11月12日,在第二十四届中国国际软件博览会上,“2020年电子信息行业百项自主创新成果”正式发布,奇安信旗下网神态势感知与安全运营平台(简称NGSOC)成功入选。发布会上,中国电子信息行业联合会对奇安信等自主创新成果企业进行了授牌。
据悉,一年一度的“电子信息行业自主创新成果”,是中国电子信息行业 联合会从2017年开展的一项服务于电子信息行业的创新成果认定与推广工作。入选“自主创新成果”的项目,区别于学术型创新研究,强调创新成果的实用性、领先性、产业化能力和市场前景,综合考量项目的创新价值、市场价值、应用价值和推广价值,经行业推荐、企业申报、专家核定而确定。定期发布,对于配合落实好国家相关政策,完善行业创新生态,做好对标引导和发展支撑具有重要意义。
奇安信作为国内网络安全领军企业,旗下网神态势感知与安全运营平台(NGSOC)入选了“2020年电子信息行业百项自主创新成果”。

据了解,奇安信NGSOC是建立大数据技术架构之上,运用先进的大数据组件,成功解决海量数据的采集、存储和计算的难题。NGSOC能够处理千亿级数据,采集速度达10W+EPS,实现秒级查询,大大提升安全分析和响应的速度和效率。
另一方面,NGSOC基于国内首款分布式关联分析引擎Sabre,通过场景化检测规则、机器学习和关联分析进行多维度威胁研判,结合海量的威胁情报,大幅降低了威胁检测的误报率和漏报率,位居业内领先水平。 NGSOC具备国内领先的威胁预警能力,实时下发威胁预警规则,帮助用户第一时间掌握是否遭受到攻击、失陷的设备包括哪些、业务是否收到影响、网络攻击走向如何、如何应急处置等。
基于此,NGSOC建立起了一套完善的威胁响应与处置流程的支撑体系,具备强大的实战能力。战前可以帮助客户完成自查整改,并通过快速的数据接入为后续的监测分析及行为审计提供数据支撑;战中阶段可以帮助客户实现对威胁的监测、发现及快速处置,从而有效开展攻防对抗;战后阶段可以帮助客户完成汇报总结。
此外,奇安信已经在全国多地建立了安全运营人才的培训基地,为客户提供专业的安全运营服务,涵盖一线驻场安全运营服务、二线分析及应急响应服务,帮助客户解决“安全的最后一公里”问题。安全运营服务中心,除了驻场安全运营外,奇安信集团安全运行中心还提供远程运营服务,远程安全运营中会结合资产情况输出威胁分析情况、安全数据分析的报告、溯源分析、事件协同处置的通报等。通过以持续性的监控和分析为核心的远程安全运营服务,解决人员编制紧张、由于特殊原因不便入场、人员安全能力不足的问题。奇安信旨在帮助企业打造“人+数据+工具+流程”一体化的安全运营体系,解决日常安全运营,关键时刻还能打“硬仗”。
经过几年的自主研发,NGSOC凭借强大的安全感知能力、优秀的使用体验、权威的威胁情报、一流的大数据分析技术和安全可视化能力,已经成功应用于多个政企机构。根据第三方权威机构赛迪顾问发布的《2019-2020年中国网络信息安全市场研究年度报告》和《2018-2019年中国网络信息安全市场研究年度报告》显示,奇安信NGSOC连续2年在中国安全管理平台产品市场占有率排名第一。
此次,奇安信NGSOC入选“2020年电子信息行业百项自主创新成果”,亦是奇安信多年注重自主创新与研发的成果展示。根据奇安信今年三季度财报显示,奇安信近三年研发投入累积达32.77亿元,总投入在科创板已上市公司中位居前列,在7月22日科创板上市前,奇安信已拥有超过1200项的专利,今年前三季度奇安信在专利上再创佳绩,新申请专利192件,其中发明专利175件,授权专利57件。
好文章,需要你的鼓励
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
各行业企业存储的数据量持续攀升,5PB以上已成常态,10PB以上也日益普遍。2026年非结构化数据管理的主题是全面增长:更多数据、更多投资、更多痛点以及更多AI安全风险。AI应用加速普及、数字化信息激增以及富媒体和传感器数据大幅增加推动了数据增长。随着AI推理应用的发展,企业将意识到非结构化数据管理对AI投资回报率的关键作用。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。