身份技术供应商Okta宣布收购Axiom Security,这是一家专门为云、数据库、软件即服务(SaaS)和其他关键资源提供特权访问管理(PAM)的公司,此次收购旨在加强Okta在该领域的产品能力。
此次收购将把Axiom的核心技术整合到Okta特权访问产品中,Okta表示这将扩大对更多敏感资源的访问控制,使其客户能够进一步加强自身的安全架构。
Okta认为,随着越来越多客户将AI项目纳入其工作流程,特权访问控制将成为缓解人工智能相关风险的关键防护层。该公司相信许多组织对这些风险重视不够。
Okta最近的AI工作调查——对包括英国在内的9个国家近300名C级高管进行了调研——发现只有10%的受访者拥有管理所谓非人类身份(NHI)的"完善策略"。
"在当今动态的云环境中,手动管理这些权限很快会变得混乱,导致重大安全风险、合规缺口和运营效率低下,"Okta首席技术官兼工程主管Abhi Sawant观察道。
"随着一种常见的NHI——AI智能体——被引入企业,企业正在努力确保对这些独特的特权账户类型仍有可见性、安全性和治理能力。过时或传统的PAM平台没有构建管理非人类工作力所需的灵活性和中立性,将导致更大的安全风险,"他补充道。
根据Sawant的说法,这只是企业应考虑部署身份安全架构的众多原因之一——也就是说,能够适当管理新型NHI以及更传统人类身份的架构。
在未来几个月中,Okta计划将多个源自Axiom的功能引入其特权访问服务。这些功能将包括统一控制,为所有特权资源(无论是本地还是基于云的)提供单点管理的特权访问,以及即时访问——这是一项潜在的关键功能,它消除了常设权限,用有时限的访问替代,通过自动化Amazon EKS、GitHub、PostgreSQL或Snowflake等环境中提升访问的权限,减少运营开销和风险。
同时,Okta希望启动基于AI的应用连接器构建器功能,利用AI在各种环境中提供更多安全覆盖,同时利用Axiom将安全访问功能扩展到数据库和Kubernetes。
以色列蓬勃发展的安全开发生态系统的另一个产物Axiom,由Itay Mesika和Ilan Dardik四年前共同创立,他们像许多网络企业家一样,在军队服役期间相遇。该公司在过去几年中吸引了约1000万美元的资金,包括2022年的700万美元种子轮融资。
仍处于规模扩张阶段的Axiom拥有多家软件公司客户,包括企业差旅管理平台Navan,以及一些网络安全公司,包括云安全专家Orca Security和Varonis。
收购的财务条款未披露,但根据以色列媒体报道,该交易可能对Axiom的估值约为7500万美元(5600万英镑)。
这笔交易紧随Palo Alto Networks对CyberArk的大规模收购之后,后者同样专注于将更多身份和PAM专业知识整合到买方的安全平台中,意图更好地保护自主AI智能体。
Q&A
Q1:Okta为什么要收购Axiom Security?
A:Okta收购Axiom Security是为了加强其在特权访问管理(PAM)领域的能力。通过整合Axiom的核心技术到Okta特权访问产品中,可以扩大对更多敏感资源的访问控制,帮助客户加强安全架构,特别是应对AI项目带来的新安全挑战。
Q2:什么是非人类身份,为什么它很重要?
A:非人类身份(NHI)是指AI智能体等非人类实体的数字身份。随着企业越来越多地将AI项目纳入工作流程,这些AI智能体需要特殊的身份管理和权限控制。调查显示只有10%的企业拥有完善的NHI管理策略,这带来了重大安全风险。
Q3:收购完成后Okta将增加哪些新功能?
A:Okta计划引入多个新功能,包括统一控制——为所有特权资源提供单点管理;即时访问——用有时限的访问替代常设权限;基于AI的应用连接器构建器;以及将安全访问功能扩展到数据库和Kubernetes等环境。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。