场景众多,维度复杂的等级保护制度与标准,是网络安全管理者面临的一场大考。《网络安全法》的实施,在法规制度上进一步加强了等保合规的强制力度,不符合等级保护要求则可能面临法律风险,一方面是全面满足等保合规,一方面是复杂安全体系的统一管理,是否存在更便捷高效的方案,能够同时满足合规与日常安全管理的需求?
4月8日,紫光旗下新华三集团全新发布安管一体机2.0,通过重构管理平台,全力打造“一体管理”“集、简配置”“合规可视”三大核心特性,集成更丰富的功能组件,增强使用体验,帮助用户更高效、全面的完成安全建设。
线上发布会后,新华三集团安全产品线总工涂尧、新华三集团安全产品线高级产品经理陈靖和新华三集团安全产品拓展部高级解决方案专家赵新珂接受媒体采访,就安管一体机2.0向大家进行了更详细的介绍。
在新华三集团安全产品线高级产品经理陈靖的介绍中了解到,新华三安管一体机2.0设计初衷就是要使用一台设备来覆盖等保2.0中管理审计类的技术要求。为全面满足政府企业的安全合规需求,需要用到新华三“等保+”解决方案,而安管一体机2.0其实是该解决方案的核心产品。
“等保+”解决方案基于控制转发与管理审计分离的设计理念,将等保中控制转发类的要求由下一代防火墙来完成。安全管理审计的要求,就由新华三的安管一体机2.0来完成。这样就实现了对等保技术要求的全覆盖。再加上新华三的安全咨询服务,帮助用户建立起相应的安全管理办法以及相应的规章制度,就能全面地覆盖等保合规要求,帮助政府和企业用户顺利通过等保认证。
更重要的是,安管一体机2.0产品不仅仅是帮助用户实现了等保的合规,新品带来的一体性和易用性的极大升级,降低了后续政府企业客户的运维压力,真正高效提升整体的安全服务管理与响应能力。
新华三集团安全产品拓展部高级解决方案专家赵新珂就新华三安管一体机2.0所能覆盖的应用场景进行了介绍。
在赵新珂的介绍中可以了解到,无论是新华三安管一体机1.0版本还是这次发布的2.0版本,其存在的目标就是对安全管理中心的构建:需要满足系统管理、审计管理、安全管理,同时还需要强化集中管控的能力。所以说,安管一体机对云计算、移动互联、物联网、工业控制系统还有大数据的场景,当然也包括公有云这种服务化云场景下都很适用。特别是在云环境中,比如说紫光公有云、中德工业云,还有广电融媒云,对于云环境下平台和租户安全能力的构建,安管一体机就显得更为高效灵活。因为一个设备就可以构建一个安全资源池,满足平台和租户的不同安全能力要求。
针对安管一体机这种审计管理和安全管理为一体的产品,对它的部署只需要有一个IP和协议可达的网络就行,所以说在云上的部署也是没有问题的。并且新华三在紫光公有云多个节点都有很好的落地。
最后,新华三集团安全产品线总工涂尧就未来安管一体机的产品技术发展方向进行了介绍。
从行业的维度来讲,面向运营商行业,搭着5G建设的大潮,新华三在这方面的投入会继续保持。另一方面,针对财税民生行业,新华三认为这将是下一步的增长点。因此企业、政府、民生这几个行业将是未来发展的重点,会加大投入和重点布局。新华三过去几年还重点发展了中小企业和分销业务,今年新华三集团在这个市场上也会有一些比较大的举措,调整布局。原来很多的安全厂商在这个市场是比较分散的,未来针对这种情况新华三还会在中小企业这个市场,重点发力安全业务布局。
随着整个网络建设进入高速发展期,新华三认为网络安全的建设也会全面进入“主动安全”时代,作为主动安全理念的领导者和实践者,新华三认为主动创新现在是至关重要的。这种创新不仅仅是网络内在的安全防护层面,更要站在人、网、业务应用三位一体的角度去考虑问题。另外,要从时间线、事件线、物理线之间形成的关联网中进行主动的检测、预警和防范。
面对未来网络安全的复杂局面,传统的技术手段已显疲软,作为数字化解决方案领导者,新华三对于网络安全领域的重视与探索从未停,从最早提出来“主动安全、智能感知”开始,到今年新华三提的口号“主动安全、智能进化”,新华三再次强调要不断地把人工智能技术引入到网络安全的领域并且持续进化,让网络安全更智能更有智慧。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。