在满朋友圈、微博都刷满了柴静“穹顶之下”的视频时,北京市通信管理局发出的“加强应用商店整改”的要求,几乎被“雾霾”消息挤出视线。但实际上,手机已经成为人们必不可少的外挂器官,恶意APP如同雾霾一样,肉眼难以分辨,且其危害性容易被眼前的“利益”所蒙蔽,所产生的影响十分恶略。

图1:穹顶之外恶意APP丛生
众所周知,国内的安卓分发市场常年处于军阀割据的状态,大大小小的移动市场数十家,且马太效应越发显著。已经形成了由360手机助手居首、腾讯应用宝及百度手机助手三家主导格局。其余中小型分发平台争夺剩余的市场,竞争激烈程度可想而知,部分中小型分发平台并未树立良好的安全意识、为盗版APP的生存与传播提供了温床。
而同时,无本万利的经济驱使了专业“二次打包”APP的灰色产业链,这些投机分子挑选最热门的APP进行二次打包,植入恶意程序、广告、木马,并打着“破解”的旗号招摇撞骗,吸引用户下载,继而达成吸费、窃取隐私等目的,实现盈利。
恶意APP泛滥 应用商店缺乏安全意识
不同于苹果应用商店的封闭式系统,安卓天生的开放性为市场提供了机会,也带来了挑战。究竟国内安卓生态环境中国,盗版APP猖獗到什么程度?据360发布的《移动互联网APP分发行业报告》显示,我国平均每个安卓正版APP有26.3个盗版,而这些盗版应用中隐藏着相当数量的恶意软件。恶意APP横行的现象在安卓平台上尤为严重,知名信息安全公司FireEye发布的一份最新报告指出,96%的移动恶意软件针对的Android操作系统,有超过50亿个被下载的Android应用处在黑客攻击的威胁之下。

图2:国内安卓平台恶意APP泛滥情况愈演愈烈
另一方面,由于部分移动应用商店缺乏安全审核机制及安全意识,导致部分盗版APP通过有资质的移动应用商店流入市场,对用户产生威胁。在14年11月,国家互联网信息办公室、工业和信息化部、公安部等国家主管部门的统一部署下,共有21家应用商店中有67款恶意应用程序被下架,其中不乏百度、安卓商店等大家耳熟能详的分发平台。
而近日,由北京市通信管理局召开的会议再次对2014年Q4抽查的13家应用平台的73款违规产品进行了通报批评,所通报产品主要存在未经用户同意收集用户信息、恶意扣费、强行捆绑推广其他无关应用软件等违规问题,加强应用商店整改迫在眉睫。
安全应为应用商店第一原则
虽然至今并没有确切的法律法规出台,目前仍靠行业自律及个别机构不定期抽查来督促行业自律。对此,相关负责人表示,应用商店的安全性应该是发展的根基,360手机助手已经构建了一套完善的安全检测系统,所有上架的APP并需经过QVS引擎、云引擎、自动审核、定期回归、人工审查以及用户举报六层安全防护体系的考验。

图3:360手机助手审核过程严格
此外,安卓应用的下载渠道多种多样,移动应用商店并非单一渠道,搜索引擎、二维码下载仍占有一定的比例。但由于这些“游击”的存在模式,更加加大了抽检的难度,安全检测更是无从谈起,用户应尽量避免下载。
行业监管 安全审核机制亟待完善
虽然行业法规尚未出台,但不定期的抽查行为已经说明了国家对于移动应用安全的重视程度,从无抽查到不定期抽查已经迈出了历时性的一步。可以说手机APP面对的问题与雾霾一样的严峻,一样的会对“不知情”的大众产生难以预估的影响。也就是在行业自律和法律法规完善的同时,用户也需要了解山寨APP的危害,尽量选择具有安全审核机制的平台下载。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。