此次收购将使 Akamai 能够将安全防护扩展到所有 API 流量位置,并且不受业务、集成或部署要求的限制
2024年 5月15日 – 负责支持和保护网络生活的云服务提供商阿卡迈技术公司(Akamai Technologies, Inc.,以下简称:Akamai)(NASDAQ:AKAM),近日宣布已就收购应用程序编程接口 (API) 安全防护公司 Noname Security 的相关事宜达成最终协议。作为当下市场中领先的 API 安全防护供应商,Noname 将增强Akamai 的现有 API Security 解决方案,同时随着 API 的应用范围不断扩展,还将使 Akamai 能够更快满足不断增长的客户需求和市场要求。凭借收购 Noname 之后获取的更多销售和营销资源、成熟的渠道以及战略联盟关系,Akamai 还有望进一步拓展其市场规模。
Akamai执行副总裁兼安全技术事业部总经理Mani Sundaram 表示:“各种应用程序为我们的世界运行提供了支持,但随着应用程序和用户规模激增,安全风险也随之增加。Akamai 已经注意到客户对 API 防护的需求在不断增长,根据我们自己的数据显示,API 攻击数量的年同比增幅达到 109%。相信通过Noname的加入,Akamai能够为客户带来更加广泛的集成和部署选择,提供跨各类环境的全面API保护。”
通过收购,Akamai 将提供完整的 API 安全套件,使客户能够更有效地发现“影子”API 并对漏洞和攻击进行检测。Akamai 的增强型产品和服务也将为客户带来更多的部署选项,并提供更加强大的技术集成组合。Akamai 还计划在收购完成之后,对Noname进行整合,以供 Akamai 的应用程序和 API 平台客户使用。
Noname 首席执行官兼联合创始人 Oz Golan 表示:“随着客户优先投资于应用程序现代化和数字化转型举措,API 开发仍将呈现激增态势。将 Noname 融合到 Akamai 的 API Security 产品和服务之后,所产生的解决方案将适用于任何类型的客户。无论客户的应用程序位于何处,包括云端、边缘原生、本地部署或其他供应商平台,都能得到有效保护。”
根据协议条款,在依惯例实施收购价格调整后,Akamai 已同意以大约 4.5 亿美元的价格收购 Noname 的所有已发行股权。该交易须遵守惯例成交条件完成,预计将于 2024 年第二季度成交。
2024 财年,该笔收购预计将带来约 2000 万美元的收入,摊薄非 GAAP 营业利润约 0.50%,摊薄非 GAAP 摊薄每股净收益约 0.10 美元。在预定于 2024 年 5 月 9 日举行的季度电话财报会议上,Akamai 计划提供第一季度财务业绩以及第二季度和 2024 全年财务指导,包括收购 Noname 所产生的任何预期影响。
Noname 是一家总部位于加利福尼亚州的圣何塞市的私人投资公司。收购完成后,Noname的200多名员工,包括首席执行官兼联合创始人 Oz Golan ,预计都将加入 Akamai 的安全技术组。
如需了解更多信息,请访问 Akamai 应用程序和 API 安全页面。
好文章,需要你的鼓励
这项研究提出了R1-Searcher++框架,通过两阶段训练策略使大语言模型能像人类一样灵活利用内部知识和外部信息。该方法创新性地采用强化学习激励模型优先使用内部知识,并引入记忆机制将检索到的信息转化为内部知识,实现动态知识获取。实验表明,R1-Searcher++不仅在多步问答任务上表现优异,还大幅减少了检索次数,显著提高了推理效率。
这项研究提出了AutoRefine,一种革新性的强化学习框架,为大语言模型引入了"边思考边搜索和完善"的全新范式。与传统方法不同,AutoRefine在连续搜索调用之间添加知识完善步骤,让模型能够有效过滤和组织信息。通过结合答案正确性和检索质量双重奖励,该方法在七项问答基准测试中平均提升6.9%的准确率,特别在复杂多跳推理场景中表现突出,解决了现有检索增强推理的核心局限性。
这项研究揭示了一种新型网络安全威胁:利用普通网络广告攻击AI网页代理。中科院研究团队开发的AdInject攻击无需特殊权限,仅通过精心设计的广告内容就能误导AI代理点击恶意链接,成功率高达90%以上。研究使用严格的黑盒模型,更符合现实场景,暴露了当前AI代理面临的实际安全漏洞。实验还表明,即使添加专门的防御提示,这类攻击仍能成功率超过50%,凸显了设计更强大防御机制的紧迫性。
东北大学与快手科技联合研发的UNITE系统为多模态信息检索带来突破性进展。这项发表于2025年5月的研究首次系统分析了模态特定数据如何影响检索性能,并提出创新的模态感知掩码对比学习技术,有效解决不同模态间的竞争关系。UNITE能同时处理文本、图像、视频及其组合,在40多项测试中超越现有方法,即使与参数规模更大的模型相比也表现出色。研究发现视频-文本对在通用检索中表现优异,而文本-文本和文本-图像对对指令遵循任务至关重要,为未来多模态系统研究提供了宝贵指南。