至顶网软件与服务频道消息: 今天在拉斯维加斯举行的AWS re:Invent年度大会上,AWS宣布推出了三款安全相关的新产品,旨在为客户提供“安全操作”的新服务和新功能。
其中最受关注的是传闻已久的Amazon Detective,这项新服务旨在让AWS客户更轻松地调查云实例中的安全问题。发布时该服务已经吸引了McAfee等公司,后者宣布MVISION Cloud for AWS从一开始就为客户提供相关支持。
据称,Amazon Detective可以帮助安全团队更快速更有效地展开调查,只需在AWS管理控制台中点击几下即可启用该服务。Amazon Detective自动使用来自AWS CloudTrail和Amazon Virtual Private Cloud Flow Logs的数据创建一个图形模型,该模型总结了在用户AWS环境中观察到的资源行为和交互情况。通过使用机器学习和统计分析,Amazon Detective提供了量身定制的可视化,以帮助客户检测AWS环境中的异常行为。
其次是AWS IAM Access Analyzer,这是一项新的AWS Identity and Access Management服务,旨在使安全团队和管理员更轻松地审核针对意外访问的资源策略。在不断暴露安全问题以及法律合规性要求日益严苛(例如欧盟的通用数据保护条例,以及即将颁布的加州消费者隐私法)的当下,这一点尤其重要。
AWS IAM Access Analyzer服务使用户能够分析与Amazon S3存储、AWS KMS密钥、Amazon SQS队列、IAM角色和AWS Lambda函数关联的策略。据称,该服务能够在几秒钟内分析整个客户环境中的数百甚至数千个策略,提供关于可从帐户外部访问的资源详细信息。从理论上讲,至少该服务可以在某种程度上帮助客户避免数据公开给所有人以及在配置错误的数据库中引发混乱局面。
最后一项功能是AWS Nitro Enclaves,这个一个新的Amazon EC2功能,据称可以通过在实例内划分计算和内存资源以创建隔离的计算环境,使客户轻松处理高度敏感的数据。
Nitro Enclaves旨在保护高度敏感数据,允许用户创建完全隔离的计算环境,用于处理高度敏感的数据。每个区域都是一个独立的虚拟机,有自己的核心、内存和处理器。用户选择一个实例类型,然后决定要为其分配多少处理器和内存资源。
此外,用户可以使用AWS Nitro Enclaves开源软件开发工具包套件来开发Enclave应用。AWS Nitro Enclaves SDK与AWS Key Management Service集成,让客户可以生成数据密钥并在安全区域内对其进行解密。
“安全负责人经常告诉我们,最令他们兴奋的一件事就是大幅减少团队花在琐事上的时间和资源,而这些琐事对于构建和运行安全环境的目标来说是微不足道的,”AWS首席信息安全官Steve Schmidt在一份声明中这样表示。“今天我们推出的每种产品都代表了一种帮助客户提高安全性的不同方法,但目标是都是为了减少安全团队在检查配置、汇总数据、设计自定义解决方案避免关键安全流程中的琐事等方面花费的时间。”
AWS IAM Access Analyzer从今天开始全面上市,Amazon Detective和AWS Nitro Enclaves从今天开始提供预览,全面上市时间尚未公布。
好文章,需要你的鼓励
Meta宣布为Facebook Dating推出AI聊天机器人助手,帮助用户找到更匹配的对象。该AI可根据用户需求推荐特定类型的匹配者,并协助优化个人资料。同时推出Meet Cute功能,每周提供算法选择的"惊喜匹配"。尽管18-29岁用户匹配数同比增长10%,但相比Tinder的5000万日活用户仍有差距。AI功能已成为约会应用标配,Match Group等竞争对手也在大力投资AI技术。
字节跳动团队提出RewardDance框架,首次系统性解决视觉生成中的奖励模型扩展问题。该框架通过将奖励预测转为生成式任务,并将模型规模扩展至260亿参数,同时集成任务指令、参考样例和推理能力,有效解决了"奖励作弊"问题。实验显示,在文本生成图像任务中质量提升10.7分,视频生成性能改善49%,达到行业领先水平,为AI视觉创作提供了更强大可靠的技术基础。
Neo4j认为已找到让生成式AI访问图数据库记录的方法。图数据库专注于数据点之间的关系建模和查询,在欺诈检测、推荐引擎等场景中表现出色。2024年4月,ISO批准了图查询语言GQL标准,Neo4j的Cypher查询语言完全符合该标准。现代工具提供拖拽式工作流程,GenAI可作为自然语言接口,将用户请求转换为Cypher查询。
ByteDance团队开发的Mini-o3系统通过深度多轮推理突破了传统AI视觉理解的局限。该系统能像人类侦探般进行几十轮的视觉探索,在困难的视觉搜索任务上准确率达48%,相比现有模型提升显著。核心创新包括挑战性的Visual Probe数据集、多样化推理策略训练和突破性的过轮掩码技术,实现了测试时思考轮数的自然扩展。