至顶网软件与服务频道消息:(2019年11月20日,美国纽约州阿蒙克)IBM今天发布了Cloud Pak for Security,创新性地实现了业界首次无需从原始数据源移动数据而能连接任意安全工具、云和本地部署的系统。该平台现已可用,包括了用于搜索威胁的开源技术,能够帮助加速自动响应网络攻击,而且可在任何环境中运行。
Cloud Pak for Security是采用IBM首创的开源新技术的第一个平台,它能够搜索并转换来自各种来源的安全数据,汇集企业多云IT环境中的关键安全洞察。该平台是可扩展的,因此可以随着时间的推移添加更多的工具和应用。
随着企业的云应用越来越成熟,应用和数据分布在了多个私有云和公有云以及本地资源中。为了保护这种分散的IT环境,就要求安全部门进行复杂的集成,在不同的屏幕和单点产品之间不断的切换。超过半数的安全部门表示,他们很难把数据与不同的安全和分析工具集成在一起,也很难跨云环境把数据整合起来以发现高级威胁。
此次发布的三项初始功能包括:
IBM安全事业部总经理Mary O'Brien指出:“随着企业把关键任务工作负载迁移到混合多云环境中,安全数据将分布在不同的工具、云和IT基础设施中。这就有可能造成漏洞,让威胁有机可乘,导致安全部门的构建和维护成本高昂、集成复杂和必须进行手动响应。推出了Cloud Pak for Security后,我们为混合多云环境下更加连接的安全生态系统奠定了基础。”
IBM在设计过程中与数十家客户和服务提供商合作,开发的解决方案解决了遍布整个安全行业的关键互操作性难题。Cloud Pak for Security包括了用于与流行安全工具进行预集成的初始连接器,这些工具来自IBM、Carbon Black、Tenable、Elastic、BigFix、Splunk,以及包括IBM云、AWS 和微软Azure在内的公有云提供商。该解决方案建立在开放标准上,因此它可以在企业的整个基础设施上连接其他安全工具和数据。
Enterprise Strategy Group (企业战略集团)资深首席分析师Jon Oltsik评论说:“企业已迅速采用新的安全技术来应对最新的威胁,而现在却不得不使用数十种相互独立的工具,这些工具并不总是能很好地协同工作。业界应转向更开放的技术和统一平台来帮助客户解决这个问题,这些技术和平台可以充当安全单点工具之间的‘粘合剂’。IBM的方法符合这一需求,并有可能把安全堆栈的每一层整合到一个简化的单一界面中。”
为进一步加速业界向开放安全的迁移,IBM还率先实施了开源项目,使安全工具在整个安全生态系统中能够自然的协同工作。作为开放网络安全联盟(Open Cybersecurity Alliance)的创始成员之一,IBM和其他20多家组织正在共同研究开放标准和开放源代码技术,以实现产品的互操作性,避免安全行业的供应商锁定问题。
有报告显示,76%的企业已经在使用2到15种混合云,98%的企业预测他们将在3年内使用多个混合云。IBM的Cloud Pak for Security是采用Red Hat OpenShift等开源技术开发的,而这些技术是企业云环境的基础。
在这些开放灵活的构建模块上开发的Cloud Pak for Security支持跨任何云或者本地环境,轻松的实现“容器化”部署。随着企业不断添加新的云部署和迁移,Cloud Pak for Security可以轻松地适应这些新环境并支持不断扩展——客户甚至能够将敏感和关键任务工作负载放到云中,在中心安全平台上持续监视这些负载并进行控制。
Cloud Pak for Security还为托管安全服务提供商(MSSP)提供了模型,使这些提供商能够大规模的高效运营、连接安全孤岛并优化其安全流程。企业还可以使用各种IBM安全服务,例如,按需咨询、定制开发和事故响应等。
好文章,需要你的鼓励
这项由索非亚大学INSAIT和苏黎世联邦理工学院共同完成的研究,揭示了大语言模型在数学定理证明中普遍存在的"迎合性"问题。研究团队构建了BrokenMath基准测试集,包含504道精心设计的错误数学命题,用于评估主流AI模型能否识别并纠正错误陈述。
约翰斯·霍普金斯大学研究团队提出了创新的隐私保护AI文本生成方法,通过"控制代码"系统指导AI生成虚假敏感信息来替代真实数据。该方法采用"藏身于众"策略,在医疗法律等敏感领域测试中实现了接近零的隐私泄露率,同时保持了高质量的文本生成效果,为高风险领域的AI应用提供了实用的隐私保护解决方案。
实验室和真实使用测试显示,iPhone Air电池续航能够满足一整天的典型使用需求。在CNET进行的三小时视频流媒体压力测试中,iPhone Air仅消耗15%电量,表现与iPhone 15相当。在45分钟高强度使用测试中表现稍逊,但在实际日常使用场景下,用户反馈iPhone Air能够稳定支撑全天使用,有线充电速度也比较理想。
这项由Reactive AI提出的稀疏查询注意力机制通过减少查询头数量而非键值头数量,直接降低了注意力层的计算复杂度,实现了2-3倍的训练和编码加速。该方法在长序列处理中表现出色,在20万词汇序列上达到3.5倍加速,且模型质量损失微乎其微,为计算密集型AI应用提供了新的优化路径。