医疗互联网时代,由信息泄露导致的各种悲剧和案件时有发生。在医疗领域,患者的隐私信息泄露已成为社会的巨大隐忧,不少医院的用户信息更是成为犯罪分子的重点盗取目标。为了更好地防范安全风险,厦门大学第一医院杏林院区(以下简称:杏林分院)一直在寻找克服终端安全隐患的“良药”。
终端准入面临多重困境
杏林分院位于厦门杏林台商投资区,创立于1898年,历经百余年的发展,杏林院区已经成为国内专治肺病的特长专科医院。
在医疗行业中,网络常分为内网和外网,其中内网承载病人的就诊记录、健康信息、社保数据等。基于安全考虑通常会对接入内网的终端先进行审核,合法的终端才允许接入网络, 因此,对终端准入的管控,自然而然地成为杏林院区防范安全风险的第一道门禁。
杏林分院信息处的林主任早就认识到医疗终端准入的重要性,且对目前主流厂商的常见准入策略 (如802.1X认证、Web认证)有充分的了解,但是由于负面带来的认证服务器单点故障(造成医院大面积网络瘫痪),认证性能瓶颈,需要客户端(医疗仪器终端无法安装)等问题,造成了当前医疗行业内可选择的动态认证方式并不多。
痛点一:动态认证型准入局限性
比如:医院门诊有非常多的哑终端,目前业界的方案都是要装客户端或者网页认证,无法在诸如取号机,电视墙,LED叫号机等设备上使用。
图:自助机/自助打印机
痛点二:IP+MAC绑定的局限性
手工管理、配置IP地址繁琐:在Excel表格中维护全院上千个终端IP,在绑定MAC时手工对每台接入交换机配置,人为产生的错误概率激增(如:地址的8跟B、0和o有时候长太像了)
终端管理复杂:终端设备报废(IP需及时回收)、跨网关迁移(如病区装修)、甚至没有贴MAC标签等各种情况,给终端设备及时入网增添了重重困难。
轻量级准入方案——针对痛点的精准“外科手术”
对于医疗行业经常遇到的终端管控这一“疑难病症”,锐捷网络创新推出SDN轻量级准入方案可以说是切中痛点的“精准外科手术”,其优势主要体现在以下三个方面:
在医院所有场景,各类取号机,电视墙,LED叫号机等无客户端的哑终端都能做准入,简单安全。
2.IP+MAC信息的自动收集
通过自动IP+MAC信息收集和绑定,告别手动收集MAC地址、手动绑定IP和MAC、手动配置接入交换机,既减少杏林分院网络维护中成倍的工作量,又极大减少人为因素产生错误的概率。
3.可视化IP地址管理
在此之前,杏林分院使用的给医疗终端分配静态IP地址的管理方式,这不可回避的就是IP地址管理的问题。轻量级准入的IP可视化管理让原来只能通过Excel来简单记录IP地址的杏林分院有了更直观简单的解决办法。
杏林分院从7月份割接SDN控制器与20多台接入交换机,接入门诊、住院部等地区近百台各种类型医疗终端,截止到目前稳定运行。
“锐捷的SDN轻量级准入方案的功能实用方便,IP地址管理清晰直观,自动化水平高,让内网终端接入管理变得轻松简单,有效保护了医院的数据和信息系统安全。”杏林院区信息处林主任对方案的评价,肯定了锐捷SDN轻量级准入方案的最终“疗效”。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。