2023年,新发现的恶意软件超过1亿个。抵御这些不断增加的海量威胁并非易事,如何识别受到感染的文件成为企业需要面对的重大挑战。针对日益加剧的网络威胁,Commvault推出了Commvault Cloud Threat Scan功能,以每天更新的恶意软件识别信息,助力企业快速识别最后一版不受恶意软件影响的备份,并智能隔离恶意软件和受影响的文件,助力企业保持并提升业务连续性。
准确识别,实现快速安全恢复
当企业遇到安全事件,在恢复数据之前还需要进行诸多工作,其中一项就是确定要使用哪一版本的文件进行恢复。使用包含恶意软件的文件将导致再次感染,企业需要再次花费人力物力进行排查和处理,企业系统的受影响范围还有可能进一步扩大,企业声誉也将遭到严重损害。
通常来讲,如果企业缺乏相应识别工具,运营团队就只能依靠猜测来选择一个“可能”没有受到恶意软件影响的文件版本。这不仅意味着运营团队需要花费大量的时间来讨论和推测文件版本的安全性,导致更长的恢复时间,在网络威胁日渐隐蔽的当下,该做法还会为企业埋下安全隐患。
Threat Scan可以帮助识别最后一版不受恶意软件影响的备份,避免企业意外恢复含有恶意软件的文件,防止再次感染。该功能使用基于签名的内置扫描引擎,帮助企业仔细检查备份内容文件和网络共享文件系统备份是否被恶意软件感染。它还可以快速识别哪些备份数据被损坏、加密或发生了大幅修改,从而在攻击发生时向IT部门发出预警。这种快速的识别和预警,将有助于企业缩短RTO(恢复时间目标),实现快速安全的恢复。
智能隔离,提升企业安全态势
Commvault为企业提供详尽的可视化仪表板来监控检测到的威胁,支持企业采取防范措施。一旦识别出威胁,运营团队就可以为服务器标记出已检测到的威胁信息,将可疑文件标记为“已感染”,并使用智能隔离(Smart Quarantine)功能隔离恶意软件。Threat Scan的警报可以和运营团队的SIEM和SOAR平台集成,助力安全团队快速启动调查行动。
安全和IT运营工程师应当将受影响的备份版本恢复到一个隔离的环境中,以便之后对这些文件进行调查,分析问题的根源。借助Threat Scan,企业团队可以在隔离环境中进行较为彻底的调查和时间点恢复。
在这个混合的世界中,数据资产变得越来越重要。面对严峻的网络威胁形式,企业应当做好面对最坏情况的准备,实现网络恢复就绪。Threat Scan可以帮助企业快速定位最后一版不受恶意软件影响的备份,助力企业进行快速、安全的恢复。
关于Commvault
Commvault定义了网络弹性领域的黄金标准。该公司帮助客户发现网络攻击、采取行动,并迅速从攻击中恢复,确保数据安全和业务弹性。Commvault由AI驱动的独特平台以最低的总体拥有成本结合了一流的数据保护、卓越的数据安全、先进的数据智能和快速的恢复,覆盖各种工作负载或云。成立超过25年,Commvault已帮助超过10万家企业和庞大的合作伙伴生态系统降低风险、提升治理,并挖掘数据的更大价值。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。