红帽近日宣布了今年的首次收购——收购容器和Kubernetes威胁检测公司StackRox。红帽表示,希望将StackRox的安全工具与其OpenShift平台进行集成,使容器工作负载更加安全。OpenShift是Red Hat版本的Kubernetes容器编排软件,而容器是一种可移动的、自包含的软件环境,Kubernetes用于管理大型容器部署。
StackRox成立于2014年,主要为云原生应用、容器、无服务器计算和Kubernetes提供持续高级威胁检测,帮助企业大规模保护容器和Kubernetes环境,并帮助用户检测和响应安全威胁。该平台的关键功能之一是帮助安全团队和DevOps团队在从构建到部署再到运行时的整个容器生命周期中实施安全和合规性策略。
StackRox平台通过部署用于策略实施和直接将数据收集到基础设施中的组件,提供对Kubernetes集群的可见性。
红帽表示,将通过收购StackRox扩展和完善Kubernetes的控件,并安全性转移到容器构建和持续集成/持续开发管道中,从而提高云原生工作负载的安全性。红帽公司首席执行官Paul Cormier在声明中表示:“确保Kubernetes工作负载和基础设施的安全性是不能一蹴而就的。安全措施是所有部署中一个不可或缺的部分,不是事后才去做的。Red Hat将StackRox的Kubernetes原生能力添加到OpenShift分层安全方法中,进一步实现了我们的使命,也就是跨开放混合云、跨IT部署为所有企业组织带来产品就绪的开放式创新。”
Pund-IT分析师Charles King称,StackRox最重要的功能之一就是它的策略引擎,该引擎嵌入Kubernetes集群中,可以实施最佳安全实践和配置管理。他说:“这将会完善OpenShift的分层安全性,增强红帽的容器解决方案和服务。因为我们在2020年看到,越来越多的网络攻击和数据泄露事件突显了安全性的重要,所以这次收购显得特别及时。”
StackRox首席执行官Kamal Shah表示,这次收购证明了公司专注于Kubernetes安全的战略决策已经获得回报。他在博客中写道:“虽然当下这个趋势已经非常明朗,但在当时却并非如此。追溯到2020年,Kubernetes已经成为云原生应用和混合云环境标配的操作系统了。”Shah说,此次收购,再加上红帽的资源,将帮助StackRox更快地发展并实现其路线图。
红帽云平台高级副总裁Ashesh Badani在另一篇博客文章中表示,Red Hat计划在收购完成后开放StackRox技术的源代码。他向StackRox的客户保证,将继续支持OpenShift之外的其他Kubernetes平台,例如Amazon Elastic Kubernetes Service、Microsoft Azure Kubernetes Service和Google Kubernetes Engine。
红帽还将大力支持由StackRox领导的开源KubeLinter社区。Constellation Research分析师Holger Mueller认为,随着Kubernetes生态系统的逐渐成熟,安全性将变得越来越重要。对于Red Hat来说,利用StackRox增强安全能力并为用户提供更好的整体容器管理功能是很有意义的。重要的是,StackRox支持所有主流云平台,因此对红帽和IBM来说,可以更容易地快速上线其服务。
此次收购的价格未对外透露。
好文章,需要你的鼓励
AI正在革命性地改变心脏疾病治疗领域。从设计微创心脏瓣膜手术到预防原理定位,机器学习和神经网络的洞察力推动了巨大进步,甚至可以构建新型移植解剖结构。数字孪生技术为个性化心血管护理提供持续预测管理。哈佛干细胞研究所的研究人员利用纳米材料和类似棉花糖机的设备,能在10分钟内制造心脏瓣膜,相比传统3周制造时间大幅缩短。这些突破性技术为每年4万名先天性心脏畸形儿童带来新希望。
Fractal AI Research实验室开发了Fathom-DeepResearch智能搜索系统,该系统由两个4B参数模型组成,能够进行20多轮深度网络搜索并生成结构化报告。研究团队创新了DUETQA数据集、RAPO训练方法和认知行为奖励机制,解决了AI搜索中的浅层化、重复性和缺乏综合能力等问题,在多项基准测试中显著超越现有开源系统,为AI助手向专业研究工具转变奠定了基础。
谷歌正在为搭载其内置信息娱乐系统的汽车推出谷歌地图实时车道引导功能,首先从极星4开始。该系统利用车辆前置摄像头和AI技术,分析车道标线和路标,为驾驶者提供更精确的车道指引和视听提示。该功能将在未来几个月内在美国和瑞典的极星4车型上推出,目前仅支持高速公路使用。
快手科技与清华大学合作发现当前AI语言模型训练中存在严重的权重分配不平衡问题,提出了非对称重要性采样策略优化(ASPO)方法。该方法通过翻转正面样本的重要性权重,让模型把更多注意力放在需要改进的部分而非已经表现良好的部分,显著提升了数学推理和编程任务的性能,并改善了训练稳定性。