新闻详情

新闻详情

首页 / 资讯中心 / 详情

Bitdefender荣获 AV-Comparatives EPR 认证“领导者”称号

发布时间:2026/11/4 20:05:28来源:尧图网络
Bitdefender荣获 AV-Comparatives EPR 认证“领导者”称号
近日国际独立测试机构AV-Comparatives发布《2026 年端点预防与响应EPR对比报告》。在覆盖 14 款企业安全解决方案、50 个定向攻击场景的测试中Bitdefender获得EPR 认证领导者称号。先看成绩100%第一阶段全阻断综合能力99.7%Bitdefender 在第一阶段自动阻止了全部 50 个攻击场景主动响应率达到 100%没有让攻击者建立立足点。Bitdefender 的综合预防与响应能力得分为 99.7%。认证标准要求该项能力达到 92% 或以上同时还要尽可能降低误拦、工作流延迟以及攻击未及时阻断带来的运营影响。在 14 款测试产品中只有 3 款产品同时在能力与运营影响两个维度进入象限顶部区域而 Bitdefender 不仅做到了这一点还能在攻击入口处将其拦截。另一项重要成绩是“不妨碍正常工作”。Bitdefender 在运营准确性和工作流延迟两项中记录均为 0没有阻止合法程序也没有让用户等待沙箱分析结果。在14 款参测产品中有 8 款在运营准确性方面产生了不同程度的负面影响其中 1 款还出现了工作流延迟问题。为什么第一阶段拦截如此重要相比之下另外 11 款产品有 4%至32% 的攻击越过建立立足点阶段只能在攻击链后续环节继续处理。AV-Comparatives 显示攻击若在第一阶段被主动阻止并报告按 0% 的数据泄露影响计算第二阶段按 25% 计算第三阶段按 75% 计算。在“大门口”拦住攻击者显然比对方进入服务器机房后再处置更有价值。EPR测试到底测什么EPR 测试并非普通恶意软件扫描而是通过完整攻击链模拟真实威胁。测试场景分为三个阶段第一阶段是终端入侵和建立立足点第二阶段是提权、凭据访问及横向移动等内部传播第三阶段涉及数据收集、命令与控制、数据外泄及最终影响。测试同时观察产品能否自动阻止攻击的“主动响应”以及能否提供告警的“被动响应”。场景映射 MITRE ATTCK 框架并参考真实攻击手法。本次测试还采用 AI 辅助技术生成攻击变体。依赖哈希、文件名或固定命令行的检测逻辑更容易在工具变化时失效相比之下基于行为的防护更能适应变化因为攻击者使用的工具可以不断变但攻击链最终要完成的行为目标往往不会变。Bitdefender 威胁研究副总裁 Dragos Gavrilut 也强调AI 正在加快网络攻击的速度因此越早发现并阻断威胁越能减少后续检测与响应的噪声和压力。一个需要同时看到的细节测试显示Bitdefender 在第一阶段出现了一些“静默拦截”攻击已经被阻止但没有生成对应报告。因此其第一阶段主动响应率仍为 100%被动响应率为 98%。总体来看Bitdefender 在 50 个定向攻击场景中实现第一阶段全部自动阻断综合预防与响应能力达到 99.7%同时保持零运营准确性失误和零工作流延迟。对企业用户而言衡量安全产品不仅要看“能不能拦”还要看“何时拦住”以及是否会影响正常业务。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/4 15:56:54

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/3 12:09:35

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/4 17:01:23

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/4 12:33:12

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/4 1:25:31

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/4 3:51:11

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