HCL AppScan V10.0.2 產品最新訊息通知

全球領先的資訊科技技術公司HCL Technologies (HCL) 已於上周正式宣布 AppScan V10.0.2 最新版本全面上市。作為全球頂尖應用程式安全性檢測及管理解決方案，AppScan在這個版本中提供了許多重要的業務和技術優勢，包括：弱點掃描漏洞更新、支援更多應用程式開發語言、新增黑箱增量掃描功能以及支援互動式應用程式安全測試 (IAST) 等等功能。更重要的是AppScan Source白箱掃描工具在這個版本支援單機版安裝及原始碼掃瞄工作，滿足在應用程式開發、建置、維運一體化架構中輕鬆整合資安檢測及弱點掃描機制。

HCL AppScan V10.0.2重要的新增功能：

• AppScan Standard
  - 新增「增量掃描精靈」讓網站弱掃人員可以透過更友善的操作介面掃描應用程式新增的內容以及先前發生漏洞的部分
  - 改善 Angular 應用程式的掃描涵蓋範圍。
  - 弱點掃描漏洞更新，例如：ROBOT 攻擊 (ROBOT Attack) 、秘密轉遞 (Forward Secrecy)、GhostCat 漏洞等。
• AppScan Source
  - 新增應用程式開發語言：Angular 8、Angular 9、Groovy、Symfony 及 TypeScript。
  - 支援單機版安裝，無須登入至AppScan Enterprise Server即可進行掃描。
• AppScan Enterprise
  - 支援互動式應用程式安全測試 (IAST)，持續在所有 DevOps 階段（例如：開發、測試和甚至生產）監控應用程式是否有安全漏洞。
  - 新增 Windows 2019 Server 的支援。

為了讓更多客戶可以享受到AppScan V10.0.2 新版本產品帶來的應用程式安全管理效益，請立即聯繫北祥資訊了解我們為這個新版本提供的最優惠產品組合銷售方案。

AI小學堂 – 今天教您「卷積神經網路」

人人工智慧時代來臨，面對市場需求的變化以及未來的無限商機，北祥資訊將與您一起學習，讓AI小學堂成為您最佳的學習助手。第16堂課，我們為您介紹：卷積神經網路(Convolutional Neural Network, CNN)。

在AI小學堂的第14堂課「電腦視覺」中，我們曾經提到卷積神經網路(Convolutional Neural Network, CNN) 在圖像分類競賽中一戰成名，並使其成為電腦視覺及影像辨識研究領域的重要演算法，後續眾多影像識別的機器學習模型也都是以CNN的架構為基礎進行延伸。此外，CNN模型也是少數參考人類大腦的視覺組織來建立的演算模型，因此對於深度學習電腦視覺研究領域而言，CNN儼然成為了基礎模型，也讓諸如GoogleNet (2014)、VGG (2014)、Deep Residual Learning (2015) 等模型在影像識別領域中持續展現出優異的成績。

在CNN模型尚未出現之前，影像識別模型因為要處理的資料量龐大，導致處理效率低且成本高昂，另外在數位化降維處理過程中，很難保有影像特徵，導致影像識別的準確率不高。舉例來說，一張手機拍攝的1,200萬畫素照片，如果乘上RGB三原色，也就表示這張照片總共有3,600萬個參數需要處理。CNN模型的二大特點在於透過卷積層 (Convolution Layer) 與池化層 (Pooling Layer) 的運算將大數據量的影像降維成較小的數據量，同時保留影像特徵，例如將1,200萬畫素縮小為120萬畫數，並不影像肉眼識別出這張照片中是一個人還是一輛車，機器也是如此。

典型的CNN模型是一種分層結構，由三個部分組成：卷積層 (Convolution Layer) 負責擷取影像中的局部特徵；池化層 (Pooling Layer) 用來大幅降低數據的空間大小（降維）；全連接層 (Fully Connected Layer) 類似於傳統類神經網路的多層架構，主要用於輸出期望的結果。這種分層結構基本上就是源自於人類的視覺原理：瞳孔擷取影像接著由大腦皮層發現邊緣及方向，然後由大腦判定眼前物體的形狀是個方形，最後大腦進一步判定這個物體是張桌子。CNN模型也就是模仿人類視覺分辨物體的原理，透過建構出多層的神經網路，較低層僅識別影像的特徵，並由若干底層特徵組成更上一層的特徵，最終透過多個層級的組合，在頂端做出正確的分辨。