至顶网网络频道 05月14日 编译:随着云服务市场的升温,所有传统安全产品厂商都在努力打造他们的云战略,而网络安全设备厂商面临着特殊的挑战。
赛门铁克新上任的临时首席执行官Rick Hill在2019财年第四季度财报电话会议上提到了这一趋势,除了所有业务部门的销售情况普遍萎靡之外,他还表示:“Blue Coat的ProxySG业务比我们预期的下滑更快,因此,我们没有经历预期的大规模更新周期。原因很清楚。向云端的迁移比我们想象得要快得多,但我们坚定支持我们的产品.....”.
换句话说,赛门铁克在2016年以46.5亿美元收购的安全设备业务将继续呈现疲软状态,原因是云服务的普及速度在不断加快。
赛门铁克拥有广泛的企业级和消费级产品组合,但主要是在端点保护业务领域,该业务自身就面临诸多挑战。当面对来自微软Windows 10已经足够好的反恶意软件时,端点保护解决方案必须展示出更好的效果和价值。
Proxy设备通过终止网络连接、运用过滤器保护Web流量来提供保护措施。内容URL过滤(控制员工上网位置)是必备功能,而Blue Coat的市场份额已经被其他安全设备厂商(例如Fortinet和Palo Alto Networks)瓜分,后者将该公司捆绑到了他们UTM或下一代防火墙设备中。
在云计算领域,应用是从云端提供给用户的,不管他们在什么位置使用什么设备。这些用户不在企业网络上,因此企业数据中心内昂贵的安全硬件堆栈甚至无法为他们提供保护。毫无疑问,赛门铁克正在经历这种转变,而且这一转变正在影响着他们的收入。
很多厂商都在尝试,但却无法将他们的软件解决方案转变为适合于云端。看看Salesforce、Workday和Okta等云交付应用的快速增长,与Siebel、Peoplesoft和Netegrity(2004年被CA收购)等曾经占主导地位、现在却在努力挣扎的厂商,形成了鲜明的对比。
现实情况是,拥有庞大客户群的老牌传统厂商将在市场中存活下来,但却很难保住自己的市场份额,无法与那些产品“生于云端”的公司相抗衡。这些产品利用了可靠的、已部署的、具有弹性的云架构来打造多租户解决方案,这种方案可以快速扩展,以更低的总拥有成本获得市场份额。
用“以云为先”的解决方案向传统本地软硬件解决方案发起了挑战。
微软是极少数能够成功将产品迁移到云端的技术厂商,尤其是Exchange到Office 365。微软的客户从迁移到这种可扩展的、功能频繁更新的基础设施中获得了好处,让他们可以在任何位置、通过任何设备进行访问。
安全设备厂商面临什么挑战?
网络安全设备每秒要处理数百万个数据包。对企业数据中心来说,吞吐量和低延迟至关重要,因此这些设备配置了专门的芯片来处理负载,单台设备的成本可能在数十万美元。所有企业流量从全球各地进行整合,通过这些设备进行过滤。
当互联网取代企业网络的时候,云在取代企业数据中心。为了跟上这个新世界的发展步伐,安全设备厂商放弃了他们投入大量资金的硬件加速,对他们的软件进行虚拟化使其可以部署在云中的虚拟机上,这些是单租户解决方案。每个客户会部署他们自己的应用副本,但他们仍然需要更新每个实例并根据IP地址维护复杂的安全策略。
赛门铁克承认,迁移到云端给安全设备业务造成的冲击只是一个开始,这个有着25年历史的行业正在进入一个动荡的发展阶段。
好文章,需要你的鼓励
这项研究探索了语言神经元视角下多语言对齐如何增强大语言模型(LLMs)的多语言能力。研究团队提出了一种更精细的神经元识别算法,将激活神经元分为语言特定、语言相关和语言无关三类,克服了现有方法的局限性。基于这种分类,研究将LLMs多语言处理过程划分为四个阶段:多语言理解、共享语义空间推理、多语言输出空间转换和词汇空间输出。通过分析对齐前后不同类型神经元的变化,发现多语言对齐促进了更多语言相关神经元的共享使用,减少了对语言特定神经元的依赖,这也解释了"自发多语言对齐"现象。
这项由弗吉尼亚大学与Adobe研究院合作的研究突破了传统图像到视频生成的空间限制,提出了"Frame In-N-Out"技术,使物体可以自然地离开画面或新物体能够进入画面。研究团队创建了专门的数据集和评估方法,并设计了一种融合运动控制、身份参考和无边界画布的扩散变换器架构。实验结果表明,该方法在生成质量和控制精度上显著优于现有技术,为电影制作和创意内容创作提供了新可能。
浙江大学研究团队开发了首个评估视觉语言模型多视角空间定位能力的综合基准ViewSpatial-Bench,并揭示了现有模型在视角转换理解上的严重缺陷。通过自动化3D标注流水线构建的大规模数据集,他们训练出的多视角空间模型(MVSM)实现了46.24%的性能提升,为人机空间交互提供了新的解决方案,使AI系统能更好地理解人类视角下的空间关系,促进更直观的人机交流。
ByteDance团队提出的DetailFlow是一种创新的图像生成方法,通过"下一细节预测"策略实现从粗到细的自回归生成。它将图像编码为仅需128个令牌的1D序列,比传统方法少5倍,却实现了更高质量(2.96 gFID)和更快速度(提速约8倍)。该方法巧妙地模拟人类创作过程:先勾勒整体结构,再逐步添加细节,并通过自我纠错机制解决并行推理中的错误累积问题,为高分辨率图像生成提供了高效解决方案。