游戏盾的三次技术演进

本文涉及的产品
AI安全态势管理免费试用,1000次,有效期3个月
简介:

游戏盾从诞生之初到现在,经历了三次重大的技术变革。从初代的“云层”,到现在的游戏盾,无论是从技术架构还是从功能实现上,都发生了翻天覆地的变化。

而驱动这些变化的浅层因素,是攻防资源的不对等问题;深层因素则是对现有网络本身的路由规则和基础设施的深度思索。

简单来说,游戏盾通过风控模式调度流量来撬动攻防天平;而从本质来说,游戏盾更像是一个除了路由和DNS之外,能再次改变流量走向的存在。

云层:第一次实验

游戏盾的前身是云层项目。它诞生在15年初 的一次“营救实验”。

一家公司被黑客反复攻击,传统的DDoS防御方法全都败下阵来。在紧急情况下,公司向我们寻求合作,并提出可以尝试一种“通过快速流量调度,来躲避黑客攻击”的新方法。

这种方法并没有在任何实战场景中被验证过。阿里云DDoS的技术团队在“摸着石头过河”的情况下,与用户的技术团队一起合作,用将新的防护方法付诸于实践,成功扛下了一次次攻击。云层时代也就此开始。

当时,黑客的攻击手法相对来说比较单一,找到目标IP地址,使用一波大流量(10~50GBps)将IP攻击进入黑洞。而发动下一波攻击的准备时间大约需要10~15分钟。而云层通过秒级分布式IP的快速调度,压制了黑客的分钟级攻击跟随,赢得了这场竞赛的阶段性胜利。

接下来,“云层”模式在其它几场攻防实战中屡立战功。但与此同时,新形态的攻击方式也在不断地进化,云层的IP调度速度尽管实现了秒级,但要跟上黑客的嗅探和跟随,其算法和效率仍需进化,在这种背景下,游戏盾的时代来了。

游戏盾:踏入战场

一直以来,国内超过50%的DDoS和CC攻击,都针对游戏行业。正因此,游戏成了DDoS攻防最好的战场,也是调度算法的最佳训练场。

于是,我们决定将云层时代积累下来的技术经验,应用在游戏行业中,成为大家能够用得上,并且管用的风控模式。

在游戏盾诞生之前的很长一段时间,我们对游戏行业的攻防对抗模式反复分析,也去深入了解了游戏业务的注册特点、登陆特点,玩家特点,在此基础上,重构了游戏盾的智能调度算法。

它继承了云层快速调度的能力,又通过对端信息的采集,和对网络通信等行为的归一化处理分析。基于云上的资源和特性,游戏盾得以对海量的端数据进行计算,处理和存储;相比线下环境,云在计算和数据处理上的优势,让我们取得了这一实质性的突破——完成对每一个终端设备的画像,最终沉淀为“端威胁值”这一新的调度因子。

游戏盾所有数据处理的核心,是AirTraffic Control (ATC 空中流量调度系统)。它以DL(深度机器学习)&LSTM(神经网络)为认知基础,将恶意用户快速隔离在调度体系之外。

在游戏行业炮火重重的前线上,游戏盾完成了涅槃重生。持续在最猛烈的攻击之下,不断进行自我升级。威胁识别和影响面控制代替调度成为了新的技术关键词。

精细化和分层而治:领先一小步

当然,这仍只是一个开始。攻击方也在逐步加重自己的兵力投入,要领先黑客一小步的话,光靠数据和算法还不够,需要真正了解对方的攻击趋势和攻击手法。

在实战的打磨中,游戏盾正式踏入精细化攻防对抗这一领域:NetGuard应运而生。

借助前两个阶段所积累的AI建模分析能力,游戏盾向业务层的攻击发起挑战。

它通过串行学习特定业务数据特征,快速识别畸形和突发的异常流量,并在干路上进行阻截。与此同时,团队提出了由用户层、网络层、接入层和业务层四级联动的立体防护体系,让游戏盾帮助用户,去自己搭建最适合自己的安全架构。

游戏盾这个立体防护体系的核心,在于分层而治。首先,大流量攻击,依托网络层去解决,而技巧型CC攻击,通过接入层去解决。立体防护体系可以达到突破带宽限制,控制攻击影响范围和时间,精准识别用户行为的目标。

image

倾斜的天平

从2015到2017,两年的攻防实战和技术打磨让游戏盾将一种新的安全风控模式,应用到攻防战场中,帮助游戏行业的用户去解决实质性的问题,这是我们目前所做的事情。

然而,从云层到游戏盾,只是我们去撬动DDoS攻防天平的第一步。我们真正去前进的方向,是构筑一张安全、可信、承载着“干净流量”的网络,并将这张网络延展到更广的边界。

