近日,紫光股份旗下新华三集团推出的H3C SecPath M9000-X系列多业务安全网关产品,凭借业界领先的性能及安全功能,高标准通过泰尔实验室、思博伦联合测试。
测试采用以太网测试和测量行业的领导者思博伦通信的专业设备C200及一体化硬件测试解决方案,模拟了1:1的真实用户测试环境。通过整机吞吐量+延时、新建和并发TCP、防火墙VPN,深度检测、WAF功能开启后的性能测试,以及威胁情报、沙箱联动、虚拟防火墙、DNS透明代理、双栈NAT功能测试等全方位严苛检测,H3C SecPath M9000-X系列各项性能指标表现优异。其中,整机四层吞吐量高达4.5Tbps、新建会话量达3000万/秒、会话并发量达16亿,超出业内主流设备3倍以上,充分验证了新华三集团AI防火墙性能可为客户提供运营商级别安全防护,以应对日益复杂多变的威胁。
优异性能,护航数字转型
数字化时代,网络业务量井喷式增长,企业数字化转型和业务云化、容器化不断深入,企业的业务构成正在快速被重构,安全防御系统亟需与时俱进。防火墙作为安全系统的核心,在守护网络边界安全上起着关键作用。
本次顺利通过各项高标准测试的H3C SecPath M9000-X系列,是新华三集团结合云计算、IPv6、大数据及高性能计算的发展趋势,针对云计算数据中心、运营商CGN、大型企业及园区网出口等市场推出的新一代高性能多业务安全网关。
测试中,通过多台思博伦C200测试仪构建起复杂拓扑和用户动态行为仿真,真实反应了运营商现网中多维度多应用动态变化趋势,连同不断更新的测试云为安全测试注入最新特征和最新应用场景,能够有效验证高端防火墙在现网防护过程中的表现能力。
最终测试结果表明,作为考核设备带宽承载的关键指标,H3C SecPath M9000-X系列整机四层吞吐量可达4.5Tbps,从容应对流量的爆炸式增长;1秒内能够新建高达3000万 的TCP会话量,有效抵御短时大规模流量冲击;同时能够容纳16亿的TCP会话能力,满足多业务、高性能、高可靠性、高可扩展性等多样化的安全功能需求。
目前,H3C SecPath M9000-X系列防火墙产品已经在众多行业复杂网络环境中得到充分实践应用。通过实际现网高性能,高可靠的验证,持续为百行百业的网络安全防护赋能。
AI加持,赋能边界安全
新华三集团在业内提出“主动安全”的理念,将AI硬件和AI分析引擎融入到防火墙产品中,推出AI防火墙,并伴随“主动安全2.0“的演进而持续升级。目前,新华三在安全领域每年都会积累数百项专利,快速提升AI安全产品的效能和领先程度。
本次测试各项性能的优异表现,充分体现了新华三集团在AI防火墙领域持续多年的深耕和积累。在近期全球权威咨询机构Gartner发布的“Hype Cycle for Network Security, 2021(《2021年网络安全技术成熟度曲线报告》)”中,新华三入围网络防火墙领域“典型供应商”(SampleVendors),亦是对新华三深厚技术实力高度认可的又一体现。
安全是企业发展的前提和基础,需要不断完善与演进。新华三集团将基于“云智原生”战略和的“数字大脑2021”,实现安全架构弹性化、安全资源可扩展、安全业务可编排、安全服务随处可达,构建全域全方位的网络安全主动防御体系,为百行百业数字化转型打造稳固安全的“数字底座”,为我国数字经济的有序发展保驾护航。
好文章,需要你的鼓励
NotebookLM原本主要面向学生用户,但即将推出的幻灯片制作功能可能让其成为职场演示的强大工具。该AI工具基于Gemini技术,能够根据用户上传的文档、网站、视频等资料生成内容。最新发现的未发布功能显示,用户将能够基于上传资源快速创建幻灯片,并结合集成的图像生成器进行定制。此外还可能推出信息图表生成功能,帮助用户将数据可视化。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
三星今日正式发布其混合现实头显设备,该产品被视为苹果Vision Pro的直接竞争对手。据此前体验报告显示,该设备在整体性能上与Vision Pro相当,但其内置的AI功能成为最大亮点。设备搭载多模态Gemini AI,能够实时识别用户视野中的内容并提供相应回答,这是Vision Pro目前缺乏的功能。发布会将揭示设备正式名称、最终功能配置、上市时间和定价策略等关键信息。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。