Cato Networks 作为广域网 (WAN) 和安全访问服务边缘 (SASE) 解决方案的专业提供商,正将目光转向局域网 (LAN)。该公司推出"全球首个" SASE 原生局域网新一代防火墙 (NGFW),实现了局域网和云防火墙的"首次完整融合",旨在消除 55 天的补丁修复差距,开启"防火墙修补终结"的新时代。
针对这个让威胁行为者有机可乘的 55 天补丁差距,Cato 援引 2024 年 Verizon 数据泄露调查报告 (DBIR) 指出,企业平均需要 55 天才能修复 50% 的关键漏洞。这个漫长的修复窗口使企业面临威胁,增加了安全漏洞的风险。
原本用于保护企业资产的防火墙设备本身已成为安全隐患,面临着自身的关键漏洞问题。为这类技术管理独立的策略集增加了复杂性,而设备之间缺乏共享数据上下文则造成了安全缺口,限制了端到端的可视性。
Cato 还认为,有缺陷的补丁只会加剧防火墙设备修补带来的风险。该公司引用研究咨询公司 Gartner 的报告《我们无法通过修补摆脱漏洞暴露》中指出:"许多组织经历过因补丁未按预期工作而导致的系统中断。这些中断往往备受关注,不仅造成声誉损害,还会导致收入损失。面对这些风险,IT 运营组织在处理安全部门的高频修补请求时持保守态度是合理的,尤其是对业务关键系统而言。"
Cato SASE Cloud Platform 的最新扩展功能 LAN NGFW 将所有防火墙引擎融合,实现从云到局域网的"无缝"管理和深度可视性。根据 Cato 的说法,Cato LAN NGFW 是 Cato SASE Cloud Platform 的原生功能,无需额外硬件,且能自动更新和自我维护,消除了手动修补和紧急修复的需求。
Cato Networks 产品管理副总裁 Ofir Agasi 表示:"传统防火墙设备供应商在一年内就会遇到超过 20 个高危和关键漏洞,这意味着 IT 部门别无选择,只能在为时已晚之前迅速采取行动。Cato LAN NGFW 改变了这一局面,无需陷入防火墙设备的修补混乱,就能提供始终最新的保护。"
实际应用中,Cato LAN NGFW 支持本地局域网分段的第 7 层应用感知控制,同时确保集中策略执行。通过融合所有防火墙 (互联网、站点间和局域网内),Cato 表示可以简化策略管理,并使用其安全引擎实现一致的执行。根据 Frost & Sullivan 的独立安全效能测试,该引擎实现了"近乎完美的保护"。
LAN NGFW 的主要优势包括:使企业能够满足本地化流量控制的合规要求,实现从传统局域网防火墙的过渡,简化分布式环境的安全性,并通过微分段保护东西向流量以降低风险。
企业可以在本地执行安全策略,在遵守要求局域网流量隔离的法规的同时,消除成本高昂、资源密集型的独立局域网防火墙,同时获得应用感知分段和集中策略执行能力。
该产品被认为能够在无需额外本地防火墙的情况下,跨多个位置提供一致的应用感知安全性,确保所有位置的零信任执行。它还可以通过细粒度的、应用感知的分段策略来最小化威胁的横向移动,这些策略适用于 RDP、SSH 和 SMB 流量,符合 NIST 800-207 零信任原则。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。