Drift Casino – мобильная версия и удобный вход ▶️ […]

2025年8月，Salesloft Drift数据泄露事件成为SaaS历史上严重的供应链攻击。攻击者UNC6395利用OAuth令牌漏洞，获取700多家企业的敏感数据。初始入侵源于GitHub账户失陷，攻击者长期潜伏，导致安全失效。事件揭示了第三方应用安全的关键弱点，企业需加强OAuth令牌管理和供应链风险控制。

2025年，Salesloft的GitHub账户被黑客入侵，导致700多家企业受影响，OAuth令牌被窃取，客户数据泄露。Salesloft已采取应急措施，Mandiant确认攻击已被遏制。

谷歌披露，Salesloft Drift平台的攻击影响所有集成应用，建议客户视所有认证令牌为可能泄露。攻击者利用被盗OAuth令牌访问部分Google Workspace邮箱。谷歌已撤销相关令牌并禁用集成功能，提醒企业检查第三方应用。

黑客成功入侵Salesloft，窃取与Drift AI聊天代理相关的OAuth令牌，攻击Salesforce客户。UNC6395组织利用这些令牌从多个Salesforce实例导出数据，包括AWS密钥和访问令牌。Salesloft已撤销相关连接，并建议客户重新验证，此事件可能预示着更大规模的供应链攻击。

本研究提出FLAIR框架，旨在解决动态数据库中因概念漂移导致的学习模型性能下降问题。通过引入“上下文适应”新范式，FLAIR显著提升了适应速度和准确性，展现出良好的实际应用潜力。

本研究提出了一种元算法，利用卡方拟合优度检验应对神经网络推理中的概念漂移问题。实验结果表明，该方法能够有效检测准确率下降，从而提高模型在多变条件下的可靠性和安全性。

本研究探讨了语言模型代理在自主体应用中的目标遵循问题，并提出了分析目标漂移的新方法。尽管最佳代理在困难评估中表现良好，但所有模型均显示出目标漂移，且与上下文长度增加的模式匹配敏感性相关。

本研究探讨了自动驾驶汽车与人类驾驶员在复杂高风险场景中的互动安全问题，提出了认知-决策框架，发展了风险敏感度模型和基于漂移扩散模型的决策模型，为模拟应急驾驶决策提供理论基础。

本研究提出FedBSS方法，针对联合学习中的数据异质性引起的客户端漂移问题，通过动态选择样本来缓解样本级异质性，从而提升模型训练的稳定性和性能。

本研究提出了一种新颖的双层集成机器学习模型，旨在解决动态环境中的概念漂移问题。该模型结合全球机器学习模型和概念漂移检测器，研究结果表明其在处理未知概念漂移特征时优于传统单一模型，展现了集成机器学习的潜力。

本研究提出了Proceed框架，以解决时间序列预测中的概念漂移问题。通过估计训练样本与测试样本之间的漂移，及时调整模型参数，实验证明其性能优于现有的在线学习方法。

本研究提出了一种新的无监督数据集偏移识别框架，旨在解决临床AI模型因数据分布变化导致的性能下降问题。该框架能够有效区分标签分布变化、输入特征变化和混合偏移，并结合自我监督编码器和任务模型输出的方法，显著提高了对细微特征变化的检测能力。

本研究针对机器学习中的概念漂移问题，提出了无监督漂移采样策略（SUDS）和统一标注数据准确性指标（HADAM），以提升模型的适应能力和标注数据的使用效率。

本文探讨了在个体轨迹不可观察的情况下，从观测数据中学习随机微分方程（SDE）的难题。提出了一种新方法，通过时间边际联合估计SDE的漂移和扩散，并引入APPEX算法，有效估计这两个参数及因果图，具有广泛应用潜力。