Cyren a annoncé la disponibilité générale de Cyren Hybrid Analyzer, une nouvelle offre qui produit une analyse détaillée et une évaluation du risque des fichiers sans les contraintes de coût, de vitesse et d'évolutivité des bacs à sable et autres technologies d'analyse de fichiers malveillants. Cette nouvelle solution permet aux fournisseurs de services, aux sociétés technologiques et aux grandes entreprises de réduire le risque de logiciels malveillants non détectés. Les nouveaux logiciels malveillants non détectés représentent plus de 10 % des fichiers, mais ils présentent presque tous les risques d'infection.

Cyren Hybrid Analyzer comble le fossé entre la détection des logiciels malveillants et la détonation de la sandbox en produisant une analyse pertinente de la structure et des comportements des fichiers, rapidement et à des volumes élevés. Grâce à l'émulation - une ingénierie inverse automatique du code contenu dans un fichier - cette nouvelle offre de Cyren fonctionne 100 fois plus vite qu'une sandbox de logiciels malveillants et 5 à 20 fois plus vite que les solutions alternatives d'analyse de fichiers. Chaque jour, les entreprises sont infectées par de nouvelles variantes de logiciels malveillants et des techniques qui échappent à la détection, même par les meilleures solutions anti-malware.

Pour les organisations qui protègent des réseaux massifs, le volume de fichiers suspects qui nécessitent une inspection plus approfondie pour détecter d'éventuelles menaces de logiciels malveillants non détectées est trop important pour être traité par les outils d'analyse de fichiers existants. Hybrid Analyzer fournit une évaluation du risque en temps réel des fichiers afin d'optimiser les défenses contre les menaces de logiciels malveillants non détectés. Les clients peuvent utiliser Cyren Hybrid Analyzer pour : Appliquer des politiques de sécurité de messagerie plus intelligentes en analysant les pièces jointes des fichiers à la recherche de traits et de comportements suspects.

Réduire ou éliminer le temps et les coûts d'analyse des sandbox de logiciels malveillants et diminuer le temps moyen de détection des nouvelles menaces de logiciels malveillants. Extraire des caractéristiques à l'échelle pour former et améliorer les modèles d'apprentissage automatique utilisés pour détecter les logiciels malveillants inconnus et les fichiers suspects.