แฮกเกอร์ที่ถูกหนุนหลังโดยเกาหลีเหนือใช้วิธีอันชาญฉลาดในการอ่าน Gmail

ภาพจาก Ars Technica

นักวิจัยจากบริษัทรักษาความปลอดภัย Volexity ได้ค้นพบมัลแวร์ที่มีชื่อว่า SHARPEXT ซึ่งกลุ่มแฮ็กเกอร์ SharpTongue ที่ได้รับการสนับสนุนจากเกาหลีเหนือใช้เพื่ออ่านและดาวน์โหลดอีเมลและไฟล์แนบจากบัญชี Gmail และ AOL ของเหยื่อ

Steven Adair แห่ง Volexity กล่าวว่า SHARPEXT ติดตั้งส่วนขยายสำหรับเบราว์เซอร์ Chrome และ Edge "ด้วยวิธีสเปียร์ฟิชชิ่ง (spear phishing) และวิศวกรรมทางสังคมที่เหยื่อถูกหลอกให้เปิดเอกสารที่เป็นอันตราย"

บริการอีเมลไม่ตรวจสอบส่วนขยาย (extension) และเนื่องจากเบราว์เซอร์ได้รับการตรวจสอบสิทธิ์แล้ว จึงไม่สามารถระบุการโจมตี หรือป้องกันได้ Volexity กล่าวว่า SHARPEXT ถูกใช้งานมา "นานกว่าหนึ่งปี" ทำให้แฮกเกอร์สามารถรวบรวมรายชื่อที่อยู่อีเมลที่จะไม่สนใจ และสามารถติดตามอีเมลหรือไฟล์แนบที่ถูกโจมตีแล้วได้

อ่านข่าวเต็มได้ที่: Ars Technica

เพิ่มเติมเสริมข่าว: สเปียร์ฟิชชิงคืออีเมลหรือการสื่อสารในรูปแบบอิเลกทรอนิกส์ที่เหมือนกับมาจากแหล่งที่น่าเชื่อถือ และหลอกลวงเหยื่อที่หลงเชื่อให้เข้าไปที่เว็บไซต์ที่มีมัลแวร์

VR ช่วยผ่าตัดแฝดที่มีศีรษะติดกัน

ภาพจาก BBC News

เทคโนโลยีความจริงเสมือน (virtual reality) หรือ VR เป็นเครื่องมือในการผ่าตัดที่ช่วยแยกฝาแฝดบราซิลที่ศีรษะติดกันได้สำเร็จ 

การผ่าตัดที่ทำที่ Instituto Estadual do Cerebro Paulo Niemeyer ในเมืองริโอเดอจาเนโร ร่วมกับโรงพยาบาล Great Ormond Street ของสหราชอาณาจักร มีการใช้การฉายภาพ VR ของฝาแฝดโดยอิงจากการตรวจเอกซเรย์คอมพิวเตอร์ (CT) และการถ่ายภาพด้วยคลื่นสนามแม่เหล็ก (MRI) 

การใช้เทคโนโลยี VR ทำให้ศัลยแพทย์ในบราซิลและสหราชอาณาจักรสามารถร่วมผ่าตัดฝาแฝดด้วยกันได้ Dr. Noor ul Owase Jeelani กล่าวว่า "ในหลายแง่มุมการผ่าตัดนี้ถือว่ายากที่สุดในยุคของเรา และการทำมันโดยใช้  VR จริง ๆ แล้วก็เหมือนการส่งคนไปดาวอังคาร"

อ่านข่าวเต็มได้ที่: BBC News

ฮาร์ดแวร์ที่ทำให้ AI คำนวณเร็วขึ้นและใช้พลังงานน้อยมาก

ภาพจาก MIT News

นักวิจัยจาก Massachusetts Institute of Technology (MIT) ได้พัฒนาเทคโนโลยีโปรเซสเซอร์แบบแอนะล็อก(analog) ที่ใช้ฟอสโฟซิลิเกตกลาส (phosphosilicate glass) หรือ PSG เพื่อให้สามารถคำนวณได้เร็วขึ้นและประหยัดพลังงานมากขึ้น 

การเรียนรู้ของเครื่อง (machine learning) แบบแอนะล็อกทำได้โดยการเพิ่มและลดค่าการนำไฟฟ้าของตัวต้านทานแบบโปรแกรมได้โปรโตนิก ซึ่งควบคุมโดยการเคลื่อนที่ของโปรตอนเข้าและออกจากช่องสัญญาณในตัวต้านทาน

