Akamai 在云端 Web 应用程序和 API 保护的执行能力和愿景完整性方面均排名首位
2022 年 10月 13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)宣布其连续六年荣膺 Gartner“云端Web应用程序和API保护魔力象限领导者”嘉誉(Gartner Magic Quadrant for Cloud WAAP)。一份名为“Gartner云端Web应用程序和API保护关键能力”(Gartner Critical Capabilities for Cloud Web Application and API Protection)的伴读报告指出,在 4 个基于云的 WAAP 用例中,Akamai 有 3 个用例斩获最高分:API 安全性和 DevOps、高安全性以及 Web 级业务应用程序。
“云端Web应用程序和API保护魔力象限领导者”(Magic Quadrant for Cloud Web Application and API Protection)先前以“Web应用程序防火墙魔力象限”(Magic Quadrant for Web Application Firewalls)为名发布,Akamai 已连续六年荣膺领导者嘉誉。该报告分析了云应用程序和 API 安全性解决方案的市场,并评估了提供商的执行能力和愿景完整性。该报告指出:
“虽然爬虫程序管理和 API 威胁防范等部分细分市场仍有频繁变动,但云端 WAAP 市场整体已经成熟。WAAP 设备市场的购买模式以替换旧设备为主,而云端 WAAP 市场则有所不同,其持续的两位数增长源于新客户、需要保护的新应用程序,以及从设备转到云交付安全性的举措。”
此外,“云端Web应用程序和API保护魔力象限领导者”指出:
网络安全专业人士面临着不断演变和新出现的威胁,因此这一角色需要满足的要求与日俱增。例如,Akamai 近期发布的应用程序和 API 威胁报告指出,在 2022 年第一季度,针对客户发起的 Web 应用程序攻击尝试次数年同比增长超过 300%。
Akamai 产品管理副总裁 Eric Graham 表示:“为了规避防御措施,攻击者不断重组现有攻击并探索可利用的新漏洞,从而演进其攻击手法。Akamai 连续六年荣膺“云端Web应用程序和API保护魔力象限领导者” 嘉誉,这是我们致力于持续创新、从容应对不断演变的威胁的有力印证。我公司致力为全球最有价值、广受追捧的品牌保驾护航,因此非常感谢 Gartner 对于我们 WAAP 解决方案的认可,以及客户就这些解决方案给出的反馈意见。”
客户认可
报告中指出:“Akamai 客户继续对这家供应商提供的支持给予高度评价,对于一家大型平台提供商而言,这是一项了不起的成就。在潜在客户申请安排同行参考电话调查时,始终如一的强大客户支持有助于建立信任,并推动客户采用 Akamai 产品。”
以下是 2022 年《Gartner® Peer Insights™ "客户之选" Web应用程序和API保护》报告[1]中 Akamai 客户的部分其他评论:
“Akamai 是边缘安全领域的金牌标准。十多年来,他们一直为我们提供保护,产品创新和改进从未间断过。”–零售业高级技术总监
“体验非常好,特别是在自动阻止新的零日漏洞攻击方面更是如此,例如最近在 WAF 上实施针对 log4J 零日攻击的防范策略非常快。” –政府行业服务与安全管理负责人
“Akamai 像瑞士军刀一样,可实现第 7 层保护。能够针对“零日”威胁打造“零日”抵御措施。通过减少不需要的流量,降低了云托管成本。通过减少延迟并增加正常运行时间,改善了客户体验。我们对防范入侵者心中有数,所以能高枕无忧。”–银行业解决方案架构师(安全)
“Akamai 在安全和性能方面发挥着至关重要的作用。尽管 Akamai 的产品功能非常出色,但令我们印象更为深刻的是他们提供的服务水平。我们真觉得 Akamai 团队就是我们团队不可或缺的一部分。他们真心希望我们的业务能够取得成功,不仅在平台利用方面给予我们非常积极地帮助,而且还在安全和性能方面不断进行改进。”–首席技术官
阅读完整的 2022 年《Gartner云端Web应用程序和API保护》报告,请访问:https://www.akamai.com/zh/lp/report/gartner-names-akamai-a-cloud-waap-leader
[1] Gartner,《Gartner Peer Insights “客户之选”: Web应用程序和API保护》,同行参编,2022 年 3 月 22 日
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。