关于浏览器安全 不要轻信虚假的承诺(转)

关于浏览器安全 不要轻信虚假的承诺(转)[@more@]  所有网络浏览器或多或少都是不安全的,因为它们都必须与操作系统中的错误代码一起工作。尽管有一些迹象表明浏览器安全有一定的进展,例如微软和Mozilla公司频繁发布修复安全漏洞的补丁,但是如果瞬时利用成为攻击的武器,这些动作还是显得太迟和太微不足道。

  互联网用户时刻遭受着攻击——更糟糕的是,还没有可以对付各种黑客的“防弹衣”。 与微软、苹果和Mozilla等公司市场部门天花乱坠的广告相反,网络浏览器自身——而不仅仅是运行它们的操作系统——才是导致很多安全问题出现的原因。

  任何浏览器内部都存在易受攻击的安全弱点,这使得网上冲浪并不比蒙着眼睛驾驶坦克穿越一片雷区更安全:迟早你会轧到一颗雷。 互联网使用者无法逃脱攻击者必然的攻击。对于那些网上冲浪的人来说,碰到密码偷窃、钓鱼攻击和恶意软件感染的危险总是存在的。

  避开如色情网站和游戏网站等明显的恶意软件集散地只能略微使得受攻击风险降低。而不使用微软的Internet Explorer——无论是当前的版本还是很快就要发布的7.0版本——也同样只能延缓这种不可避免的攻击。

  Whitehat Security的创建者及CTO Jeremiah Grossman告诉TechNewsWorld:“所有浏览器都有可利用的薄弱环节。现在真正重要的只是哪一个被攻击的可能性最低。”他认为,“(Mozilla的)Firefox是避开危险的最佳选择。”

  不安全的浏览器

  所有网络浏览器或多或少都是不安全的,因为它们都必须与操作系统中的错误代码一起工作。尽管有一些迹象表明浏览器安全有一定的进展,例如微软和Mozilla公司频繁发布修复安全漏洞的补丁,但是如果瞬时利用成为攻击的武器,这些动作还是显得太迟和太微不足道。

  Alladin eSafe商业集团技术副主管Shimon Gruper解释说:“对于受到攻击的可能来讲,(Internet Explorer)和Firefox大约是相同的。唯一的区别是Firefox不使用ActiveX。ActiveX允许基于网络的程序在任务完成前一直在本地计算机上运行,这是非常不安全的。”

  Grossman补充道:“并没有办法可以使得我们完全免受攻击。短期来讲, 谁也没有办法解决这一问题。”

  那份令人沮丧的浏览器安全评估被Cryptography Research公司的Nate Lawson附和,这是一家评估和分析安全公司的技术与系统的公司。

  当谈及安全问题时,苹果电脑用户感受到的威胁相比之下倾向于小一些,但是使用Safari浏览器并无法缓解安全问题。

  Grossman认为:“任何浏览器——无论是(Internet Explorer),Firefox还是Safari——在设计时都没有考虑安全架构。他们在安全方面没有什么区别。”

  用户基础成为导向

  对浏览器的选择决定了一位计算机用户是一直处于战争的火线上还是略微偏离着攻击者的瞄准镜。微软的Internet Explorer浏览器具有一个庞大的用户基础——占据了大约82%的市场份额——Gruper报道说因此黑客们都向它瞄准。

  Grossman指出:“坏家伙们大多数都在跟随最多的用户,这正是微软的Internet Explorer。Firefox被攻击并不如IE那样频繁。但是这并不意味着它更安全——只是它较少地成为攻击的目标。”

  Gruper说,犯罪分子投入了大量时间与金钱来攻入Internet Explorer因为最多的用户使用它。而Macintosh浏览器Safari的用户基础较小,但从技术角度讲它并不更安全。Lawson补充道,Safari与Firefox的设计类似,不过它与Internet Explorer差别并不很大。

来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/10617731/viewspace-961653/,如需转载,请注明出处,否则将追究法律责任。

转载于:http://blog.itpub.net/10617731/viewspace-961653/

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置度分数阈值,将置度分数小于阈值的直接过滤掉 将剩下框的置度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值