2020 年,Check Point 推出了首个自主威胁防御管理平台 — R81。R81 支持快速的自驱式策略创建和一键式安全安装,能够保持安全策略时刻处于最新状态,帮助企业抵御最新勒索软件和零日威胁。用户只需点击一下即可进行安全策略升级,并在几分钟内实现网关同步升级,极大地提高了安全管理效率。
近期,Check Point R81平台迎来重要更新,Check Point R81.10 增强了安全管理的可靠性、性能和可扩展性,显著提高了运营安全效率。API、高可用性同步和登录等关键操作变得比以往更可靠、更快速。此外,SmartConsole 可自动更新最新补丁和改进特性。R81.10 增加了新型动态日志分布功能,允许按需添加日志服务器容量。作为可扩展平台的一部分,R81.10 具有独特的混搭能力,支持在单个 Quantum Maestro 安全群组中利用不同的 Quantum 安全网关。
随着 Check Point R81.10 的最新发布,Check Point 扩展了 Quantum 混合数据中心安全解决方案的功能,能够为采用敏捷运营和超可扩展平台的复杂混合数据中心提供最先进的安全防护。
随着云落地速度的加快,业务应用遍布数据中心和多个云环境。全球82%的企业采用了混合云战略,这为他们的本地环境带来了云的敏捷性和可扩展性。然而,考虑到最近勒索软件、供应链和零日攻击汹涌而来,安全性逐渐成为了部署混合数据中心的企业的头号挑战。
工作负载在不同云和远程环境之间的迁移导致威胁形势进一步加剧。网络犯罪分子加大攻势,更频繁地发起复杂的网络攻击。这些攻击包括击垮 18,000 个数据中心的 Sunburst 供应链攻击,以及影响关键基础设施、医疗和运输系统并造成 440 万美元损失的勒索软件攻击。
随着安全威胁数量和复杂程度的增加,使用现有解决方案保护现代数据中心也变得日趋复杂。如何集中管理分布在本地和云系统中的应用的安全性是企业面临的一大挑战。扩展的边界更是让问题雪上加霜,它需要支持用户随时随地安全访问数据中心资源和云应用。如果部署不同的安全解决方案,企业可能无法快速交付服务和应用,也无法兼顾安全性和性能。随着数据中心和云之间的流量不断增加,如何在按需扩展本地安全性的同时保障云弹性又成为了新的问题。
Check Point 全面的混合数据中心安全产品组合可提供:
Check Point 正在改变企业保护其混合数据中心的方式。企业现在有了更大的灵活性,能够按需在数据中心和云之间安全地移动工作负载,并以更短的响应时间、更低的成本和更快的上市速度在边缘交付应用和工作负载。
现代数据中心和网络需要混合云安全架构的灵活性,该架构通过简化的统一管理系统,使用自动化技术和 AI 按需扩展本地和云端威胁防护性能。Check Point 混合数据中心安全解决方案能够提高性能和可扩展性,且不增加任何复杂性。Quantum 系列产品可防范复杂的东西向攻击、通过零信任微分段隔离威胁、按需提供超大规模性能,并支持全自动操作、统一的动态策略管理以及云和远程用户安全连接。
好文章,需要你的鼓励
这项来自苹果公司的研究揭示了视频大语言模型评测的两大关键问题:许多测试问题不看视频就能回答正确,且打乱视频帧顺序后模型表现几乎不变。研究提出VBenchComp框架,将视频问题分为四类:语言模型可回答型、语义型、时序型和其他类型,发现在主流评测中高达70%的问题实际上未测试真正的视频理解能力。通过重新评估现有模型,研究团队证明单一总分可能掩盖关键能力差距,并提出了更高效的评测方法,为未来视频AI评测提供了新方向。
这篇来自KAIST AI研究团队的论文提出了"差分信息分布"(DID)这一创新概念,为理解直接偏好优化(DPO)提供全新视角。研究证明,当偏好数据编码了从参考策略到目标策略所需的差分信息时,DPO中的对数比率奖励形式是唯一最优的。通过分析DID熵,研究解释了对数似然位移现象,并发现高熵DID有利于通用指令跟随,而低熵DID适合知识密集型问答。这一框架统一了对DPO目标、偏好数据结构和策略行为的理解,为语言模型对齐提供理论支持。
VidText是一个全新的视频文本理解基准,解决了现有评估体系的关键缺口。它涵盖多种现实场景和多语言内容,提出三层评估框架(视频级、片段级、实例级),并配对感知与推理任务。对18个先进多模态模型的测试显示,即使最佳表现的Gemini 1.5 Pro也仅达46.8%平均分,远低于人类水平。研究揭示输入分辨率、OCR能力等内在因素和辅助信息、思维链推理等外部因素对性能有显著影响,为未来视频文本理解研究提供了方向。
ZeroGUI是一项突破性研究,实现了零人工成本下的GUI代理自动化在线学习。由上海人工智能实验室和清华大学等机构联合开发,这一框架利用视觉-语言模型自动生成训练任务并提供奖励反馈,使AI助手能够自主学习操作各种图形界面。通过两阶段强化学习策略,ZeroGUI显著提升了代理性能,在OSWorld环境中使UI-TARS和Aguvis模型分别获得14%和63%的相对改进。该研究彻底消除了传统方法对昂贵人工标注的依赖,为GUI代理技术的大规模应用铺平了道路。