2020年12月13日发生一起针对SolarWinds的基于供应链漏洞的网络攻击。此次攻击利用Orion Platform中的一处漏洞,植入了名为SUNBURST的恶意代码,给SolarWinds、相关技术合作伙伴和客户造成危害,其中实际受影响的客户数量接近100家。
SolarWinds首席信息安全官兼安全副总裁Tim Brown告诉记者,这样插入的恶意代码非常特别,其具有十四天左右的潜伏期,具有高度伪装性,可以逃避很多杀毒软件,进而可以开展一系列后续混合型攻击。
在后面的处理过程中,SolarWinds聘请了多个领先的网络安全专家来协助完成这一目标,并将长期向客户、合作伙伴和公众公布新的安全性增强措施。SolarWinds与毕马威和CrowdStrike协作,采取了广泛的措施来调查、遏制、消除和补救网络事件。
在整个过程中,SolarWinds一直强调透明度、与合作伙伴的合作以及在收集和验证信息时分享公司调查到的信息。
“软件行业有共同开发的惯例,SolarWinds相信透明与合作是帮助行业共同防范攻击的最好办法,也希望能分享攻击调查的结果来帮助客户和整个IT行业。”Tim说。
CrowdStrike对SolarWinds 环境进行了宏观分析,并部署了Falcon技术和其他威胁追踪工具,持续监控可疑活动。毕马威取证小组进行了微观分析,对构建环境进行了深入检查,并进行了取证和分析,包括检查各种工件、历史防火墙日志、访问控制日志和SIEM事件。目前,SolarWinds已基本完成此过程,并相信威胁行为者在环境中已不再活跃。
“除了我们自己做出响应外,最重要的就是SolarWinds如何帮助客户及时应对并确保他们的Orion平台是安全的。我们及时地通知了受影响版本的Orion平台的客户,并且开展了一个完全免费的Orion 协助计划,帮助客户主动维护平台安全,包括给到客户具体的指导和指南(因为很多客户使用的是本地部署的平台和解决方案),从而帮助他们实现更合适的配置。”Tim说。
从品牌影响和维护的角度来看,在整个过程中,SolarWinds给到客户全力的支持,在整个过程中尽职尽责地配合他们。SolarWinds在这次事件中所展现出的努力和应对的态度,让客户对于SolarWinds品牌和产品给予了充分信任。
以设计确保安全
针对此次安全事件,SolarWinds积极与行业专家合作实施增强的安全实践,以确保公司产品和环境不再受到各种攻击。SolarWinds提出“以设计确保安全”(Secure by Design)的理念,涉及基础设施、软件开发和人员三个方面。
具体而言,在基础设施层面,通过模拟攻击等行为和事件,思考如何面对、减缓甚至消除对整个系统攻击带来的后果;对于整个软件开发而言,我们需要确保整个软件开发周期的韧性,面对攻击的时候要有各种各样的手段进行抵御;站在人员的角度,从工具、技巧和程序把整个网络安全的概念带到每天的工作和软件开发当中,并且开展一系列配套的程序和流程。
围绕“以设计确保安全”,SolarWinds在三个不同的领域采取了多项行动:首先是保障内部环境,通过和CrowdStrike合作,大大提高了整个基础设施、基础环境的可视化。SolarWinds更好地实现了对整个软件环境、运营环境的监测,从而了解无论是人还是网络的信息是不是存在任何异常。SolarWinds也针对所有的用户重设了访问权限,并检查了整个用户服务系统的访问。此外,SolarWinds实施了多因素身份的验证(MFA),尤其是对多层次的验证,针对具有高优先级的客户使用YubiKey软件,保护硬件密钥、软件密钥等环境,进行更安全的身份验证工作,并和更多专业的合作机构在内部开展了一系列审计活动。
因为攻击是针对供应链,所以SolarWinds重新设计自动构建过程,包括检查过去两年Orion当中的代码以及其它需要检查的内容是不是过期,中间是不是有被攻击、被植入、被更改,包括不断地进行举证,以确保SolarWinds产品代码的安全性和完整性。
SolarWinds不光从源代码开始,而是对整个产品构建流程和进程,以及环境和源代码持续不断地进行综合审计。同时,SolarWinds与CrowdStrike、微软、SecurityWorks、Rapid7等众多合作伙伴一起实现多层安全性的合作。
“SolarWinds致力于成为提供功能强大、价格适中且安全的解决方案的一流供应商,在IT管理网络方面有着完整的解决方案。SolarWinds愿意带头发动整个行业力量,将SolarWinds打造成安全软件环境、开发流程和产品的榜样。”Tim最后说。
好文章,需要你的鼓励
这项研究由浙江大学、复旦大学等机构联合完成,提出了ReVisual-R1模型,通过创新的三阶段训练方法显著提升了多模态大语言模型的推理能力。研究发现优化的纯文本冷启动训练、解决强化学习中的梯度停滞问题、以及分阶段训练策略是关键因素。ReVisual-R1在各类推理基准测试中超越了现有开源模型,甚至在某些任务上超过了商业模型,为多模态推理研究开辟了新途径。
这项研究提出了一种名为"批评式微调"的创新方法,证明仅使用一个问题的批评数据就能显著提升大语言模型的推理能力。研究团队对Qwen和Llama系列模型进行实验,发现这种方法在数学和逻辑推理任务上都取得了显著提升,平均提高15-16个百分点,而且只需要强化学习方法1/20的计算资源。这种简单高效的方法为释放预训练模型的潜在推理能力提供了新途径。
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。