首页 文章 精选 留言 我的

精选列表

搜索[google],共10000篇文章
优秀的个人博客,低调大师

亮亮视野完成亿元B+ 轮融资,“中国版Google glass”搭载首款VPU芯片

今年初,郑州东站铁路警方使用能够进行面部识别的AI警务眼镜,有效筛查出网上在逃人员7名,以及冒用他人身份证件的人员26名。这则新闻先是被《人民日报》报道,随后被国外科技媒体广泛报道。 实际上,这款眼镜背后的功能远不止这些。 眼镜的制造商亮亮视野介绍,这种AI眼镜还提供工业远程指导GLXSS Live,外勤人员戴上GLXSS 智能眼镜,就可以呼叫总部的专家求助;专家登陆SAAS平台,随时随地可以远程指导外勤人员。 亮亮视野是总部位于北京的AR眼镜制造商,成立于2014年。最近,亮亮视野宣布完成亿元人民币B+轮融资,这是继2017年5月千万美元B轮融资后,亮亮视野再次成为国内首家完成B+轮融资的AR公司。 100毫秒内从1万张数据库中识别人脸,帮助警方抓住7名网上在逃人员 郑州铁路警方使用的警务眼镜是GLXSS ME智能眼镜AI版,它与一个数据

优秀的个人博客,低调大师

arxiv 把渗透测试拆成 pytest 能断言的子任务:Google 式记分法轮到防守方用了

arxiv 在 2026-09-09 挂出一篇论文:《Big Enough to Break Out: Tracking the Rising Capability of LLM Penetration-Testing Agents》(arxiv 2609.10780)。它的对比实验表面上是一个标准的「新模型更强」故事:旧版基于 PentestGPT 的人在环系统(跑开源权重 Kimi K2.5,普通大学 GPU,无 provider 护栏)在 3 个公开靶场里 2 个没走到终点;新版全自主系统(跑 Claude Opus 4.8)把 3 个靶场全部解出。 但作者把记分方式换成「攻击链子任务清单」之后,另一条事实浮了出来:人在环系统在没走通的靶场里,已经完成了约一半的子任务。 这个「约一半」的信息量比「全破」更大。只看二元结论,防守方看到的是某一天「攻击者得手了」;看子任务记分,看到的是一条曲线——它今天已经能走通侦察、入口、漏洞识别,剩下的一半只差最后一推。作者明说这套记分法防守方拿去可用:在能力增长的时候就度量它,而不是到实战里才遇到它。 这篇文章讲一个工程动作:**把渗透测试智能体的攻击能力,写成一条 pytest 能跑的每周安全回归基线。** ## 一、先给结论:这篇论文最该抄走的不是结论,是记分表 渗透报告的惯例结论是二元加定级:拿下或没拿下,高危中危低危。这份报告回答的是「这次演了什么」,回答不了「对手正在变成什么」。子任务记分把一次事件变成一张清单:攻击链拆成侦察、入口打点、漏洞识别、权限提升、横向移动、数据导出、清理痕迹,每一项独立记分。清单一旦存在,它就自然变成回归基线——这正好是测试工程师的主场。 ## 二、锚回旧知识:这就是接口测试的断言粒度问题 先给结论:**整个事务只断言 HTTP 200,等于没断言;攻击链只断言『有没有被拿下』,等于没度量。** 你在接口测试里早就学过这一课。一个下单事务,只断言状态码 200,库存扣没扣、优惠券核销没核销、对账消息发没发全看不见——线上出事故时你会发现 200 的响应照样带着三个坏断言。后来你学会把断言铺到每个业务不变量上,测试才第一次有了「预警」能力。 二元渗透报告和「只断言 200」是同一种病:把多阶段过程压成一个终态布尔值。论文里人在环系统那两个「没走完」的靶场就是证据——终点没到,但链路走了一半,这一半在二元报告里是零信息,在子任务记分里是一条正在爬升的曲线。 ## 三、论文两系统对照,以及另外两句提醒 | 对照维度 | 人在环旧系统 | 自主新系统 | 测试侧启示 | |---|---|---|---| | 系统构成 | PentestGPT + 人在环 + 开源权重 Kimi K2.5 | PentestGPT 基础上的自主系统 + Claude Opus 4.8 | 被测的是「系统」不是「模型」:脚手架、自主度、记忆架构全在测量范围内 | | 运行环境 | 普通大学 GPU,无 provider 护栏 | 摘要未展开,本文不猜 | 环境是被测对象的一部分,报告口径里不能静默省略 | | 靶场完成度 | 3 个公开靶场中 2 个未走完 | 3 个全部解出 | 二元结论只能告诉你「已经发生了什么」 | | 子任务完成度 | 未走完的靶场完成约一半子任务 | 全链路走通 | 「约一半」才是预警信号:全破之前,增长早就可见了 | ![image.png](https://developer.qcloudimg.com/http-save/yehe-9678105/800e9c71662eaad4a207ec5375ec0d38.png) 论文里还有两句容易被划过去的话,都值得测试工程师抄进自己的规范。第一句是作者自己声明的归因限制:模型、脚手架、自主度、记忆架构同时变了,无法归因。这等于承认这是一次「多变量同改的对比实验」——恰好是回归测试纪律的反面教材。你把记分基线搬回防守侧时,第一准则就应该是每轮只动一个变量,否则曲线涨了你也说不清是谁的功劳。