社会工程学(科普篇)

说在前面

一个优秀的“黑客”不在于他懂得多少攻击命令,而在于他有没有好的社工思维。

而社工得核心就在于突破人的心理防线,主要的方式就是人与人之间的交流。
打一个不恰当的比喻,我时常愿意将人这个个体想象成一台高级的计算机,大脑为cpu,四肢为各种处理硬件,那么对于这台计算机的防火墙就是咱们的心理防线。这个心理防线根据每个人的社会经历会有所不同。而又由于人是一个感性、理性与逻辑共存的这么一个产物。因此我们社工过程就是通过人感性的弱点,突破理性的防线,进入到大脑中的逻辑,从而获取信息的这么一个过程。
那么略显专业的解释下:社会工程学是互联网安全的全新挑战,它是使人们顺从你的意愿、满足你的欲望的一门艺术与学问。是一种通过对受害者心理弱点、本能反应、好奇心、信任、贪婪等心理陷阱进行诸如欺骗、伤害的手段。

开始科普

世界头号黑客凯文米特尼克在《反欺骗的艺术》中就提到过,人为因素才是安全的软肋。关于社工学方面,我想起了曾经看过的电影。印象最深的就是《猫鼠游戏》《看不见的客人》《我是谁,没有绝对安全的系统》这三部电影几尽完美的验证了社工学的魅力,与其的危害。当然电影在表现的手法上有一定的夸张渲染,但是它所表达的方法,在现实生活中却是有真实的案例作为支撑。有兴趣的朋友可以看一看这三部电影。

在之前的文章中我也提到过一个我的观点,我认为最牛皮的黑客一定是懂社工的。在实际的应用场景中,我们要想渗透进一家安全防护措施较好的公司内网是十分困难的,那么在遇到没有思路,找不到突破口的时候,社工便是一个完美的解决办法。比如:通过社工手段,给公司内部员工发一封带有木马的邮件,这封邮件又极富诱惑性,当员工安全意识不强,点开了这个邮件,那么他的电脑就中招了,我们便可以以这台电脑为跳板,对内网进行扫描,进而渗透内网中的服务器,最终拿到控制权。

社会工程学两大分类

Human based

这是一种基于人的社会工程学攻击。在这一类中,我们需要人与人的互动来接触到需要窃取到的信息。这里列举几种常见的方法:
1.伪装
在这种攻击方式中,黑客通常会伪装成一个系统的合法用户和员工。黑客此时可以通过伪装成一个看门人、雇员或者客户来获取物理访问权限。
2.冒充重要用户
在这种攻击方法中,黑客会伪装成贵宾、高层经理或者其他有权使用或进入计算机系统并察看文件的人。大多数时候,低级别的员工不会针对这种情况来询问任何问题。
3.冒充第三方
黑客也会伪装成拥有权限的其他人。这种方法通常会在拥有授权的其他人不能使用机器的时候使用。
4.寻求帮助
这是一个经典的社会工程学攻击的方法。向帮助台和技术人员寻求帮助并套取想要的信息,这让他们成为了社会工程学攻击良好的目标。
5.偷窥
当一个人在输入登陆密码时收集他的密码,当然可以通过偷窥的方法。
6.翻垃圾箱
寻找在垃圾箱中记录密码的纸、电脑打印的文件、快递信息等,往往可以找到有用的信息。

Computer based

这种是基于计算机的社会工程学攻击,我们可以使用相关软件来获取所需要的信息。比如:
1. 钓鱼
钓鱼涉及虚假邮件、聊天记录或网站设计,模拟与捕捉真正目标系统的敏感数据。比如伪造一条上来自银行或其他金融机构的需要“验证”您登陆信息的消息,来冒充一条合法的登陆页面来“嘲弄你”。
2.引诱
攻击者可能使用能勾起你欲望的东西引诱你去点击,可能是一场音乐会或一部电影的下载链接,也有可能是你“偶然”间发现的标有“高管薪酬摘要Q1 2013”并标有公司LOGO的U盘。一旦下载或使用了类似设备,PC或公司的网络就会感染恶意软件以便于犯罪分子进入你的系统。
3.在线诈骗
被包含在邮件附件中的恶意软件,一旦被下载使用则很有可能被安装包括能够捕获用户的密码的键盘记录器、病毒、木马甚至蠕虫。又是也有可能弹出“特别优惠”的窗口,吸引用户无意中安装了其他的恶意软件。

  • 3
    点赞
  • 31
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 深度强化学习(Deep Reinforcement Learning)是一种以计算机智能的形式来模拟人类学习经验和思维的机器学习方法,它通过尝试和错误来学习,从而自动找到最优解决方案,从而解决复杂问题。深度强化学习是一种强大的机器学习技术,它可以帮助计算机自动学习策略,从而实现自主式控制或决策。深度强化学习可以让计算机系统自动从经验中学习,从而改善自身的性能,从而解决复杂的问题。 ### 回答2: 深度强化学习是一种人工智能领域的技术,它可以让计算机通过与环境的互动来学习和执行任务。深度强化学习的算法类似于人脑的学习过程,它通过试错来提高自己的表现。 在深度强化学习中,有三个主要的组成部分:智能体、环境和奖励信号。智能体是指我们正在训练的计算机程序,它通过观察环境的状态来做出决策,并通过执行动作来影响环境。环境是指智能体所处的场景,它可能是一个游戏、一个机器人或者是一个模拟的虚拟环境。奖励信号是用来指导智能体学习的,它可以是正向的奖励(表示智能体做出正确的决策),或者是负向的奖励(表示智能体做出错误的决策)。 深度强化学习的核心思想是建立一个神经网络,通过神经网络来优化智能体的决策。神经网络可以理解为一种模拟人脑的结构,它由很多神经元组成,每个神经元都可以接收来自其他神经元的输入,并产生输出。深度强化学习中的神经网络被称为深度神经网络,它可以通过大量的样本数据来训练自己的参数。通过不断的试错和学习,深度神经网络可以逐步提高自己的决策能力。 深度强化学习在很多领域都有广泛的应用。例如,在游戏领域,深度强化学习可以让计算机学会玩复杂的游戏,甚至超越人类的水平。在机器人领域,深度强化学习可以让机器人学习如何在复杂的环境中执行任务。在金融领域,深度强化学习可以用来做股票交易的决策。在医疗领域,深度强化学习可以帮助医生做出更准确的诊断和治疗决策。 总之,深度强化学习是一种非常有前景的技术,它将人工智能推向了一个新的高度,给我们带来了更多的可能性和机会。随着技术的不断发展,我们相信深度强化学习将在更多的领域发挥重要作用,为人类带来更多的便利和福利。

“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
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