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
生成式AI在电商领域发展迅速,但真正的客户信任来自可靠的购物体验。数据显示近70%的在线购物者会放弃购物车,主要因为结账缓慢、隐藏费用等问题。AI基础设施工具正在解决这些信任危机,通过实时库存监控、动态结账优化和智能物流配送,帮助商家在售前、售中、售后各环节提升可靠性,最终将一次性买家转化为忠实客户。
泰国SCBX金融集团开发的DoTA-RAG系统通过动态路由和混合检索技术,成功解决了大规模知识库检索中速度与准确性难以兼得的难题。系统将1500万文档的搜索空间缩小92%,响应时间从100秒降至35秒,正确性评分提升96%,为企业级智能问答系统提供了实用的技术方案。
存储供应商Qumulo发布多租户架构Stratus,为每个租户提供独立的虚拟环境,通过加密技术和租户专用密钥管理系统实现隔离。该统一文件和对象存储软件支持本地、边缘、数据中心及AWS、Azure等云环境部署。Stratus采用加密隔离技术确保敏感数据安全,同时提供任务关键操作所需的灵活性和效率,帮助联邦和企业客户满足合规要求。
中科院和字节跳动联合开发了VGR视觉锚定推理系统,突破了传统AI只能粗略"看图"的局限。该系统能在推理过程中主动关注图片关键区域,像人类一样仔细观察细节后再得出结论。实验显示VGR在图表理解等任务上性能大幅提升,同时计算效率更高,代表了多模态AI"可视化推理"的重要进展。