使用Tenable Nessus和PVS检测Intel AMT漏洞 (INTEL-SA-00075)

article/2025/9/25 18:37:03

英特尔最近宣布针对英特尔®主动管理技术(AMT),英特尔®标准可管理系统(ISM)和英特尔®小型企业技术固件,从版本6至11.6中的漏洞进行固件升级。该漏洞多年来一直存在于英特尔芯片组中,特别是管理引擎(ME)。 ME可以像DRM(数字版权管理)一样运行,可以让TPM(可信平台模块)和AMT一样工作。

关于AMT

AMT使系统管理员可以通过远程连接重新映像裸机。为了实现这一点,AMT需要开启许多权限,从网络访问到写入内存和磁盘。 AMT是硬件,与系统上安装的任何操作系统分开工作。显然,有这么多的权限需要有一些保护,在实际情况中,对AMT的访问受密码保护,但AMT中的漏洞可以绕过密码。

AMT侦听TCP端口16992和16993以接入网络连接。从研究人员到攻击者已经有人报告大量扫描整个互联网可以找到这些端口打开的系统。如果您在任何时候公开地启用了AMT,那么您将面临风险。

检测方法

Nessus的检测方法

Tenable提供了以下几种检测工具来识别易受攻击的服务器。
Nessus插件#97999针对CVE-2017-5689报告中的漏洞进行测试,通过对配置的AMT服务绕过身份验证以确认其易受攻击:
图片描述
图片描述
经过认证的Nessus®插件#97997可以检测受英特尔漏洞影响的系统,并提供修复指导:
图片描述
另一个Nessus插件#97998根据16992端口侦听服务的Banner检测易受攻击的版本。注意,Banner版本并不总是足够细微的,因此在某些情况下可能会导致错误的反馈。但是,它会准确地识别所有易受攻击的系统,因此误报的风险非常低。

PVS

Tenable 被动漏洞扫描®(PVS™)还可以通过插件#6955检测到有AMT运行的主机:
图片描述

安全中心

SecurityCenter®用户可以开始评估此漏洞的风险,而无需重新扫描网络。 SecurityCenter收集了许多其他插件如服务检测、Banner检测和安装的软件程序。新的INTEL-SA-00075检测仪表板使用所有这些选项和以前收集的数据来识别潜在的易受攻击的系统,然后使用CVE来识别被确认为易受攻击的系统。
图片描述
仪表板左上角的矩阵标识了当前和修复了的漏洞。扫描您的网络时,找到漏洞并应用补丁,漏洞数量将逐步降低。仪表板还显示了漏洞是否被怀疑,如果怀疑被确认,则使用主动和被动检测方法。
INTEL-SA-00075检测仪表快速帮助您了解您的环境中最直接的风险。

应对缓解

AMT在过去七年中已经存在,大多数从AMT存在以后制造的机器都将面临风险。一旦识别出受到英特尔漏洞影响的服务器,您应该与您的供应商一起查看并修补程序版本 - 固件更新不是自动的,它是每个制造商特有的。较旧的系统显然在几年前就已经停止接收固件更新,所以很可能不会收到此漏洞的修补程序。如果您的供应商没有发布补丁,您可能需要遵循英特尔推荐的缓解措施。

我们建议您立即按照上面的步骤检测以确保您的基础设施安全。否则,此漏洞可能导致远程控制被利用及严重后果。


http://chatgpt.dhexx.cn/article/djG2elBD.shtml

相关文章

pvs-stdio ue4_了解适用于Java的PVS-Studio静态分析器

pvs-stdio ue4 总览 (Overview) The PVS-Studio Java static code analyzer consists of 2 main parts: the kernel, which performs the analysis, and plugins for integration in build systems (Gradle, Maven) and IDE (IntelliJ IDEA). PVS-Studio Java静态代码分析器包括…

pvs-stdio ue4_在Windows OS上检查虚幻引擎项目时的PVS-Studio使用情况

pvs-stdio ue4 This article focuses on the specifics of checking Unreal Engine projects with the PVS-Studio static analyser on the Windows operating system: how to install the analyser, check a project, where and how to view an error report. 本文重点介绍在W…

周志华与「深度森林」

关注网易智能,聚焦AI大事件,读懂下一个大时代! 近日于深圳举办的2018中国人工智能大会上,AI领域的顶级大牛、南京大学人工智能学院院长、ACM/AAAI/IEEE Fellow周志华发表了演讲,并在会后接受了网易智能等媒体的采访&am…

深度森林:探索深度神经网络以外的方法

挑战深度学习 《深度森林:探索深度神经网络以外的方法》 阅读量: 1306 收藏本文 深度神经网络的巨大成功掀起了一股深度学习热潮。 或许,这股热潮有些“太热”了。 就在这周,南京大学机器学习与数据挖掘研究所(LAMDA&a…

