Strona korzysta z plików cookies w celu realizacji usług i zgodnie z Polityką Plików Cookies.
W poprzedniej części artykułu przedstawione zostały nowe, w czasie przygotowywania tekstu dostępne w wersji zapoznawczej, funkcjonalności usługi Azure Machine Learning pozwalające automatycznie klasyfikować obrazy. Tematem tej części są dwie kolejne techniki komputerowej analizy obrazów – rozpoznawanie widocznych na obrazach obiektów i ich segmentacja. Tak jak poprzednio przykładowe eksperymenty przeprowadzimy na platformie Azure Machine Learning, korzystając z Python SDK.
Klasyfikacja obrazów jest pierwszą i wciąż jedną z najpopularniejszych technik ich komputerowej analizy. Polega ona na przypisaniu obrazu do jednej z predefiniowanych klas na podstawie widocznych na nim obiektów. Na przykład, jeżeli na obrazie widoczny jest kot, komputer powinien przypisać go do klasy Kot, a moje selfie mogłoby zostać sklasyfikowane jako Osoba bądź Marcin.
Nie wszystkie firmy i specjaliści ds. bezpieczeństwa mają dostęp do popularnego rozwiązania szyfrującego Microsoftu – BitLockera. Niektóre wersje systemu Windows go nie obsługują, a czasami po prostu korzystamy z innego oprogramowania. Polecamy więc alternatywy – zarówno płatne, jak i dostępne za darmo.
Zachowanie poufności i odpowiedniej ochrony danych przechowywanych na stacjach roboczych i systemach serwerowych od zawsze stanowi wyzwanie dla administratorów. Jednym z zabezpieczeń stosowanych w celu podniesienia bezpieczeństwa jest szyfrowanie danych znajdujących się na dyskach twardych. Systemy z rodziny Windows mają własną infrastrukturę szyfrowania danych – technologia ta nazywa się BitLocker.
Rok 2021 był czasem, w którym łańcuch dostaw oprogramowania wzrósł w zbiorowej świadomości specjalistów IT, bezpieczników i ludzi zarządzających firmami. Prawdopodobnie najsławniejszym atakiem tego typu było zainfekowanie aktualizacji oprogramowania SolarWinds Orion. Niestety nie był on jedyny. Słabości w łańcuchu dostaw oprogramowania były aż nazbyt widoczne w przypadku niedawno odkrytej luki biblioteki Log4j.
Gdy Ceki Gülcü tworzył ułatwiającą wszystkim życie bibliotekę Log4j, nie przewidział pewnie, że ponad 20 lat później krytyczna podatność jego biblioteki stanie się przyczyną globalnej paniki w całym świecie IT. Choć od ujawnienia luki Log4Shell upłynęły już prawie cztery miesiące, bynajmniej nie oznacza to, że zagrożenie minęło. Eksperci ds. cyberbezpieczeństwa uważają, że podatność ta pozostanie powszechnym celem cyberataków przez kolejne lata.
O luce bezpieczeństwa nie zawsze dowiadujemy się od producenta sprzętu lub oprogramowania. Coraz częściej informacja trafia do nas z grup lub portali branżowych. A czasami dopiero incydent uświadomi nas o jej istnieniu.
W codziennej pracy często pojawia się potrzeba uruchomienia aplikacji, co do bezpieczeństwa której nie mamy pewności, lub odwiedzenia stron internetowych, które potencjalnie mogą okazać się niebezpieczne. Wprowadzamy również istotne informacje w formularzach internetowych i potrzebujemy mieć pewność, że dane nie będą narażone przez działanie innych aplikacji zainstalowanych w systemie. W tym celu możemy wykorzystać oprogramowanie typu sandbox. Sandboxing to technika uruchamiania aplikacji w odizolowanym środowisku, w tak zwanej piaskownicy.
Mechanizmy rozszerzające bezpieczeństwo w systemach Linux skoncentrowały się głównie na dwóch wiodących rozwiązaniach, tworząc polaryzujący obraz sytuacji. SELinux w dystrybucjach RedHata i AppArmor w dystrybucjach Debiana.
W tej części artykułu o chmurowym mechanizmie LAPS zaprezentowany zostanie sposób dystrybucji rozwiązania na stacje robocze w celu zarządzania hasłami lokalnych kont administracyjnych.
Transmisje online zapewnia: StreamOnline