资料列表
Preview Name 作者 Date File info
  • 云安全证书应用实践
  • 议题

    • • 云安全建设中的“盲点”
    • • 云安全证书应用误区
    • • 云安全证书应用实践经验
    • • 基于CA体系的云安全框架
    • • SSL证书应用趋势
王高华 沃通电子认证服务有限公司 创始人&CTO
  • 附件: 1 个
  • 大小: 4.65 M
  • 真实场景下的 虚拟机逃逸
  • 目录

    • • qemu漏洞在kvm和xen场景下的利用
    • • docker远程攻击和安全机制绕过
    • • 针对漏洞利用程序的防御方案
唐青昊 360 云安全研究部 360 Marvel Team
  • 附件: 1 个
  • 大小: 7.0 M
孙震 Ixia China 应用和安全业务发展总监
  • 附件: 1 个
  • 大小: 6.46 M
  • 安全服务化趋势下 资源博弈时代将至
  • 内容提要

    • • 互联网安全现状分析
    • • 安全防护方式演进分析
    • • 业界主流云安全服务形态
    • • 基于CDN的云安全服务成为趋势
    • • 网宿云安全实战防护
    • • 网宿云安全报告解读与趋势分析
欧怀谷 网宿科技首席安全官
  • 附件: 1 个
  • 大小: 4.83 M
  • 基于威胁情报驱动的云安全实践
  • 目录

    • 1 基于威胁情报驱动的云安全平台架构
    • 2 基于云安全平台攻防数据的威胁情报分析模型
    • 3 基于云安全平台攻防数据提取到的威胁情报
    • 4 威胁情报在云安全平台的应用
陈奋 安全狗 CEO
  • 附件: 1 个
  • 大小: 6.06 M
  • 移动平台应用软件隐私威胁与保护
    • 移动平台隐私威胁态势严峻
    • 移动平台隐私威胁新特点
    • 针对用户输入隐私的攻击开始兴起
    • 用户输入的隐私(UIP)数据
    • 现有工作
    • 识别UIP数据是前提
    • 我们的工作
    • 如何识别UIP控件?
    • 我们的想法
    • UIPicker架构
    • 预处理
    • 隐私文本识别-挑战
    • 隐私文本识别-思路
    • 隐私文本识别-方法
    • 隐私界面控件识别
    • UIP控件识别
    • 运行时UIP保护机制
    • 实验分析
    • UIP数据在APP中的分布
    • 识别到了多少UIP数据
    • 精确度
    • 总结
      • • 由于移动平台极其开放的生态环境,移动平台上用 户隐私面临严重威胁
      • • 用户输入类隐私是移动平台的一大特点,现有工作 尚未很好的对用户输入类隐私进行保护
      • • 用户输入类隐私格式各异、接口非规整、获取形式 多样,对其进行系统化的识别十分困难
      • • 基于界面文本分析的方法可以很好的识别界面中包 含输入类隐私,从而有效保护用户输入类隐私
张源 博士、讲师 复旦大学系统软件与安全实验室
  • 附件: 1 个
  • 大小: 7.26 M
  • 盘古越狱揭秘
  • 目录

    • • 盘古越狱用户态漏洞分析
    • • 盘古越狱内核态漏洞分析
    • • 总结
王铁磊 徐昊 盘古安全团队 上海犇众信息技术有限公司
  • 附件: 1 个
  • 大小: 6.32 M
陈宏伟 360烽火实验室 高级安全研究员
  • 附件: 1 个
  • 大小: 8.73 M
  • Security and Privacy in Mobile Advertising
    • Ads are the Financial Pillar of Mobile Computing
    • Mobile Ads Ecosystem
    • Security Problems
    • Anatomy of Mobile Ad Traffic
    • Ad Revenue Diversion
    • AdRob
    • Dataset: 265,000 apps from 17 markets
    • Cloning between Markets
    • Cloning on Each Market
    • Determine Impact
    • How to Determine Impact
    • Count Users Running Each App
    • AdRob
    • Traffic Analysis
    • Loss of Revenue and User Base
    • Web Ad Fraud
    • MAdFraud
    • Ad Fraud
    • Dynamic Analysis
    • Identify Impressions and Clicks
    • Automatically Identify Impressions and Clicks
    • Dataset and Results Overview
    • Finding: Background Impressions
    • Finding: Click Fraud
    • Prevention
    • Conclusion
Hao Chen University of California, Davis
  • 附件: 1 个
  • 大小: 5.23 M
沈超 西安交通大学副教授 智能网络与网络安全教育部重点实验
  • 附件: 1 个
  • 大小: 7.9 M