2022年5月5日,国际汽车租赁巨头Sixt公司表示,他们4月29日在IT系统上检测到可疑活动,并很快确认自己遭受到网络攻击。部分业务系统被迫中断,运营出现大量技术问题,业务陷入混乱。
2022年3月22日,微软公司证实,黑客组织Lapsus$获得了该公司系统的有限访问权限。Lapsus$声称成功入侵了微软的系统,获得了Bing、Cortana和其他项目的源代码,并发布了一份9gb 7zip压缩包的种子文件。
2022年2月8日,国际电信巨头沃达丰的葡萄牙公司表示,遭受了“以损害与破坏为目的的蓄意网络攻击”,其大部分客户数据服务被迫下线,此次事件给葡萄牙数百万用户造成了不便甚至混乱。
近年来,针对政府及企业的APT攻击日益增多,使得传统安全解决方案不断受到挑战。虽然很多企业都采取了网络防护措施,但安全事件仍然频繁发生,这是因为传统的物理隔离网络、离散式防御体系在高级攻击下显得十分脆弱。
当防御滞后、检测能力弱、覆盖不全面、信息缺乏等因素导致安全问题出现时,企业无法在威胁早期尽快发现和预警,无法对攻击来源和受害目标进行准确定位,无法了解攻击的途径和源头,在决策上缺乏数据上的有效支撑,就会错失防御时机,不能及时应对安全风险。
因此,瑞星公司基于强大的威胁情报数据能力,在新一代导线式防毒墙中加入了IoC检测功能。该功能通过APT情报库、僵尸木马蠕虫等病毒情报库,及用户自定义特征库,对网络流量进行全方位威胁检测,再结合自动化处置及人工响应,可以帮助企业用户预知风险、发现风险、应对风险。

图:IoC检测功能界面
瑞星安全专家介绍,IoC(Indicator of Compromise) 陷落标识,是一种威胁情报,当攻击者使用其特有攻击方式(包括恶意文件签名、恶意IP地址以及服务器域名等)进行攻击时,系统可以对网络流量进行IoC检测,发现已经失陷的终端或服务器。通过还原已发生的攻击,及预测未发生的攻击,可以帮助用户识别系统或网络上潜在的恶意活动,并迅速采取行动,防止此类攻击再次发生,或通过早期阻止来减轻损害。
面对新的安全形势,传统防护产品或解决方案都集中在实时防御上,无法抵御APT攻击等网络威胁,因此需要建立以威胁情报为基础的预警、防御、检测和响应平台,再结合大数据分析、攻击链纵深防御等策略,形成一个全新的防御体系。

图: IoC检测功能追踪APT攻击
瑞星新一代导线式防毒墙的IoC检测功能包含IPv4、IPv6、域名、URL、MD5、SHA256、数字证书、CVE漏洞、攻击组织等多种情报类型,及APT情报库、僵木蠕情报库、用户自定义特征库,并且支持Rootkit、下载器、勒索软件、垃圾邮件、漏洞利用、远程控制、ATP攻击等多种威胁类型的检测,因此可以追踪攻击活动,预先构建防范体系。

图:瑞星威胁情报大数据
瑞星公司表示,IoC检测功能依托超过400亿条实体和关系数据的瑞星威胁情报大数据,利用人工+人工智能等多种手段,可以迅速精准地检测网络威胁,广大企业级用户可借助瑞星新一代导线式防毒墙中的IoC检测功能,强化企业安全建设,防范各类网络攻击。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。