目前IP设备资产存在资产不清、安全短板、缺乏闭环、轨迹难寻的主要问题。IP类型繁杂,且IPv6动态变化,终端接入途径的多样化,导致企业IP设备资产不清。哑终端仿冒与违规外联,弱口令及漏洞,私拉出口,配置不全面及横向跳板攻击,是现有网络安全管理中存在的短板。缺乏联动的信息孤岛,人工处置易出现问题,且无法快速隔离安全事件,使得安全管理中缺乏闭环。缺乏历史节点资产对应关系,缺乏变化溯源关联关系,导致出现问题无法遵循轨迹查询。
北京融汇画方科技有限公司(简称画方科技),以IP联网设备资产为核心,基于采集、识别、检查、处置全生命周期安全管控的实现思路,为用户构建理得清、看得见的内网设备资产全景图,提供违规内联、违规外联防护能力,规避边界破坏引发的数据泄露、恶意攻击、木马植入等安全隐患。防范对已知漏洞调用扫描,进而提升整体网络安全。为用户现有安全防护系统提供主动的安全防范手段和能力,促进安全闭环式管理更加完善。相关内容概括为以下五个方面。
一是设备感知。采用多技术融合的方式全方位、无死角、快速的发现联网设备,能够发现设备的IP地址(包括IPv4地址和IPv6地址)、MAC地址、TCP端口等信息。
二是身份识别。通过海量的指纹库/特征库比对,精确识别设备类型以及设备的操作系统,和设备上所开启的网络服务、应用以及版本等信息。
三是合规检查。采用主机+网络相结合的方式,检查范围覆盖网络中所有终端类型,包含办公电脑打印机、IP电话、摄像头、门禁系统等泛终端,对终端身份、网络配置、主机安全规范、脆弱性、网络边界破坏行为等进行安全评估。
四是应急处置。对于告警终端,提供告警和处置能力,构建真正有效的网络链路层断网处置。
五是溯源审计。实时记录终端从开机上线到离线、IP地址变化、接入变化、使用人变化等信息,可基于历史时间节点查询对应的关联关系,便于管理员后期的查询追溯。
该解决方案从数据层、应用层、协议层、TCP层/IP层、接入层、链路层、设备层,多层面实施应用,实现联网设备发现与识别、仿冒鉴别、弱口令探测及已知漏洞流量识别、违规外联检测、处置隔离、溯源审计等多方位的网络边界防护。
画方科技基于IP设备资产的网络边界防护体系,增强网络安全,以设备为视角增强网络边界防护体系。助力安全合规建设,符合国家政策法律法规要求。支持安全监测与管控,对于哑终端仿冒、外联、弱口令及漏洞进行风险探测与安全防护,对非法仿冒、私接哑终端提供阻断控制,支持二层三层网络阻断管理。全周期自动化管理,线上对哑终端执行入网申请审批,动态下发访问权限。通过实时的资产监测,节省基础数据采集与维护成本。通过智能的安全探测,降低安全风险,减少哑终端脆弱性管理成本。应用自动化入网控制,提升办公效率,降低多部门运维成本。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。