第二句关于记忆:作者给系统加了一个 coverage-memory 层,两套系统的表现都没有改善,卡点更像「规划与推进」而不是「记忆丢失」。防守启示是别把筹码押在单点上——你堵住了入口,不代表它的规划能力不会在下一次周度回归里把提权那段补分。 ## 四、动作一:把攻击链拆成一张可记分的 yaml 清单 记分要成立,子任务清单必须先写死——每一项有防守断言、有记分口径,不允许「感觉挡没挡住」。 ```yaml # attack_chain_scorecard.yaml —— 攻击链子任务记分表(本文示例口径) # 记分规则:每个子任务 0/1/2 —— 0 防线完好;1 部分触及(命中但未拦截等中间态);2 攻击方得手 chain: - id: recon name: 侦察与信息收集 defense_assert: 对外暴露面与指纹泄漏扫描,无未登记端口/服务 score_rule: "0=无未授权暴露;1=暴露面扩大但未泄漏有效信息;2=攻击方拿到可用资产清单" - id: entry name: 入口打点 defense_assert: 探针载荷被 WAF/IPS 命中并拦截(不是只告警) score_rule: "0=命中且拦截;1=命中但仅告警放行;2=打点成功" - id: vulnid name: 漏洞识别 defense_assert: SCA 依赖清单与生产实际版本一致,无幽灵依赖 score_rule: "0=清单一致;1=有滞后但滞后项不可达;2=滞后项构成可用入口" - id: privesc name: 权限提升 defense_assert: 服务账号凭据文件权限不严于 0600 即告警;sudo 配置无免密通配 score_rule: "0=两项全过;1=一项越线;2=可稳定提权" - id: lateral name: 横向移动 defense_assert: 东西向防火墙白名单生效,跨网段可达性探测必须失败 score_rule: "0=探测全失败;1=存在可达但被认证挡住;2=可达且可认证" - id: exfil name: 数据导出 defense_assert: 出口 DLP 特征库为当期版本;大批量异常出口在 5 分钟内出告警 score_rule: "0=库新且告警达标;1=滞后一个周期内;2=可静默导出" - id: cleanup name: 清理痕迹 defense_assert: 审计日志实时集中采集;本地日志删除/异常轮转同样触发告警 score_rule: "0=删日志必告警;1=有采集有延迟;2=可无痕清理" ``` **为什么这么写、踩过什么坑。** 第一,记分用 0/1/2 三档而不是二元过/不过。论文里「约一半」之所以有价值,就是因为存在「部分进展」这个中间态;你把防守也记分成二元,等于自己把曲线拍平了。第二,每条 score_rule 必须写到「机器可判」的程度——「权限不严于 0600 即告警」这种表述可以直接翻译成断言,「凭据管理良好」不行;凡是只能靠人眼读的断言,第三周开始就没人认真看了。第三,`cleanup` 这条最容易被省略,但它恰是智能体最可能超出人类习惯的一环:它的「推进规划」如果包含清痕迹,说明链路已走到很深处,这一项从 0 变 1 值得立刻拉响内部预警。 ## 五、动作二:每个子任务落一条可验证的防守断言 ```python # tests/security/test_attack_chain_weekly.py —— 每周把七条断言全跑一遍 import pathlib import pytest import yaml CHAIN = yaml.safe_load( pathlib.Path("attack_chain_scorecard.yaml").read_text(encoding="utf-8"))["chain"] # —— 每条检查函数只做一件事:返回 0/1/2 分,判定逻辑来自 yaml 的 score_rule —— def check_recon(env): ... # 对比上次登记的暴露面快照,返回增量 def check_entry(env): ... # 打探针载荷,确认 WAF 日志里是 block 不是 alert def check_vulnid(env): ... # SCA 清单与生产版本比对,找出幽灵依赖 def check_privesc(env): ... # stat 凭据文件 mode 位 + 解析 sudoers def check_lateral(env): ... # 从低敏网段发起跨段探测,期望全部失败 def check_exfil(env): ... # DLP 特征库版本比对 + 合成批量出口测告警时效 def check_cleanup(env): ... # 注入一次本地删日志动作,确认告警会响 CHECKS = {"recon": check_recon, "entry": check_entry, "vulnid": check_vulnid, "privesc": check_privesc, "lateral": check_lateral, "exfil": check_exfil, "cleanup": check_cleanup} @pytest.mark.parametrize("task", CHAIN, ids=lambda t: t["id"]) def test_subtask_defense(task, env, score_recorder): got = CHECKS[task["id"]](env) # 0/1/2 score_recorder.record(task["id"], got) # 无论几分都记进本周账 assert got < 2, f"[{task['id']}] {task['name']} 防线被穿透。