至顶网网络与安全频道 11月26日 编译:Palo Alto Networks已经签署协议以1.5亿美元全现金交易的方式收购云安全初创公司Aporeto。
成立于2016年的Aporeto公司提供了一个零信任的云安全平台,该平台通过分析来自任何可用系统的工作负载元数据和用户身份数据自动生成身份。零信任是一种越来越流行的安全模型,基于严格访问控制以及在默认情况下不信任任何人(即使是那些已经存在于网络中的人)的基本原理。
Aporeto通过基于白名单的安全方法提供零信任。Aporeto公司联合创始人Amir Sharif曾在2017年表示,Aporeto的解决方案面向所有应用组件实现端到端的身份验证、授权和加密,包括虚拟机、容器和微服务。
Sharif表示:“这么做可以让安全性在任何位置都是跟随应用的,不管是在哪种网络架构中,包括让WAN分布于不同的云中。由于Aporeto的安全性已经嵌入到基础设施中,因此安全性对开发人员而言是不可见且不受干扰的,从而让开发人员可以快速行动并专注于核心功能,而不必将精力用于满足安全性要求的繁琐工作上。”
Aporeto给Palo Alto Networks带来了一系列客户,包括Comcast Ventures、Bart、British Columbia、Informatica和Exact Transactions。
在被Palo Alto收购之前,Aporeto已经筹集了3450万美元的风投资金,投资方包括Norwest Venture Partners、Data Collective、Telia Ventures、National Grid Partners、Comcast Ventures和Wing Venture Capital。
对于Palo Alto Networks来说,此次收购将有助于加强自己的Prisma Cloud功能。预计该交易将在第二财季完成。
而且,此次收购也是Palo Alto Network在不到两年时间内的第七次收购,此前的收购包括:9月5日收购Zingbox,4.75亿美元;5月29日收购Twistlock(4.1亿美元)和PureSe;2月19日收购Demisto,5.6亿美元;2018年10月收购RedLock,1.73亿美元;2018年4月收购Secdo,1亿美元;2018年3月收购Evident.io,3亿美元。
在公布这一消息的同时,Palo Alto Networks公布了截至10月31日的第一财季财报。
该季度Palo Alto Networks的收入为7.719亿美元,较去年同期增长18%;净亏损为5960万美元,合稀释后每股收益62美分,去年同期亏损3830万美元,合稀释每股收益41美分。除诸如股票补偿等费用的利润从去年同期的1.154亿美元降至1.048亿美元,或稀释后每股1.05美元。
Palo Alto Networks预计第二财季收入在8.38亿美元至8.48亿美元之间,总收入将在9.85亿美元至10亿美元之间。扣除收购Aporeto的净支出,预计调整后每股收益为1.11至1.13美元。
Palo Alto Networks预计整个2020财年的收入为34.4亿美元至34.8亿美元,现金收入为41.05亿美元至41.65亿美元,调整后每股收益为4.90美元至5美元。
尽管收益超出市场预期,但投资者对下个季度的指引感到失望,分析师此前预计第二财季每股收益为1.30美元,远高于Palo Alto估计的1.13美元至1.15美元,此外全年预测也低于分析师普遍预期的每股5.07美元。
截至美国东部时间晚间7:30,Palo Alto Networks股票在盘后交易中下跌了8.5%至229.10美元。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
上海交通大学研究团队发布了突破性的科学推理数据集MegaScience,包含125万高质量实例,首次从12000本大学教科书中大规模提取科学推理训练数据。该数据集显著提升了AI模型在物理、化学、生物等七个学科的推理能力,训练的模型在多项基准测试中超越官方版本,且具有更高的训练效率。研究团队完全开源了数据集、处理流程和评估系统。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。