Commvault Cloud Platform (原 Metallic 平台) 现已实现森林级别的 Active Directory 自动化保护。
Active Directory (AD) 是 Microsoft Windows 环境中的用户身份验证服务。它列出了用户和设备等资源,以及它们所拥有或需要的权限。AD 域服务运行在服务器上,域是用于管理和安全的中央管理单元。一个组织可以拥有多个域,除非获得授权,否则禁止跨域访问。域以树状结构进行管理,顶层森林管理着一组共享相同架构、配置和全局目录的域,包括整个组织的用户、组、权限和域控制器。
Commvault 首席技术官兼 AI 官员 Pranay Ahlawat 表示:"在遭受网络攻击后,恢复 Active Directory 是维持业务连续性的基础,但传统方法过于复杂且容易出错。通过自动化的 Active Directory 森林恢复功能,我们为客户提供了改变游戏规则的恢复能力。将这一功能集成到我们独特的网络弹性平台中,并支持广泛的工作负载,我们正在为客户带来一个无人能及的业务连续性新时代。"
恶意软件攻击者通常将 AD 作为攻击目标,因为它在 Windows 环境中至关重要,全球超过 6.1 亿用户使用它进行身份验证。Commvault 表示:"当灾难发生时,恢复 AD 至关重要,但传统方法非常困难,需要复杂、耗时的手动流程,正如 Microsoft 的森林恢复指南所描述的那样。"这可能需要"数天甚至数周才能完成"。
Commvault Cloud Backup & Recovery for Active Directory Enterprise Edition (CCBRADEE) 现在通过使用自动化运行手册实现了 AD 森林的"快速恢复"。这包括"将关键角色从不可用的域控制器转移到正常运行的域控制器等任务,这对于清洁恢复至关重要"。
CCBRADEE 提供组织 Active Directory 环境的可视化拓扑视图,使管理员能够简单快速地确定首先需要恢复哪些域控制器以及如何恢复它们,以加快 AD 服务的可用性。它"将 AD 森林恢复与 Active Directory 和基于云的身份服务 Entra ID 的细粒度恢复相集成,提供全面的保护"。
Cohesity 及其收购的 Veritas 业务也可以通过与 Semperis Active Directory Forest Recovery (ADFR) 和其他工具的集成来保护 AD 森林环境。更多数据保护供应商提供森林级别的 AD 保护,包括 Dell 的 Recovery Manager for Active Directory Forest Edition、Rubrik 的 Security Cloud (RSC) 和 Veeam。
Commvault Cloud Backup & Recovery for Active Directory Enterprise Edition 计划于 2025 年上半年正式发布,按用户定价。可以在 Commvault 的网站上了解更多关于 AD 保护的信息。
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。