本文出自阿里云安全公众号,原文链接

相关文章
|
前端开发
Vue3输入框focus失效
Vue3引入elementplus的输入框el-input,如果想在鼠标点击即搜索框获得焦点后发生变化,那就得用到css的:focus选择器
799 1
|
Web App开发
vscode设置默认浏览器
vscode设置默认浏览器
881 1
|
网络协议 算法 Ubuntu
BBR一键安装脚本 BBR/魔改/暴力/BBRplus/锐速(Lotsever)
BBR是 Google 提出的一种新型拥塞控制算法,可以使 Linux 服务器显著地提高吞吐量和减少 TCP 连接的延迟
74191 5
BBR一键安装脚本 BBR/魔改/暴力/BBRplus/锐速(Lotsever)
|
存储 Java 对象存储
springboot配置阿里云OSS存储实现文件上传下载功能
【1月更文挑战第1天】springboot配置阿里云OSS存储实现文件上传下载功能
4656 3
|
10月前
|
存储 人工智能 前端开发
无头 CMS 深度剖析:架构、优势与未来发展趋势
无头 CMS,即 Headless Content Management System,是一种将内容的管理与展示分离的内容管理系统。与传统 CMS 不同,它没有内置的前端展示层,仅专注于内容的创建、编辑、存储与管理。
736 6
无头 CMS 深度剖析:架构、优势与未来发展趋势
|
9月前
|
存储 人工智能 前端开发
Google揭秘Agent架构三大核心:工具、模型与编排层实战指南
本文为Google发布的Agent白皮书全文翻译。本文揭示了智能体如何突破传统AI边界,通过模型、工具与编排层的三位一体架构,实现自主推理与现实交互。它不仅详解了ReAct、思维树等认知框架的运作逻辑,更通过航班预订、旅行规划等案例,展示了智能体如何调用Extensions、Functions和Data Stores,将抽象指令转化为真实世界操作。文中提出的“智能体链式组合”概念,预示了未来多智能体协作解决复杂问题的革命性潜力——这不仅是技术升级,更是AI赋能产业的范式颠覆。
2825 1
|
人工智能 自然语言处理 Linux
OSUM:告别ASR单一功能,西工大开源的语音大模型会「读心」!识别+情感分析+年龄预测等8大任务1个模型全搞定
OSUM 是西北工业大学开发的开源语音理解模型,支持语音识别、情感分析、说话者性别分类等多种任务,基于 ASR+X 训练策略,具有高效和泛化能力强的特点。
1407 8
OSUM:告别ASR单一功能,西工大开源的语音大模型会「读心」!识别+情感分析+年龄预测等8大任务1个模型全搞定
|
开发框架 .NET 测试技术
.NET Core 日志记录程序和常用日志记录框架
本文主要内容为.NET Core的日志记录程序和常使用的日志记录框架的简单使用 首先,打开VS2019新建一个ASP.NET Core Web Api项目,项目创建好后会有一个集成好的天气预报的类和控制器,接下来,我们的方法就在天气控制器里完成。
357 0
|
存储 人工智能 缓存
大模型压缩量化方案怎么选?无问芯穹Qllm-Eval量化方案全面评估:多模型、多参数、多维度
【6月更文挑战第26天】无问芯穹Qllm-Eval评估了11个大模型(如OPT、LLaMA2)在多种参数配置和任务下的量化效果,探索权重量化、激活量化等方法对性能、速度和内存的影响。研究发现,W4、W4A8量化通常保持在2%的性能损失范围内,但最佳策略取决于模型大小、任务类型及硬件,提示了选择压缩方案时需灵活适应。[[arxiv.org/pdf/2402.18158.pdf](https://arxiv.org/pdf/2402.18158.pdf)]
558 6
|
缓存 Linux
CentOS7系统配置国内yum源和epel源
1.首先进入/etc/yum.repos.d/目录下,新建一个repo_bak目录,用于保存系统中原来的repo文件 [root@bogon ~]# cd /etc/yum.repos.d/ [root@bogon yum.
12583 57