新闻分析:美国网络遭攻击暴露物联网安全隐患

    

  新华社记者彭茜

  恐怕很多人难以料到,家里安装的网络摄像头或是联网的智能冰箱不仅会被黑客轻易控制,还可能成为他们发动网络攻击的新一代“武器”。

  近日造成美国上千家大网站集体“掉线”的大规模DDOS攻击的源头,正是中了木马病毒的智能家居产品所组成的“僵尸物联网”。成千上万的物联网设备发送大量通信请求,使域名服务器瘫痪。这可能是首次借助物联网设备发动的大规模网络攻击。

  遭受攻击的美国网络服务提供商迪恩公司的首席战略官凯尔·约克对媒体表示,很多看似无害的物联网设备正成为大范围黑客袭击的“帮凶”,它们可能是家里的录像机、摄像头、温控器,甚至智能烤箱。

  其实,早在2013年专家就已指出智能家居、可穿戴器件等物联网设备的安全漏洞。《福布斯》杂志记者克什米尔·希尔曾通过网络远程打开了陌生人家的电灯、电视和其他智能设备。而惠普公司2015年的调研报告显示,10种物联网硬件中有6种存在网络安全隐患。

  怎么成“帮凶”

  “目前全球物联网安全状况非常令人担忧,大量物联网设备接入、暴露在互联网上,很多物理设备存在弱口令、缓冲器溢出等安全漏洞,极易被攻击,并作为攻击其他设备或系统的平台,”中科院信息工程研究所物联网信息安全技术北京市重点实验室主任孙利民接受新华社记者采访时说,“特别是目前全世界有数以百万计的联网摄像头,相当高比例的摄像头存在弱口令等很多安全问题。”

  他们分析发现,一些存在安全漏洞的摄像头不仅能被操纵窥探用户的个人空间,还可能被黑客当做袭击其他目标的攻击平台。

  为何网络黑客会选择物联网设备作案?原因就在于,这些设备常常缺乏基本的杀毒软件、反垃圾邮件软件等防护工具以及安全监控、警报手段,用户本身的安全意识也比较单薄,只知道给传统计算机加装安全防护,并未意识到新兴的智能硬件会威胁自身信息安全,甚至互联网等基础设施。

  孙利民认为,此次美国遭受大规模黑客袭击会让全世界对物联网安全的重要性认知上一个层次。网络摄像头等物联网设备已广泛应用在智慧城市、基础设施建设中,水利、能源、电力、交通等领域的物联网设备安全一旦被破坏,对国家基础设施的危害会更大。

  如何做防护

  那么,面对日益严重的物联网安全隐患,人们该如何防护?

  专家指出,首先,物联网智能设备厂商应从研发阶段就加强产品安全测试,预先根据物联网设备的特点和黑客可能的攻击点,从网络协议、加密算法、应用系统等方面提高产品整体安全性。孙利民说,从国家角度看,还应结合不同行业和类型的物联网设备,出台更细化的行业安全标准。

  其次,有条件的用户要对现有物联网设备进行安全评估,查出有哪些安全漏洞,并配备相应防护手段。孙利民认为,用户单位要加强物联网设备在使用过程中的监管,对发现流量异常、非法操作、异常行为等及时告警,同时配备防护设备及时切断非法操作。

  不过,多数情况下黑客对物联网设备的攻击“悄无声息”,直到很多个人用户无法访问网络或发现家中灯光、温控设备已被恶意操控后才知晓。美国加利福尼亚大学圣迭戈分校超级计算机中心网络安全专家金伯利·克拉菲说,总体来看,目前尚无有效手段帮助个人用户及时发现自己的物联网设备是否被黑客攻击,因此互联网服务提供商也应提升安全监控力度。



查看原文:http://www.zoues.com/2016/10/26/%e6%96%b0%e9%97%bb%e5%88%86%e6%9e%90%ef%bc%9a%e7%be%8e%e5%9b%bd%e7%bd%91%e7%bb%9c%e9%81%ad%e6%94%bb%e5%87%bb%e6%9a%b4%e9%9c%b2%e7%89%a9%e8%81%94%e7%bd%91%e5%ae%89%e5%85%a8%e9%9a%90%e6%82%a3/
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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