记分口径:{task['score_rule']}" ``` **为什么这么写、踩过什么坑。** 第一,注意 `record` 发生在 `assert` 之前——记分曲线要收录「部分得分」的周次,断言只兜「被穿透」的底线。如果只在失败时记录,你会重蹈二元报告的覆辙:曲线全是零分和一分的锯齿,看不到缓慢爬升。第二,断言消息里带上 yaml 的记分口径,让 CI 红了之后的第一读者(值班同学)不需要再翻文档就知道该去修哪条防线——这就是「修复指引」维度上子任务记分对二元报告的全胜。第三,探测类断言(跨网段可达性、批量出口告警)会真的发包,`env` 里必须区分靶场环境与生产环境的开关,生产环境只跑被动采集类检查;把主动探测打进生产网的那一次,通常就是这个体系被一刀关停的那一次。 ## 六、动作三:每周跑一次,不管有没有攻防演练 ```yaml # .github/workflows/attack-chain-baseline.yml(片段) name: attack-chain-weekly-baseline on: schedule: - cron: "0 3 * * 1" # 每周一凌晨 3 点,无人窗口 workflow_dispatch: {} # 攻防演练前后手动加跑一轮 jobs: score: runs-on: ubuntu-latest steps: - uses: actions/checkout@v4 - uses: actions/setup-python@v5 with: { python-version: "3.11" } - run: pip install pytest pyyaml - name: Run defense assertions run: pytest tests/security/test_attack_chain_weekly.py -q --junitxml=reports/chain-score.xml | tee -a reports/chain-weekly.txt - name: Post score back to repo run: | git config user.name "sec-bot" git add reports/ git diff --cached --quiet || git commit -m "chore(sec): chain score $(date +%F)" git push ``` **为什么这么写、踩过什么坑。** 第一,`schedule` 才是这套东西的心脏:论文度量的是「能力随时间的增长」,你只有按固定周期采样,pytest 的红绿历史才会连成曲线;只在演练时跑,永远只有离散的几个点。第二,记分结果 commit 回仓库(配 `[skip ci]` 或按路径过滤防自触发),季度复盘时 `git log reports/chain-weekly.txt` 就是完整的攻击能力增长档案——和你熟悉的性能基线燃尽图同一个套路,只是横轴从发布次数换成了周次。第三,最大的坑是「断言写完就冻结」。攻击链子任务不是静态的,每季度评审一次清单本身:有没有新的子任务类型值得加行,就像你每季度评审用例集一样。 ## 七、二元结论 vs 子任务记分:哪张表能告诉你下个月会发生什么 | 对照维度 | 二元攻防结论报告 | 子任务记分回归基线 | |---|---|---| | 预警提前量 | 被拿下才知道,永远慢一步 | 看得见这周哪条子任务多拿了 1 分,比「拿下」早数周 | | 修复指引 | 「建议加固边界」式泛泛结论,无人知道先修哪 | 记分卡在 privesc,就去收紧凭据权限——修复直接对应断言 | | 趋势可见性 | 报告散在各次演练里,没有曲线 | 每周记一分,pytest 红绿历史天然连成增长曲线 | | 报告成本 | 每次演练都烧人天,低频 | 断言一次写成,周度运行的边际成本趋近于零 | 对照表里最值钱的是第一行和第二行的组合:二元报告给你「事后知情」,记分基线给你「事前议程」——下周例会该修哪条防线,曲线已经替你排好了。 ## 写在最后 这篇论文对防守方的真正礼物,不是「智能体变强了」这个焦虑,而是一套可以立刻搬走的度量方式:把对手的多阶段过程拆成子任务清单,逐项记分,定期采样。它把「威胁什么时候降临」这个无法回答的问题,换成了「本周曲线涨了几分」这个可以回答的问题。 **别等渗透报告告诉你『被拿下了』——把攻击链写成断言、把能力增长画成曲线,防守方的复利来自提前量。**

