专注网络与安全融合的全球网络安全领导者 Fortinet®(NASDAQ:FTNT)近日宣布,全新推出外形紧凑、坚固耐用的防火墙设备 FortiGate Rugged 70G,专为OT环境提供优化增强的安全组网功能和5G网络连接服务。全新防火墙产品搭载5G双调制解调器和具备卓越安全计算能力和能效的Fortinet第五代安全处理器(SP5),为用户提供无与伦比的网络性能、业内领先的FortiGuard AI驱动安全服务和高可用性。
OT/IT融合:呼唤OT环境组网、安全变革
随着工业4.0和智能制造的推进,OT环境对组网技术的需求正在快速增长。传统的OT环境通常与IT环境相隔离,但现在两者之间的融合趋势越来越明显。同时,随着物联网(IoT)设备的爆炸式增长,OT环境需要能够处理大量数据和高并发连接的组网技术。这意味着对网络的带宽、可靠性和延迟等方面的要求都在不断提高。
不仅如此,由于能够提供前所未有的网络连接速度和低延迟,使得5G成为支持实时数据传输和工业自动化的理想选择。在OT环境中,5G技术可以用于实现远程监控、实时数据分析和预测性维护等应用。这些应用可以显著提高生产效率、降低运营成本并增强设备的可靠性。此外,5G技术还支持大规模的设备连接和数据传输,这对于实现工业互联网(IIoT)和智能制造等应用至关重要。
同时,随着OT环境与IT环境的融合,以及物联网设备的普及,网络安全威胁也在不断增加。因此,对能够保护OT环境免受网络攻击的安全技术的需求正在快速增长。这包括零信任理念、网络微分段、安全信息和事件管理(SIEM)、终端安全解决方案等。此外,由于OT环境的特殊性,还需要专门针对OT环境的安全解决方案,如工业防火墙、工业入侵检测系统等。
全新FortiGate:无缝融合组网、安全和5G
总而言之,随着OT环境网络架构中远程位置的日益涌现,企业必须支持并保护其中的大量敏感流量和数据,同时保持高可用性。以往,企业通常选择叠加部署各类单点安全产品,以满足这些远程位置独特的网络、安全和连接需求。然而,这种传统变通方法通常令网络中的基础设施难以实现有效管理且性能欠佳,不仅管理成本日益高昂,且安全风险日益升级。
凭借融合5G双调制解调器、AI驱动安全性和零信任等多种强大功能的一体化设备,Fortinet全新发布的 FortiGate产品可提供最前沿的安全组网创新技术,确保设备在恶劣环境中持续可靠运行。其中,配备5G双调制解调器的FortiGate Rugged 70G,可助力用户安全守护并精简现有基础设施,提高业务效率并节省成本,即便在难以亲临的远程位置,也能提供出色的用户体验。
作为一款融合多项功能的全新防火墙,FortiGate Rugged 70G首次融合5G网络连接功能,是Fortinet Rugged系列下一代防火墙(NGFW)产品组合中的又一典范之作。其可全方位满足远程OT环境组网、安全防护以及高效的网络连接需求。该设备不仅全面融合企业级威胁防护以及高性能组网功能(如SD-WAN和零信任网络访问),还可提供行业领先的无线广域网功能,实现高可用性。
FortiGate Rugged 70G主要优势功能包括:
IDC安全与信任研究经理Pete Finalle表示:“远程位置和恶劣环境日益成为企业发展和业务拓展的重要一环,但为其构建安全网络连接和防护体系同样面临严峻的技术和预算挑战。凭借将组网和丰富的安全功能无缝融合至一款可经受极端条件考验的一体化设备中,Fortinet解决方案可帮助用户轻松解决此类难题。融合5G双调制解调器功能的FortiGate是Fortinet的又一创新力作,该功能可为远程位置提供冗余连接,确保高可用性和不间断服务。”
好文章,需要你的鼓励
谷歌地图将集成Gemini人工智能技术,旨在将其升级为一个"全知型副驾驶"助手。这一整合将大幅提升地图服务的智能化水平,为用户提供更加个性化和全面的导航体验。通过AI技术的加持,谷歌地图有望在路线规划、地点推荐和实时信息服务等方面实现重大突破。
这项由圣母大学和IBM研究院联合开展的研究,开发出了名为DeepEvolve的AI科学助手系统,能够像人类科学家一样进行深度文献研究并将创新想法转化为可执行的算法程序。该系统突破了传统AI要么只能改进算法但缺乏创新、要么只能提出想法但无法实现的局限,在化学、生物学、数学等九个科学领域的测试中都实现了显著的算法性能提升,为AI辅助科学发现开辟了新的道路。
微软研究人员发布新的仿真环境来测试AI智能体,研究显示当前智能体模型容易受到操纵。该名为"Magentic Marketplace"的合成平台让客户智能体与商家智能体进行交互实验。测试包括GPT-4o、GPT-5和Gemini-2.5-Flash等模型,发现智能体在面临过多选择时效率下降,且在协作方面表现不佳。研究揭示了AI智能体在无监督环境下的性能问题。
卡内基梅隆大学研究团队通过3331次大规模实验,系统揭示了代码训练如何提升AI推理能力。研究发现,代码的结构特性比语义内容更重要,适当的抽象形式(如伪代码)可以达到与原始代码相同的效果。不同编程语言产生差异化影响:低抽象语言有利于数学推理,Python更适合自然语言任务。这些发现为AI训练数据的科学化设计提供了重要指导。