测评指标-安全计算环境

四、安全计算环境

1、身份鉴别

        a、应对登录的用户进行身份标识和鉴别,身份标识具有唯一性,身份鉴别信息应具有复杂性要求并定期更换。

        b、应具有登录失败处理功能,并配置启用结束会话、限制非法登录次数和登录连接超时自动退出等相关措施。

        c、当进行远程管理时,应采取必要措施防止鉴别信息在网络传输过程中被窃听。

        d、应采用口令、密码技术、生物技术等两种或两种以上组合的鉴别技术对用户进行身份鉴别,且其中一种鉴别技术至少应使用密码技术来实现。

2、访问控制

        a、应对登录的用户分配账户和权限。

        b、应重命名或删除默认账户,修改默认账户的默认口令。

        c、应及时删除或停用多余的、过期的账户,避免共享账户的存在。        

        d、应授予管理用户所需的最小权限,实现管理用户的权限分离。

        e、应由授权主体配置访问控制策略,访问控制策略规定主体对客体的访问规则。

        f、访问控制的粒度应达到主体为用户级或进程级,客体为文件、数据库表级。

        g、应对重要主体和客体设置安全标记,并控制主体对有安全标记信息资源的访问。

3、安全审计

        a、应启用安全审计功能,审计覆盖到每个用户,对重要的用户行为和重要安全事件进行审计。        

        b、审计记录应包括事件的日期和时间、用户、事件类型、事件是否成功及其他与审计相关的信息。

        c、应对审计记录进行保护,定期备份,避免受到未预期的删除、修改或覆盖等。

        d、应对审计进程进出保护,防止未授权的中断。

4、入侵防范

        a、应遵循最小安装的原则,仅安装需要的组件和应用程序。

        b、应关闭不需要的系统服务、默认共享和高危端口。

        c、应用过设定终端接入方式或网络地址范围对通过网络进行管理的管理终端进行限制。

        d、应提供数据的有效性校验功能,保证通过人机接口输入或通过通信接口输入的内容符合系统设定要求。

        e、应能发现可能存在的已知漏洞,并在经过充分测试评估后,及时修补漏洞。

        f、应能够检测到重要节点进行入侵的行为,并在发生严重入侵事件时提供报警。

5、恶意代码防范

        a、应采用免受恶意代码攻击的技术措施或主动免疫可信验证机制及时识别入侵和病毒行为,并将其有效阻断。

6、可信验证

        a、可基于可信根对计算设备的系统引导程序、系统程序、重要配置参数和应用程序等进行可信验证,并在应用程序的关键执行环节进行动态可信验证,在检测到其可信性受到破坏后进行报警,并将验证结果形成审计记录送至安全管理中心。

7、数据完整性

        a、应采用校验技术或密码技术保证重要数据在传输过程中的完整性,包括但不限于鉴别数据、重要业务数据、重要审计数据、重要视频数据和重要个人信息等。

        b、应采用校验技术或密码技术保证重要数据在存储过程中的完整性,包括但不限于鉴别数据、重要业务数据、重要审计数据、重要视频数据和重要个人信息等。

8、数据机密性

        a、应采用密码技术保证重要数据在传输过程中的机密性,包括但不限于鉴别数据、重要业务数据、重要个人信息等。

        b、应采用密码技术保证重要数据在存储过程中的机密性,包括但不限于鉴别数据、重要业务数据、重要个人信息等。

9、数据备份恢复

        a、应提供重要数据的本地数据备份与恢复功能。

        b、应提供异地实时备份功能,利用通信网络将重要数据实时备份至备份场地。

        c、应提供重要数据处理系统的热冗余,保证系统的高可用性。

10、剩余信息保护

        a、应保证鉴别信息所在的存储空间被释放或重新分配前得到完全清除。

        b、应保证存有敏感数据的存储空间被释放或重新分配前得到完全清除。

11、个人信息保护

        a、应仅采集和保护业务必须的用户个人信息。

        b、应进制未授权访问和非法使用用户个人信息。

  • 12
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
MOT17Det是一个用于多目标跟踪的数据集,其中包含了多个视频序列和相应的注释数据。该数据集中的每个视频序列都包含了多个行人,车辆等目标,注释数据则提供了每个目标在每一个视频帧中的位置信息、类别信息以及ID信息。该数据集可用于训练和评估多目标跟踪算法的性能。 多目标跟踪指标评测是评估多目标跟踪算法性能的一种方法。评估多目标跟踪算法性能的主要指标有两个:MOTA和IDF1。 MOTA(Multiple Object Tracking Accuracy)是一个综合指标,它将多个因素考虑在内,包括漏检(Miss)、误检(False Positive)、ID错误(ID Switch)和位置误差(Location Error)等。MOTA的计算公式如下: MOTA = 1 - (Miss + False Positive + ID Switch + Location Error) / (Total Number of Ground Truth Targets) IDF1(Identification F1 Score)是一个评估多目标跟踪算法中ID Switch(目标ID切换)错误的指标。IDF1的计算公式如下: IDF1 = 2 * TP / (2 * TP + ID Switch + False Positive) 其中,TP表示正确的目标匹配数,ID Switch表示错误的目标ID切换数量,False Positive表示错误的检测数量。 在计算MOTA和IDF1指标时,需要用到一些其他的指标,如漏检(Miss)、误检(False Positive)、ID错误(ID Switch)和位置误差(Location Error)等。这些指标的计算方式与目标跟踪算法和数据集不同,具体可以参考相应的评测标准。 总体来说,MOT17Det数据集和多目标跟踪指标评测为多目标跟踪算法的设计和评估提供了一个标准化的基础,可以帮助研究者更准确地评估算法的性能并不断提高算法的精度和鲁棒性。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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