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
新加坡人工智能机构与阿里云发布全新大语言模型Qwen-Sea-Lion-v4,专门针对东南亚语言和文化特色进行优化。该模型结合阿里云Qwen3-32B基础模型和大量东南亚地区数据集,在东南亚语言模型评估榜单中位居开源模型首位。模型支持119种语言,能在32GB内存的消费级笔记本上运行,采用字节对编码技术更好处理非拉丁文字,并具备3.2万词元上下文长度,可执行文档级推理和摘要任务。
中科大联合快手等机构推出VR-Thinker技术,首次实现AI视频评判员的"边看边想"能力。该系统通过主动选择关键画面、智能记忆管理和三阶段训练,在视频质量评估准确率上达到75%-82%,特别擅长处理长视频场景,为AI视频生成的质量控制提供了突破性解决方案。
AI智能体是下一代业务自动化工具,不仅能对话交流,还能执行复杂任务。与ChatGPT聊天机器人不同,它们可在最少人工干预下规划并完成工作。文章介绍了五个高影响力应用:自动化客户服务解决方案、销售CRM管理、合规自动化、招聘筛选与排程、市场情报报告。这些应用都具有重复性工作流程、依赖结构化数据、遵循可预测规则等特点,能够释放员工宝贵时间用于更有价值的工作。
微软研究院发布BitDistill技术,通过三阶段优化将大型语言模型压缩至1.58位精度,在保持性能的同时实现10倍内存节省和2.65倍速度提升。该技术包括模型结构稳定化、持续预训练适应和知识蒸馏传承三个关键步骤,解决了模型量化中的性能衰减和规模化问题,为AI模型在资源受限设备上的高效部署提供了新方案。