针对准备"从根本上转型网络和安全架构"的企业需求,Cato Networks宣布为其核心安全访问服务边缘(SASE)平台推出模块化采用模式。
Cato SASE平台旨在让企业能够从当前所需的功能开始,随时间推移逐步扩展,同时不会牺牲真正网络安全平台的优势。
Cato表示,长期以来,许多网络安全供应商声称提供平台,但实际上交付的是产品组合——换句话说,是在单一品牌下松散连接的独立构建或收购产品集合。虽然这种方法可能简化采购流程,但Cato指出,这往往会产生运营复杂性,增加运营开销并造成网络可视性缺口。
相比之下,Cato声称在帮助定义SASE市场后,现在正在为真正平台的标准设定新基准,按照"按需部署,按时部署"的原则运作。该公司表示,其新的模块化系统让企业能够采用网络和安全功能,可以任意组合AI安全、SD-WAN、SSE和通用零信任网络访问。每个模块都可作为完整的企业级解决方案独立运行。
此外,Cato保证添加的任何模块都将通过融合平台基础产生复合价值,具有单一管理控制台、单一策略框架和单一数据湖。
"当今大多数平台实际上是伪装的产品组合。它们是产品集合,将复杂性转移给客户,随时间推移变得更难操作。真正的平台应该做相反的事情,"Cato Networks联合创始人兼首席执行官Shlomo Kramer表示。
"通过Cato SASE平台,模块化采用成为可能,因为架构从一开始就是统一的。企业可以从所需功能开始,随时间推移进行扩展,而不会重新引入复杂性、增加成本或妥协安全性。"
从核心技术基础来看,Cato SASE平台在单一云原生架构中融合了网络和安全功能,提供了更简单、更灵活的功能采用方式。该平台提供集中控制和共享智能,消除安全缺口,改善网络和安全领域的检测和响应能力。
据该公司介绍,平台在Cato Neural Edge上运行,这是一个由GPU驱动的全球私有骨干网络,跨越85个以上的存在点(PoP),提供大规模的性能、弹性和AI驱动的安全性。
通过Cato SASE平台,Cato提供以下模块:AI安全模块,用于保护和管理每个AI交互,从影子AI到AI应用程序和智能体;SD-WAN模块,通过零接触部署消除硬件复杂性和资本支出约束,从Cato的全球私有骨干网络交付,提供99.999%的正常运行时间SLA,确保全球一致的性能;SSE模块,提供对互联网、SaaS和私有应用程序的安全访问,同时为用户在任何地方应用一致的安全性,无需任何网络更改;通用零信任网络访问模块,在简化运营的同时降低风险。
后者通过持续的基于风险的验证和应用程序级分段,为每个位置的每种用户类型执行单一策略。
据称基于为现实世界灵活性而设计的简化定价结构,Cato SASE平台现已面向全球客户正式发布,采用基于用户和站点带宽的定价模式,允许客户即时扩展以满足需求。
许可证可在前12个月内逐步部署,同时支持灵活消费以适应用户或流量的突发需求。该公司表示,这消除了前期猜测,支持分阶段采用,并确保客户只有在使用模式明确后才做出承诺,而不会拖慢业务发展。
Q&A
Q1:Cato SASE平台与传统网络安全产品组合有什么区别?
A:传统供应商提供的实际上是产品组合——在单一品牌下松散连接的独立产品集合,会产生运营复杂性和网络可视性缺口。而Cato SASE平台从架构上就是统一的,提供单一管理控制台、单一策略框架和单一数据湖,避免重新引入复杂性。
Q2:Cato SASE平台包含哪些功能模块?
A:平台包含四个核心模块:AI安全模块用于保护和管理AI交互;SD-WAN模块消除硬件复杂性;SSE模块提供安全访问;通用零信任网络访问模块通过持续风险验证降低风险。每个模块都可独立运行,也可任意组合使用。
Q3:Cato SASE平台的定价模式如何运作?
A:平台采用基于用户和站点带宽的简化定价结构,许可证可在前12个月内逐步部署,支持灵活消费以适应用户或流量突发需求。客户只需在使用模式明确后才做出承诺,消除了前期猜测的需要。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。