优秀的个人博客,低调大师

AI加持,计算机要拥有嗅觉了;GPU终于可用于Google Compute Engine | AI开发者头条

AI加持,计算机要拥有嗅觉了 辨识颜色是件容易的事情:只要光的波长为510纳米,大多数人就会说它是绿色。然而,要想根据一个特定的分子特征辨识出对应的味道,那是非常困难的。现在这个难题有新的解决方案了。 22个计算机科学家团队通过收集超过100万个数据点,构建关于这些气味分子的海量数据库。,然后进行训练和验证,目前该团队已经公布了一套算法,能够根据不同分子的化学结构来辨识不同气味,让计算机也拥有嗅觉。 NVIDIA的Volta架构GV100大核心曝光 尽管NVIDIA下一代全新显卡Volta早已曝光,但NVIDIA在Volta架构新特性上一直守口如瓶,但近日AIDA64就在官方 FaceBook 上宣布他们已经在驱动中发现了Volta显卡的踪迹,显示其PCI设备ID是1D81 = Graphics Device [GV100],这意味着GV

优秀的个人博客,低调大师

ClickHouse 联合创始人、前 Google 副总裁 Yury 到访杭州玖章算术公司,双方建立生态合作

10月31日,ClickHouse联合创始人Yury到访未来科技城,与玖章算术创始人叶正盛和国际总经理Ni Demai展开沟通与推进合作。 图片备注:Ni Demai(左),Yury(中),叶正盛(右) ClickHouse是深受开发者青睐的实时分析型数据库,成立2年就发展成为基础软件领域的独角兽,玖章算术核心产品NineData则是中国数据库工具领域的佼佼者。通过本次沟通,ClickHouse将继续增加其在生态能力上的投入,引入玖章算术成为ClickHouse全球正式合作伙伴,NineData将提供数据复制、SQL开发等能力,帮助开发者更加便捷、稳定地使用ClickHouse。 ClickHouse中国区负责人王楠(Tracy)、玖章算术首席产品经理蔡冬者参与了本次会议,双方深度交流了NineData帮助ClikHouse完成数据复制的实践场景,将在ClickHouse中国社区发展深度合作。 Yury作为ClickHouse的联合创始人、产品和工程总裁,是前谷歌、Netflix的副总裁。本次代表ClickHouse与玖章算术CEO叶正盛进行沟通,旨在加强两家公司之间的合作,增强ClickHouse的生态能力建设,帮助开发者更好地使用ClickHouse。 叶正盛是玖章算术创始人,在数据库生态工具产品里有20年经验,是国内把数据库生态工具体系做成专业产品的第一人。后续,NineData将快速支持ClickHouse最新版本,适配ClickHouse Cloud,同时会更大力度投入中国ClickHouse社区建设。 玖章算术创始人叶正盛(中) NineData提供企业级SQL开发能力,包括数据库堡垒机、生产变更服务,以及细粒度权限管控、审计、敏感数据脱敏处理等功能。并集成了大模型AI技术,提供智能SQL编写、SQL优化和数据库专业知识问答,能够帮助客户提高DBA与技术团队及ISV伙伴的合作效率。 NineData的数据复制能力可应用于多种场景,包括在线数据库到数据仓库实时同步、数据库国产化替换、数据上云、数据容灾等,支持1000公里数据实时同步,复制性能超过10万TPS,领先于市场主流产品。 NineData的创始团队由阿里云、华为、IBM等公司资深数据库专家组成。NineData支持MySQL、Oracle、PostgreSQL、ClickHouse、Redis、MongoDB、Doris等60种主流数据源。 NineData支持60种主流数据源 目前,NineData已经为上万开发者提供服务,在中国移动、沃尔沃、绿城集团等大型企业上线,与华为云、阿里云、腾讯云、百度云、移动云、AWS、Apache Doris、SelectDB等平台建立了紧密合作关系。NineData的目标是让企业各个数据源之间的数据自由流动,让数据管理与研发流程更安全、更高效。 结束语:ClickHouse与玖章算术NineData的合作将促进其生态系统的发展,NineData将更好地支持ClickHouse数据库复制、SQL开发等。这一合作将为中国的ClickHouse社区带来更多支持和创新,进一步推动社区发展,帮助开发者更好的使用ClickHouse,发掘数据价值,推进企业业务发展。

资源下载

更多资源
优质分享App

优质分享App

近一个月的开发和优化,本站点的第一个app全新上线。该app采用极致压缩,本体才4.36MB。系统里面做了大量数据访问、缓存优化。方便用户在手机上查看文章。后续会推出HarmonyOS的适配版本。

Mario

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长,特征是大鼻子、头戴帽子、身穿背带裤,还留着胡子。与他的双胞胎兄弟路易基一起,长年担任任天堂的招牌角色。

腾讯云软件源

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题,腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构,目前腾讯云软件源站支持公网访问和内网访问。

Sublime Text

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能,例如代码缩略图,Python的插件,代码段等。还可自定义键绑定,菜单和工具栏。Sublime Text 的主要功能包括:拼写检查,书签,完整的 Python API , Goto 功能,即时项目切换,多选择,多窗口等等。Sublime Text 是一个跨平台的编辑器,同时支持Windows、Linux、Mac OS X等操作系统。

用户登录
用户注册