告翻译不正确的问题。缺陷 ID: 02338762, 02340433
  • 修复了 Tenable Nessus 后端未更新最后检查到的可用版本的问题。缺陷 ID: 02257447, 02325697
  • 修复了 Tenable Nessus 在离线模式下无法加载 Web 应用扫描插件的问题。缺陷 ID: 02249841, 02335036

下载地址

Tenable Nessus 10.11.0


发布 Nessus 试用版自动化安装程序,支持 macOS Tahoe、RHEL 10、Ubuntu 24.04 和 Windows

更多:HTTP 协议与安全

在数字化进程中,人工智能技术日益成为科技革新的关键驱动力,其中强化学习作为机器学习的重要分支,在解决复杂控制任务方面展现出显著潜力。本文聚焦于深度确定性策略梯度(DDPG)方法在移动机器人自主导航领域的应用研究。该算法通过构建双神经网络架构,有效克服了传统Q-learning在连续动作空间中的局限性,为高维环境下的决策问题提供了创新解决方案。 DDPG算法的核心架构包含策略网络与价值评估网络两大组件。策略网络负责根据环境状态生成连续动作指令,通过梯度上升方法不断优化策略以获取最大长期回报;价值评估网络则采用深度神经网络对状态-动作对的期望累积奖励进行量化估计,为策略优化提供方向性指导。这种双网络协作机制确保了算法在复杂环境中的决策精度。 为提升算法稳定性,DDPG引入了多项关键技术:经验回放机制通过建立数据缓冲区存储历史交互记录,采用随机采样方式打破样本间的时序关联性;目标网络系统通过参数软更新策略,以θ_target = τ·θ_current + (1-τ)·θ_target的更新方式确保训练过程的平稳性;探索噪声注入技术则通过在动作输出中添加随机扰动,维持了策略探索与利用的平衡。 在具体实施过程中,研究需依次完成以下关键步骤:首先建立符合马尔科夫决策过程的环境模型,精确描述机器人的运动学特性与环境动力学;随后设计深度神经网络结构,确定各层神经元数量、激活函数类型及参数优化算法;接着进行超参数配置,包括学习速率、批量采样规模、目标网络更新系数等关键数值的设定;最后构建完整的训练验证流程,通过周期性测试评估导航成功率、路径规划效率、障碍规避能力等核心指标。 该研究方法不仅为移动机器人自主导航提供了可靠的技术方案,其算法框架还可扩展应用于工业自动化、智能交通等需要精密控制的领域,具有重要的工程实践价值与理论借鉴意义。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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