Kaspersky запустила аналитику киберугроз для автомобильной индустрии

Kaspersky запустила аналитику киберугроз для автомобильной индустрии

Kaspersky запустила аналитику киберугроз для автомобильной индустрии

С 2021 года специализированные аналитические отчёты «Лаборатории Касперского» о киберугрозах для автомобильной отрасли становятся доступны широкому кругу заказчиков. В рамках данного сервиса компании могут получить информацию о специфических для индустрии угрозах, о том, какие данные могут быть использованы злоумышленниками для разработки атак на электронные системы автомобиля, оперативные уведомления о новых угрозах, а также рекомендации по противодействию им.

Сегодня информационной безопасности автомобилей уделяется всё больше внимания, поскольку злоумышленники постоянно изобретают новые техники. Кроме того, в отрасли появляются новые законодательные требования.

С помощью сервиса информирования о киберугрозах производители и поставщики автомобилей смогут узнавать о существующих проблемах безопасности, которые могут влиять на индустрию, и своевременно принимать необходимые меры. Каждый отчёт включает в себя не только обзор и анализ тенденций, но также информацию об угрозах и уязвимостях, характерных для автомобилей и связанной с ними инфраструктуры. Рассматриваются обнародованные инциденты, публикации независимых исследователей, отчёты крупных компаний индустрии, выступления с профильных конференций, обсуждения на специализированных форумах и закрытых площадках даркнета, а также инструменты с открытым кодом, реализующие потенциальные векторы атак на электронные системы автомобиля и его внешнюю инфраструктуру.

Если при подготовке отчёта эксперты обнаруживают угрозу, которая требует немедленного реагирования, клиенты получают срочное уведомление.

«В современных автомобилях используется всё больше технологий, поэтому представителям транспортной отрасли нужно не только соблюдать законодательные требования, но также быть в курсе возможных киберрисков — от уязвимостей в электронных блоках управления до атак на компоненты V2X-систем, предназначенных для обмена данными между автомобилем и другими объектами дорожной инфраструктуры. Наши отчёты помогают организациям решать эти задачи, – комментирует Сергей Зорин, глава департамента транспортных систем в «Лаборатории Касперского». – Они позволяют не только узнавать о новейших киберугрозах, но и понимать, какой вред они могут нанести. Мы продолжаем совершенствовать эту услугу, чтобы у участников автомобильного рынка было достаточно времени снизить потенциальные риски, которые могут отразиться на клиентах или работе компании».

Больше узнать об аналитических отчётах о киберугрозах для автомобилей можно по ссылке: https://www.kaspersky.ru/enterprise-security/transportation-security.

Лучшие LLM ошибаются с ядовитыми грибами в каждом девятом случае

Разработчик Пётр Мигдал проверил, можно ли доверить нейросети самый рискованный этап тихой охоты — определение грибов по фотографии. Короткий ответ: если очень хочется однажды поужинать дважды, то можно. В бенчмарк вошли 1040 фотографий 55 видов грибов, наиболее распространённых в Польше.

Изображения взяли из датасета FungiTastic, созданного на основе Atlas of Danish Fungi. Полная база содержит свыше 600 тыс. снимков с экспертной классификацией, а для части образцов вид подтверждён анализом ДНК.

Модели показывали каждую фотографию и просили назвать пять наиболее вероятных видов на латыни. Дополнительно их не обучали и специальные инструменты не подключали.


Лучше остальных справилась Gemini 3.8 Flash: правильный вид оказался на первом месте в 65% случаев и попал в пятёрку ответов в 85%. Немного отстали Gemini 3.6 Flash с результатами 64% и 85%, а также Gemini 3.7 Flash — 61% и 82%. Внизу таблицы расположились Qwen 3.8 27B, MiniMax-M3 и Qwen 3.8 Flash.


Но высокая точность закончилась там, где начался вопрос безопасности. Gemini 3.8 Flash и Gemini 3.6 Flash примерно в 11% случаев определяли ядовитые грибы как съедобные виды. У GPT-5.6 Sol доля опасных ошибок достигла 24%, у Claude Opus 5 — 29%, а у Qwen 3.8 27B — 36%. То есть последняя модель потенциально отправляла в корзину не тот гриб чаще чем в каждом третьем случае.

Есть важная оговорка: нейросети напрямую не спрашивали, можно ли есть находку. Они определяли вид, а затем исследователь сопоставлял ответы с таблицей съедобности. Некоторые модели и вовсе отказывались давать классификацию.

RSS: Новости на портале Anti-Malware.ru