นักวิจัยใช้ PSG เพื่อสร้างตัวต้านทานโปรโตนิกที่สามารถโปรแกรมได้ ซึ่งเร็วกว่าอุปกรณ์ที่เร็วที่สุดที่นักวิจัยพัฒนามาก่อนหน้านี้ถึง 1 ล้านเท่า มันยังสามารถทำงานได้ที่อุณหภูมิห้องโดยใช้พลังงานน้อยกว่ามาก

Murat Onen แห่ง MIT กล่าวว่า "เมื่อคุณมีโปรเซสเซอร์แบบแอนะล็อก คุณจะไม่เป็นเหมือนเครือข่ายการฝึกอบรมที่คนอื่นใช้งานอยู่อีกต่อไป แต่คุณจะเป็นเครือข่ายการฝึกอบรมที่มีความซับซ้อนอย่างที่ไม่เคยมีใครทำได้มาก่อน และมีประสิทธิภาพเหนือกว่าทุกเครือข่าย หรืออาจพูดได้อีกอย่างหนึ่งว่า นี่ไม่ใช่รถที่เร็วขึ้น แต่มันคือยานอวกาศ”

อ่านข่าวเต็มได้ที่: MIT News

แก้ปัญหาที่มีตัวแปร 3,854 ตัวได้ใน 6 นาที ด้วยการคำนวณแบบควอนตัม

Photo by Jeremy Bezanger on Unsplash

Quantum Computing Inc. (QCI) แก้ปัญหาการปรับให้เหมาะสม (optimization) ที่มีตัวแป 3,854 ตัวของ BMW ผู้ผลิตรถยนต์สัญชาติเยอรมันได้ในหกนาที โดยใช้โซลูชัน Entropy Quantum Computing (EQC) เพื่อกำหนดตำแหน่งที่เหมาะสมของเซ็นเซอร์ยานพาหนะในการแข่งขัน Vehicle Sensor Placement Challenge 2022 ของ BMW  ตัว 

EQC ใช้ปัจจัยของสภาพแวดล้อมที่เปลี่ยนไปในการคำนวณ ซึ่งช่วยประหยัดเวลาและค่าใช้จ่ายโดยที่ไม่ต้องมีการควบคุมตัวแปรทุกตัวที่อยู่นอกหน่วยประมวลผลควอนตัม

Bob Liscouski จาก QCI กล่าวว่า "เราเชื่อว่าสิ่งนี้พิสูจน์ให้เห็นว่าเทคโนโลยีนวตกรรมการคำนวณแบบควอนตัมสามารถแก้ปัญหาจริงทางธุรกิจในปัจจุบันได้"

อ่านข่าวเต็มได้ที่: Tom's Hardware

การติดตามไฟป่าที่แม่นยำยิ่งขึ้นโดยใช้โซเชียลมีเดีย

ภาพจาก  Imperial College London (U.K.)

ตัวแบบการทำนายไฟป่าด้วยการเรียนรู้ของเครื่อง (machine learning) หรือ ML ใช้โซเชียลมีเดียและข้อมูลของพื้นที่จากดาวเทียมเพื่อการพยากรณ์และติดตามแบบเรียลไทม์ที่แม่นยำยิ่งขึ้น

“แทนที่จะมีเครือข่ายของกล้องหรือเซ็นเซอร์สภาพอากาศเพื่อติดตามไฟป่า คุณสามารถใช้เครือข่ายของผู้ใช้เครือข่ายสังคมหรือ 'เซ็นเซอร์มนุษย์' ที่โพสต์ข้อมูลเกี่ยวกับภัยพิบัติแบบเรียลไทม์ได้” Jake Lever นักวิจัยจาก Imperial College London (ICL) ซึ่งพัฒนาตัวแบบกล่าว

นักวิจัยรวมข้อมูล Twitter กับข้อมูลดาวเทียมจาก Global Fire Atlas เพื่อสร้างตัวแบบ Sentimental Wildfires ML ซึ่งได้รับการฝึกสอนโดใช้ข้อมูลไฟป่าจากพื้นที่จริง และจากเครือข่ายสังคมผ่านเฟรมเวอร์กวิเคราะห์เนื้อหาข้อความของ Sentimental Analysis

พวกเขาทดสอบตัวแบบโดยใช้ชุดข้อมูลในปี ค.ศ. 2016 สองชุดจากสหรัฐอเมริกาและออสเตรเลีย และผลการวิจัยของพวกเขาบ่งชี้ว่าโซเชียลมีเดียคาดการณ์การเกิดไฟป่าได้

อ่านข่าวเต็มได้ที่: Imperial College London (U.K.)