新产品包括 Linode Managed Database 和 Audience Hijacking Protector
2022 年 4 月 28 日——负责支持和保护数字化体验且深受全球企业信赖的解决方案提供商阿卡迈技术公司(Akamai Technologies, Inc.,以下简称:Akamai)(NASDAQ:AKAM)在本周发布了一系列新产品,并对安全和计算产品线中的现有产品进行了更新。随着面向开发人员和网络安全专家的 Linode Managed Database、Audience Hijacking Protector 等一系列新产品和新功能的推出,Akamai 宣告进入基础架构即服务 (IaaS) 市场。
Akamai 产品营销全球副总裁 Ari Weil 表示:“本周的产品发布和更新都是为了一个目的:支持并保护网络生活。如今,我们比以往任何时候都更依赖互联网服务,Akamai 十分荣幸能够为客户提供工具,助其快速和安全地提供数字化体验。我们非常高兴能够发布隶属全新计算系列的首款产品——Linode Managed Database。该产品可为客户提供更广泛的工具且不受计算工作负荷限制,并使 Akamai 成为全球广泛分布且横跨云端和边缘的计算平台。”
有关每个关键产品更新的详细信息将于本周发布,请参见下方摘要中的链接。
Linode Managed Database
Linode Managed Database 简化了数据库部署流程,不仅有助于开发人员降低风险、提高效率,而且最大限度地降低了人工管理生产数据库集群所带来的复杂性。
Managed Database 一向是 Linode 客户最受欢迎的产品。Linode Managed Database 是 Akamai 继今年 3 月收购 Linode 之后,发布的首款计算业务线产品,这使 Akamai 一举成为全球广泛分布且横跨云端和边缘的计算平台。
自发布之日起,Akamai 将在 Linode 的所有 11 个全球数据中心中提供 Linode Managed Database for MySQL,并在 2022 年第二季度实现对 PostgreSQL、Redis 和 MongoDB 的支持。在每个受支持的托管数据库中,客户都可以使用统一费率定价、安全和恢复措施、灵活的部署选项和高可用性群集选项等功能。
如需详细了解有关 Akamai 全新 Linode Managed Database 的功能与定价信息,请访问 https://www.linode.com/products/databases/。
Audience Hijacking Protector 和其他安全功能
Audience Hijacking Protector 是专为在线业务而设计的一种新解决方案,可在购买过程中最大程度地增加收入机会并减少营销欺诈。随着在线零售发展步伐的加快,在客户侧,一种被称为受众劫持的高发现象正困扰着在线品牌的安全团队。受众劫持是指未经授权的广告和弹窗引诱购物者离开在线商店。它不仅会破坏客户的购物体验,还会导致零售商收入受损。面对这一日益严重的问题,零售商正在努力寻求解决方案。
此外,Akamai 还发布了几项新的应用程序安全功能,旨在帮助企业保护客户免受互联网浏览器、移动应用程序、API 交互期间和边缘等所有在线环境中的威胁。
如需详细了解有关 Akamai 的 Audience Hijacking Protector 及助力客户提供一致在线体验的其他产品和功能,请访问:https://www.akamai.com/zh/products。
EdgeWorkers 为开发人员提供工作流改进
随着越来越多的计算工作负载迁移到边缘,Akamai 正在对 EdgeWorkers 产品进行多项改进,使开发团队能够使用 Akamai 网络创建微服务,并在边缘执行安全而快速的计算。
Akamai 通过新的集成、更高的资源层限制以及对使用标准 TLS 的客户的支持,使开发人员更容易构建、执行和调试 EdgeWorkers 功能。全新 Hello Akamai! 原型沙盒环境现对所有有兴趣试用 EdgeWorkers 的人员开放。
如需详细了解为使用 EdgeWorkers 的开发人员提供的增强功能,请访问:https://www.akamai.com/zh/blog/edge/making-the-edge-work-for-you。
好文章,需要你的鼓励
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
在Cloudera的“价值观”中,企业智能化的根基可以被概括为两个字:“源”与“治”——让数据有源,智能可治。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。