【深度森林算法实践】分类与回归

1 Review💖 不可否认,深度森林的提出很大程度是受深度学习算法启发。现如今,深度学习算法在诸多领域都展示出了傲人的实力,周志华教授作为国内集成学习领域的先驱,则在借鉴了深度学习算法结构的基础上,提出…

深度——强化学习、深度森林

Sutton’sTD(0)算法:考虑当前回报和下一状态的估计值,它的更新公式 : • Q-learing算法:它和Sutton’sTD(0)算法类似,只是将动作集A也考虑进来。 定义动作价值函数Q(s,a)…

周志华团队和蚂蚁金服合作:用分布式深度森林算法检测套现欺诈

翻译 | 林椿眄 出品 | AI科技大本营(公众号ID:rgznai100) 【AI科技大本营导读】 互联网公司每天都面临着处理大规模机器学习应用程序的问题,因此我们需要一个可以处理这种超大规模的日常任务的分布式系统。最近,以…

在Python 3中使用深度森林(Deep Forest)进行分类

深度森林(Deep Forest)是周志华教授和冯霁博士在2017年2月28日发表的论文《Deep Forest: Towards An Alternative to Deep Neural Networks》中提出来的一种新的可以与深度神经网络相媲美的基于树的模型,其结构如图所示。 gcForest.png 文中提出的多粒度级联森林(Mu…

9大数据集6大度量指标完胜,周志华等提出深度森林处理多标签学习

2019-11-25 11:01:57 选自arXiv 机器之心编译参与:路雪、一鸣 近日,南大周志华等人首次提出使用深度森林方法解决多标签学习任务。该方法在 9 个基准数据集、6 个多标签度量指标上实现了最优性能。 在多标签学习中,每个实例都有多个标签&am…

深度森林DF21、deep forest、gcForest

文章目录 DF21的优势DF21的可以用来干什么对标算法[^1] DF21的优势 DF21是周志华团队于2021年2月1日推出的深度森林开源库,其优势在于超参少、训练效率高1。 DF21的可以用来干什么 DF21可以用来进行分类和回归2。 对标算法2 搜狐自媒体网文:周志华团…

如何评价周志华深度森林模型

这篇文章背后的思路实际上是这样的: DNN(或者说 MLP)其实就是堆起来的广义线性模型(比如 logistic,但也有其他激活函数)。它能够自动发现特征与标签之间的非线性关系,当决策边界非线性&#xf…

gcForest分布式深度森林及其在套现欺诈自动检测中的应用

分布式深度森林及其在套现欺诈自动检测中的应用 摘要 互联网企业每天面对处理大规模机器学习应用的请求,需要一个能够处理超大数据任务的分布式系统.深度森林是最近提出的一个利用树作为组件深度学习框架,在各种领域取得不错的结果.然而并没有在超大规模数据任务上测试.在这项…

【论文解读】关于深度森林的一点理解

2017年年初,南京大学周志华老师上传了一篇名为:Deep Forest:Towards An Alternative to Deep Neural Networks的论文,一石激起千层浪,各大媒体纷纷讨论着,这似乎意味着机器学习的天色要变,实则不…

随机森林算法的扩展-深度森林(deep forest)

深度学习最大的贡献,个人认为就是表征学习(representation learning),通过端到端的训练,发现更好的features,而后面用于分类(或其他任务)的输出function,往往也只是普通的…

多标签学习与深度森林学习笔记

周志华老师团队Multi-Label Learning with Deep Forest (MLDF)报道很多,各大机器学习平台也都就这篇文章的亮点给出了分析。近日在准备组会报告时较为详细地拜读了一下,也由此简单了解了一下多标签学习的相关内容。 正如论文作者所述,MLDF的…

论文阅读:Deep forest/深度森林/gcForest

最近组会汇报了这篇文章,简单把思想梳理下来了,对了搜索深度森林的时候可能会看到Deep Forest: Towards an Alternative to Deep Neural Networks,这两篇文章的内容基本上是一致的,只在叙述方面有一些很小的不同。 下面是我做的p…

【冰糖Python】深度森林 DeepForest

此文为记录DeepForest的简单使用 原文《Deep Forest: Towards an Alternative to Deep Neural Networks》 “A key advantage of deep forest is its adaptive model complexity depending on the dataset. The default setting on hyper-parameters enables it to perform r…

使用深度森林(Deep Forest)进行分类-Python

一、什么是深度森林? 传统DNN的不足: 1、需要大量的数据集来训练; 2、DNN的模型太复杂; 3、DNN有着太多的超参数 gcForest的优势: 1、更容易训练; 2、性能更佳; 3、效率高且可扩展、支持…

深度森林浅析

深度森林 深度学习最大的贡献是表征学习(representation learning),通过端到端的训练,发现更好的features,而后面用于分类(或其他任务)的输出function,往往也只是普通的softmax&…

深度森林原理及实现

目录 背景 级联森林 多粒度扫描 代码 总结 背景 深度森林(Deep Forest)是周志华教授和冯霁博士在2017年2月28日发表的论文《Deep Forest: Towards An Alternative to Deep Neural Networks》中提出来的一种新的可以与深度神经网络相媲美的基于树的模型,其结构…