数字化转型正在加速,但为相应的文化转变提供资金支持似乎并未得到企业的关注。红帽于2020年7月到9月面向1470位IT专业人员展开《2021年全球技术展望》调查,受访者们大多来自年营收超过1亿美元的厂商,涵盖红帽客户以及更广泛的行业领先企业。
虽然多数企业并不关注文化变革,但技术/技能培训、人员与流程技能培训、以及IT/开发人员招聘与留存都得到了有力的资金支持,被视为数字化转型战略中的重要组成部分。有人认为对文化转变的忽略可能代表着企业过分关注具体的、实践层面的问题,但从其他开支方向来看,他们总体上更重视人的因素。
而在IT资金优先级方面,IT安全性意外在本轮调查中位居榜首,有45%的受访者将安全视为头等大事。考虑到安全长期以来一直处于资金不足、极度缺乏关注的尴尬地位,此次显露出的转变趋势无疑值得我们深入剖析。
下面来看其他几项与安全相关的数据:
IT领导者抱有哪些安全顾虑?以多数组织为什么坚持在本地设施中运行某些应用程序为例,答案主要集中在数据隐私性与数据安全性层面,占比分别为39%。
但需要重申的是,本地设施运行并一定就更加安全——大型公有云服务商往往拥有丰富的专业知识,而且在保护自有数据中心及所运行的软件方面投入了巨量资金。尽管如此,不少IT领导者仍然希望在本地设施内运行特别重要的工作负载,借此实现更好的控制度与可见性。
下面我们具体来看最重视安全支出这部分受访者的详尽优先级考量。在这部分受访者中,网络安全排名最高(占比为42%),紧随其后的为云安全性与数据保护/隐私/主权。另有30%的受访者将“威胁检测与响应”视为首要任务。
在红帽发布的《2021年企业开源现状》报告中,安全同样得到高度关注。报告确定,安全性已经成为企业开源的最大优势,同时也与“软件质量”及“安全能力”等开源应用属性密切相关。此次调查涵盖全球1250位IT领导者。
此外,87%的受访者认为企业级开源软件比专有软件“同样安全”或者“更加安全”;84%的受访者表示企业级开源软件“已经成为组织安全策略的核心组成部分”。
这些数据到底带来了哪些启示?我们不妨从以下几个角度尝试解读。首先,人们对于软件供应链安全等问题的认知与关注度正日益增强。
安全支出比以往任何时候都更加重要,至少不再明显落后于其他预算方向。换句话说,对软件供应链安全性等问题的重视,例如分析所使用软件库的来源与已知漏洞等,代表我们已经在安全保障方面迈出重要一步。
尽管技术自动化的优先级不及安全性高,但运营自动化仍然拥有一定地位,至少高于应用程序开发。这一点非常重要,因为事实证明自动化正是软件开发安全中不可或缺的一部分。整个行业也意识到,自动化应该在开发流程中尽可能“左移”,或者说越早引入越好。这一点不仅体现在自动化扫描等安全工具当中,同时也体现在自动化配置与测试层面,可避免因一致性缺失而引发安全隐患。
最后,IT领导者在安全观念方面的转变,也与企业在开源道路上的探索密不可分。以往,很多人一直对开源代码的安全性感到担忧,认为攻击者也能够深入查看代码内容。这种担心不无道理,毕竟对自己的代码质量更有信心,大家也不愿公开警报系统的底层信息。
但结合实际情况,绝大部分成功攻击源自暴力渗透,跟项目源代码的关系不大。所以代码完全公开即使不能算是安全优势,也并不像很多人想象中那么可怕。根据调查,相当一部分领导者已经认定企业级开源软件的安全水平至少不逊于专有方案。
好文章,需要你的鼓励
在2025年KubeCon/CloudNativeCon北美大会上,云原生开发社区正努力超越AI炒作,理性应对人工智能带来的风险与机遇。随着开发者和运营人员广泛使用AI工具构建AI驱动的应用功能,平台工程迎来复兴。CNCF推出Kubernetes AI认证合规程序,为AI工作负载在Kubernetes上的部署设定开放标准。会议展示了网络基础设施层优化、AI辅助开发安全性提升以及AI SRE改善可观测性工作流等创新成果。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
DeepL作为欧洲AI领域的代表企业,正将业务拓展至翻译之外,推出面向企业的AI代理DeepL Agent。CEO库蒂洛夫斯基认为,虽然在日常翻译场景面临更多竞争,但在关键业务级别的企业翻译需求中,DeepL凭借高精度、质量控制和合规性仍具优势。他对欧盟AI法案表示担忧,认为过度监管可能阻碍创新,使欧洲在全球AI竞争中落后。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。