Veritas研究表明,73%的中国企业认为勒索软件攻击在Kubernetes环境中是一种风险。然而直到目前为止,企业在扩展数据保护解决方案方面的进程仍旧非常落后。
北京 – 2022年4月13日 – 多云数据管理领域的领导者Veritas Technologies近日发布最新研究报告,报告结果显示大多数企业在面对针对自身Kubernetes环境的威胁时缺乏准备。调研强调,Kubernetes正被迅速部署到全球企业的关键任务环境中,90%的中国企业预计将在未来两到三年内部署该技术,超过四分之一的企业目前已经投入使用。然而,到目前为止,在已部署Kubernetes的中国企业中,只有35%具备防范勒索软件攻击等数据丢失事件的保护措施。
此项调研采样包括中国在内的全球1100名高级IT决策者。Veritas调查发现,在部署了Kubernetes的中国企业中,有35%经历过对其容器化环境的勒索软件攻击,而令人震惊的是,有高达73%的中国受访者认为勒索软件对Kubernetes环境的攻击是其企业目前面临的一个严峻问题。
Veritas公司大中华区技术销售与服务总监顾海巍指出:"Kubernetes对组织来说有着易于部署、更经济、更灵活和可扩展的优点——这也能够解释为什么众多企业都愿意采纳容器化。但正是由于Kubernetes的部署非常简单,也导致了企业往往在部署Kubernetes方面比保护Kubernetes方面要先进得多。突然间,他们会发现自己有近三分之二的关键任务所处的Kubernetes环境完全没有得到保护,因此无法预防数据丢失。所以说,Kubernetes已经成为企业勒索软件防御战略中的致命弱点。"
烟囱式解决方案
由于未能将现有的数据保护从传统的工作负载扩展到容器化环境中,很多企业正在错失为这些面临风险的数据集提供快速保护的机会。目前在中国市场,只有50%的企业遵循这一模式,而其余的企业正在使用独立的产品对部分或全部Kubernetes环境进行保护,导致其保护环境复杂化。尽管94%的中国企业认为采取集成式解决方案会有好处,但他们却没有这样做。76%的中国受访者表示,这可能是因为他们对可以在传统、虚拟和Kubernetes环境中保护数据的解决方案知之甚少甚至一无所知。
调研发现,在中国市场,伴随烟囱式数据保护解决方案的最大风险是“数据丢失的可能性增加”和“多种解决方案的成本更高”。同时,受访者中表示采用统一的解决方案来保护数据的最集中的理由是“数据丢失后恢复过程简单”和“降低了数据丢失的可能性”。
未来的保护措施将得以完善
Veritas调研表明,企业期望能够随着时间的推移对其Kubernetes环境实现更好的保护,在中国有68%的企业认为五年后勒索软件将不再是一个威胁。这与企业增加对容器化数据的保护支出相呼应——据调研企业预计,五年后中国企业在该领域的平均支出将比现在多出34%,而且所有企业都将为其关键任务所处的Kubernetes环境提供数据保护。此外,49%的中国受访者表示,他们对基础设施的保护投资将使他们在未来五年内对预防Kubernetes环境中的勒索软件攻击“有备无患”。
顾海巍还表示,“很明显,世界各地的企业都明白保护Kubernetes环境中关键任务数据是至关重要的。令人欣慰的是,他们未来应该会得到相应的保护。然而,在数据保护方面,五年是十分漫长的,在这五年中会出现越来越多针对Kubernetes的勒索软件,而且这些软件还将针对这个致命弱点产生更多演变。太多的企业正与将他们目前的数据保护平台扩展到Kubernetes环境的简单解决方案擦肩而过,这让他们的处境十分被动,身陷囹圄。”
阅读报告全文,请点击 www.veritas.com/solution/kubernetes。
好文章,需要你的鼓励
这项研究针对现代文档检索系统中的关键缺陷:独立处理文档片段导致丢失上下文信息。研究团队开发了ConTEB基准测试来评估模型利用文档级上下文的能力,并提出了InSeNT方法,结合后期分块和创新的对比学习策略。实验表明,上下文感知嵌入显著提升检索性能,尤其在处理非自包含文本片段时,同时保持计算效率,对分块策略更具鲁棒性,并且在语料库规模扩大时表现更佳。这一研究为更智能的文档检索系统铺平了道路。
这项由布朗大学和Cohere实验室研究者联合进行的研究全面分析了大型语言模型(LLM)安全研究中的语言不平等现象。通过系统回顾近300篇2020-2024年间的安全相关论文,研究发现LLM安全研究严重偏向英语,即使中文这样的高资源语言也仅获得英语十分之一的研究关注,且这一差距正在扩大。研究还揭示非英语语言很少作为独立研究对象,且英语安全研究常忽略语言覆盖文档化。为解决这一问题,研究者提出了三个未来方向:开发文化敏感的评估基准、创建多语言安全训练数据,以及深入理解跨语言安全泛化挑战。
这项研究提出了ChARM,一种创新的角色扮演AI奖励建模框架,通过行为自适应边界和自我进化策略大幅提升AI角色的真实性和一致性。研究团队创建了包含1,108个角色的RoleplayPref数据集,实验表明ChARM比传统模型提高了13%的偏好排名准确率,应用于DPO技术后在多项基准测试中达到了领先水平。这一突破将为娱乐、教育和心理健康支持等领域带来更加自然、个性化的AI互动体验。
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。