近年来,数据安全问题日益突出。由于服务器遭受不明攻击,导致网站或APP陷入瘫痪,相关服务器数据被物理删除且备份数据无法使用的案例时有发生。发生的原因也比较繁杂,如企业的系统和数据库的通信协议存在漏洞、SQL注入攻击、拒绝服务攻击、权限和账号被盗、弱口令等,给攻击者留下了可趁之机,也给企业带来了不可言喻之痛。
数据库是企业核心业务开展过程中最具有战略性的资产,保存着企业核心的交易信息和客户信息等,一旦数据泄露,后果不堪设想。很多企业,在面对数据审计时无能为力,面对网络攻击时束手无策,对数据泄露更是如惊弓之鸟。为什么数据库保护这么重要,防护却又如此繁杂和困难,主要原因有三个:
(1)安全取证困难:当数据库遭受入侵和非授权操作时,攻击者可以获取数据库的高权限账户,从而可以删除部分或全部审计日志,导致无法准确回溯,对日后取证造成阻碍。
(2)精准审计困难:审计记录繁杂众多,粗粒度的数据库审计无法从众多审计记录中精确定位到操作人;若实现细粒度的审计,意味着巨大的审计成本和服务器性能消耗。
(3)审计关联不足:考虑到性能影响,数据库日志通常被缺省关闭,依赖单纯的数据库日志进行审计往往存在“短板”,需要与系统中其它事件源进行关联分析。
针对以上数据库安全、审计问题,华为云如何助力企业打造更牢固的数据库安全解决方案?一招搞定!
全方位保护您的数据库安全与审计
华为云数据库安全服务(Database Security Service,DBSS)是一个智能高效的数据库安全服务,基于机器学习机制和大数据分析技术,提供数据库审计,SQL注入攻击检测,风险操作识别等功能,全面保障云上数据库的安全。
三大数据库审计优势,满足合规要求
优势一:精细化异常监测。提供数据库级、表级和列级的视图监测,可独立监测和分析数据库活动。
优势二:多维度审计。提供多维度的数据库审计线索,包括源IP、应用程序、访问时间、请求的数据库、原SQL语句、操作等,协助用户溯源到攻击者。
优势三:满足合规要求。审计积累远程保存,满足用户审计合规要求。
五大安全策略,防护更全面
策略一:用户行为发现审计
·行为发现:关联应用层和数据库层的访问操作,针对异常用户行为进行分析,及时预警。
策略二:多维度分析
·行为线索:支持审计时长、语句总量、风险总量、风险分布、会话统计、SQL分布等多维度的快速分析。
·会话线索:支持时间、数据库用户、客户端等多角度分析。
·语句线索:提供时间、风险等级、数据用户、客户端IP、数据库IP、操作类型、规则等多种语句搜索条件。
策略三:实时告警
·风险操作:支持通过操作类型、操作对象、风险等级等细粒度要求监控。
·SQL注入:提供SQL注入库,可基于SQL命令特征或风险等级实时报警。
·系统资源:当系统资源(CPU、内存和磁盘)占用率达到设置的告警阈值时立即告警。
策略四:精细化报表
·会话行为:客户端和数据库用户会话分析报表。
·风险操作:风险分布情况分析报表。
·合规报表:满足数据安全标准(例如Sarbanes-Oxley)的合规报告。
策略五:审计日志备份
·支持将审计日志备份到OBS桶,实现高可用容灾。用户可以根据需要备份或恢复数据库审计日志,满足合规性要求。
以上大招还不止于此。华为云数据库安全服务提供数据库实时监测和风险预警,可满足政府、金融、教育、游戏、医疗、保险等各行各业的数据库审计需求,通过不断优化应用场景与技术,为各行各业的数据库合规审计提供更完善的解决方案!
好文章,需要你的鼓励
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。
这项研究探讨了多模态大语言模型在增强推理能力时出现的视觉幻觉问题。研究发现,模型生成更长推理链时,对视觉信息的关注减少,导致幻觉增加。研究者提出RH-AUC指标和RH-Bench基准来评估模型在推理与幻觉间的平衡,发现较大模型表现更好,纯强化学习训练优于监督微调加强化学习,且训练数据的类型比数量更重要。这些发现对开发既具推理能力又保持视觉准确性的AI系统具有重要意义。
这篇研究探讨了大语言模型在自动推理任务中的不确定性问题。研究者提出,模型生成形式规范时的概率不确定性不是缺陷,而是宝贵的信号源。通过引入概率上下文无关文法框架分析SMT-LIB程序分布,他们发现不确定性信号具有任务相关性(如逻辑任务中的语法熵AUROC>0.93)。他们的轻量级信号融合方法能减少14-100%的错误,仅需最小弃权,将大语言模型驱动的形式化转变为可靠工程学科。研究揭示当模型正确理解逻辑关系时会产生稳定的语法模式,为判断何时信任模型提供了可靠指标。
来自沙特阿拉伯王子苏丹大学和阿尔法萨尔大学的研究团队开发了GATE(General Arabic Text Embedding)模型,这是一套专为阿拉伯语设计的文本嵌入系统。该研究结合了套娃表示学习和混合损失训练方法,解决了阿拉伯语特有的语义处理挑战。GATE模型在MTEB基准测试的语义文本相似度任务中表现卓越,比包括OpenAI在内的更大模型高出20-25%,同时保持了多维度(768至64)的高效表现。研究通过详细的错误分析揭示了模型在不同相似度水平上的表现特点,为阿拉伯语NLP领域提供了新的研究方向。