40% лжеантивирусов создано в 2010 году

40% лжеантивирусов создано в 2010 году

Такие данные представила вчера антивирусная лаборатория компании Panda Security. Согласно информации от специалистов PandaLabs, за четыре года, прошедшие с момента появления первых представителей класса ложного антивирусного программного обеспечения, было выявлено более 5,5 миллионов уникальных образцов; из них в течение неполного года - с января по октябрь 2010 - было создано почти 2,3 миллиона.



Сведения из базы данных PandaLabs Collective Intelligence, основанной на применении "облачных" технологий, позволили экспертам компании рассчитать, что лжеантивирусы на данный момент составляют 11,6% от общего количества всех отмеченных в базе образцов вредоносного программного обеспечения. Учитывая тот факт, что в БД Collective Intelligence хранится информация о каждом вредоносном объекте, обнаруженном специалистами Panda за 21 год существования компании, доля лжеантивирусов представляется довольно высокой - особенно если принять во внимание и их "молодой возраст".


Также аналитики PandaLabs установили, что в 2010 году 46,8% всех компьютеров в мире были инфицированы каким-либо вредоносным ПО; из них 10% - это все те же ложные антивирусы. Приемы психологического воздействия на пользователя, которые активно используются при создании и распространении подобных программ, обеспечивают им все растущий "успех" - количество их жертв постоянно увеличивается.


Кроме того, эксперты Panda составили список наиболее распространенных лжеантивирусов, который приведен ниже.









Наименование образца Доля в процентах

SystemGuard2009


MSAntiSpyware2009


MalwareDoctor


AntimalwareDoctor


AntivirusPro2010


SecurityMasterAV


Adware/SecurityTool 


ISecurity2010


SecurityEssentials2010


12.51


11.67


8.14 


7.21


4.57


3.62


3.38


2.81


2.39


Успех вредоносных программ этого типа во многом обусловлен возможностями извлечения прибыли из их распространения. Если пользователь будет достаточно неосторожен, чтобы поддаться запугиванию и заплатить "за полноценную защиту", то в распоряжении злоумышленников окажутся не только перечисленные денежные средства, но и данные о кредитной карте жертвы; эти сведения они могут продать заинтересованным лицам или применить в своих собственных целях (например, для покупки дорогостоящего товара в Интернет-магазине). Лаборатория PandaLabs провела особое исследование этих вопросов, озаглавленное "Лжеантивирусный бизнес"; его результаты показали, что прибыль от подобного мошенничества может составлять миллионы долларов.


PR Newswire

В Security Vision SOAR появились ИИ-ассистент и ML-отчёты

Security Vision выпустила обновление платформы SOAR, добавив в неё несколько заметных функций — локальный ИИ-ассистент, ML-скоринг инцидентов и автоматические ML-отчёты по итогам расследований. Обновление ориентировано на повседневную работу SOC и обработку инцидентов без выхода за контур заказчика.

Security Vision SOAR используется для управления и автоматизации реагирования на инциденты информационной безопасности на всех этапах их жизненного цикла — от выявления и анализа до восстановления и постинцидентной работы.

В основе платформы лежит объектно-ориентированный подход: каждый элемент инцидента — будь то хост, учётная запись, процесс или артефакт — рассматривается как отдельный объект со своей историей, связями и возможными действиями.

Сценарии реагирования в системе динамические: плейбуки автоматически подстраиваются под развитие инцидента, появление новых данных и техник атак. Дополнительно платформа выстраивает цепочку Kill Chain, показывая, как развивалась атака и какие шаги предпринимал злоумышленник.

Система также предлагает рекомендации по дальнейшим действиям, опираясь на контекст инцидента, накопленный опыт SOC и ML-модели, включая оценку вероятности ложного срабатывания.

 

В новом релизе появился локальный ИИ-ассистент в формате чат-бота. Он работает полностью внутри инфраструктуры заказчика и не обращается к внешним сервисам. Ассистент учитывает контекст конкретного инцидента — его стадию, связанные объекты, историю действий и похожие кейсы — и помогает аналитикам разбираться в событиях, расшифровывать логи, понимать техники атак или формировать команды для диагностики. Модель может дообучаться прямо в SOC на результатах обработки инцидентов и аналитических бюллетенях, при этом все данные остаются внутри контура.

Ещё одно нововведение — ML-скоринг критичности инцидентов. Модель автоматически оценивает приоритет события на основе его масштаба и значимости затронутых активов, что упрощает триаж и помогает быстрее понять, какие инциденты требуют внимания в первую очередь.

Также в платформе появился ML-summary — автоматическое резюме по итогам расследования. При закрытии инцидента система формирует краткий отчёт в едином формате: что произошло, какие действия были выполнены, к какому результату они привели и удалось ли атакующему чего-то добиться. Такое резюме сохраняется в карточке инцидента и отчётности, упрощая передачу дел между сменами и снижая потерю контекста.

В целом обновление направлено на то, чтобы упростить и ускорить рутинную работу SOC: быстрее разбираться в инцидентах, снижать нагрузку на аналитиков и сохранять знания внутри команды без необходимости вручную оформлять каждый шаг расследования.

RSS: Новости на портале Anti-Malware.ru