2023 年 6 月 ,全球领先的网络安全解决方案提供商 Check Point® 软件技术有限公司 (NASDAQ: CHKP) 携手调研公司 Cybersecurity Insiders 发布了其《2023 年云安全报告》。基于对全球 1,000 多名网络安全专家的广泛调查,该报告提供了有关云安全管理现状的重要洞察,并重点介绍了普遍存在的挑战和机遇。调查发现,错误配置构成的持续威胁仍是企业目前面临的重大问题之一。
尽管用户可以从云中获得可扩展性和灵活性等诸多好处,但在有效保护云安全方面仍面临挑战。该调查显示,错误配置是首要云安全问题,影响了 59% 的受访者。由于这些错误配置,企业不仅容易受到攻击,而且还很难充分发挥云技术的潜力。
后疫情时代,企业正迅速扩展其云资产,58% 的企业计划在未来 12 至 18 个月内将一半以上的工作负载存储在云端。然而,该调查凸显了一个颇为紧迫的问题,即多达 72% 的受访者同时管理着多个安全解决方案,这造成了混乱并危及云管理安全性。云端威胁的复杂性日益增加,成为 IT 领导者的头号顾虑,使他们无法有效控制漏洞,从而让攻击者趁虚而入。Check Point 研究报告显示,2022 年基于云的网络攻击同比激增 48%。
该调查显示,企业用户实施了各种技术和策略来管理其复杂的云环境,但复杂性的加剧以及可视性和控制力的缺乏给企业带来了混乱。一个令人担忧的趋势是,26% 的机构实施了 20 项或更多的安全策略,这会造成警报疲劳,妨碍响应团队有效应对高风险事件。值得注意的是,90% 的受访者表示倾向于使用能够简化管理的单一云安全平台。此外,多达 71% 的企业实施了超过 6 项安全策略,68% 的企业表示因使用多种工具而生成的大量警报让人疲于应对,这凸显了采用全面的协作式云安全解决方案的必要性。
Check Point 软件技术公司云安全副总裁 TJ Gonen 表示:“我们的调查发现,云错误配置是当今首席信息安全官最关心的问题。成功部署云安全策略的企业的不同之处在于,他们不仅可以识别错误配置,而且还能够把握其上下文相关性并对其问题解决进行优先级排序。重要的是了解哪些错误配置真正对业务运营构成风险。当然,迅速、有效地解决这些漏洞以保持强大安全防护的能力也不容轻视。企业必须选择一款不浮于表面检测的全方位解决方案。”
《2023 年云安全报告》的主要调查结果包括:
报告最后强调,企业需要积极主动地应对云安全挑战,在云环境中,运营的规模、速度和范围都被放大,因此必须采取强有力的安全措施。Check Point CloudGuard利用强大的统一优势和上下文情报,能够帮助用户推动实施切实可行的安全防护和更智能的防御措施。
关于本调查:
《2023 年云安全报告》于 2023 年 4 月对来自北美洲、欧洲、亚太等地区的 1,052 名网络安全专家展开了调查。受访者包括来自多个行业的各种规模企业的高管、IT 安全专家和人员。该调查旨在了解使用云服务的机构正如何解决安全问题,以及 IT 安全领导者优先考虑的认证、培训和最佳实践。
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。