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
OpenAI首席执行官Sam Altman表示,鉴于投资者的AI炒作和大量资本支出,我们目前正处于AI泡沫中。他承认投资者对AI过度兴奋,但仍认为AI是长期以来最重要的技术。ChatGPT目前拥有7亿周活跃用户,是全球第五大网站。由于服务器容量不足,OpenAI无法发布已开发的更好模型,计划在不久的将来投资万亿美元建设数据中心。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
英伟达推出新的小型语言模型Nemotron-Nano-9B-v2,拥有90亿参数,在同类基准测试中表现最佳。该模型采用Mamba-Transformer混合架构,支持多语言处理和代码生成,可在单个A10 GPU上运行。独特的可切换推理功能允许用户通过控制令牌开启或关闭AI推理过程,并可管理推理预算以平衡准确性和延迟。模型基于合成数据集训练,采用企业友好的开源许可协议,支持商业化使用。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。