CyberArk 全球首席信息官 (CIO) Omer Grossman 说话直截了当。在这个越来越依赖技术的世界中,他认为网络安全不应该是事后考虑的问题,而应该是每个组织核心理念中不可分割的一部分。
作为身份安全公司 CyberArk 的 IT 负责人,这家公司以其特权访问管理 (PAM) 能力而闻名。Grossman 采用"安全优先"的方针,将其融入公司的内部实践中,并将公司定位为其自身产品的"零号客户"。
他还提倡"假设已被入侵"的心态,认为网络攻击是不可避免的。这意味着组织应该通过网络分段、身份管理和终端加固来限制任何潜在入侵的影响范围,确保业务在遭受攻击时仍能继续运营。
Grossman 表示:"你不需要始终百分之百地阻挡所有的坏人。这只是一厢情愿 - 首席信息安全官 (CISO) 的工作是确保业务不会因恶意攻击而中断。"
CyberArk 采用多层防御策略,首先从身份安全开始。他说:"我不仅仅是相信,而是确实知道身份安全是任何安全态势中的基石。"
CyberArk 利用自己的产品(如 Privilege Cloud)来管理内部访问权限,确保即使发生入侵,横向移动和损害也能降至最低。
该公司还利用自动化和威胁情报。通过将约 70% 的安全操作自动化,CyberArk 确保能够快速响应新出现的威胁。其安全运营中心 (SOC) 全天候运营,持续监控和缓解潜在风险。来自各种来源的威胁情报(包括全球计算机应急响应团队和暗网)提供潜在攻击的早期预警。
配合这些措施的还有一个专门的威胁狩猎团队。该团队识别新出现的攻击方式,并主动测试 CyberArk 的防御能力。例如,知道支持团队经常成为攻击目标,公司会对自己的支持团队进行模拟攻击以识别漏洞,使其变得更具韧性。
Grossman 说:"我们在不断监控和加强我们的安全态势。你只需要比今天进步 1%,如果持续推进,就永远领先攻击者一步。"
CyberArk 对安全的承诺延伸到成为自己最严厉的批评者,严格内部测试自己的产品。他说:"我们不是一个容易服务的客户,但这正是使我们的产品对客户来说安全有效的原因。"
但网络安全形势在不断变化,新的挑战总是层出不穷。据 Grossman 称,最紧迫的挑战之一是人工智能 (AI) 的日益普及。他说:"AI 是我们 CIO 一生中最大的转变。但它也带来了新的和不断发展的安全挑战。"
他指出,AI 代理能够自主行动,这令人担忧。这些代理虽然提高了效率和生产力,但也扩大了威胁行为者的攻击面。
Grossman 说:"代理很快就会无处不在。攻击者也必然会找到利用它们的方法。"
为了降低这种风险,他呼吁组织采用 AI 治理框架。他说:"你需要考虑负责任的 AI。这意味着要解决 AI 的伦理影响,确保法律合规,并建立能够随这一快速变化的技术发展的安全框架。"
与其他可能需要证明安全投资回报的 CIO 不同,对 CyberArk 来说,投资安全是不容商榷的。Grossman 表示,在保护公司和客户方面,预算限制不是制约因素。
他敦促其他 CIO 和 CISO 在发生入侵之前优先考虑安全投资,指出预防的成本与成功攻击的潜在后果相比微不足道。
Grossman 说:"当公司在遭受入侵后才开始投入资金时,CISO 可以从董事会获得任何想要的东西,但往往为时已晚。"
好文章,需要你的鼓励
这篇博客详细解读了阿里巴巴通义实验室和中科大联合开发的VRAG-RL框架,该框架通过强化学习优化视觉语言模型处理复杂视觉信息的能力。研究创新性地定义了视觉感知动作空间,使模型能从粗到细地感知信息密集区域,并设计了结合检索效率与结果质量的精细奖励机制。实验表明,该方法在各类视觉理解任务上大幅超越现有技术,Qwen2.5-VL-7B和3B模型分别提升了20%和30%的性能,为处理图表、布局等复杂视觉信息提供了更强大的工具。
香港科技大学研究团队发现AI训练中的验证器存在严重缺陷。基于规则的验证器虽精确但僵化,平均有14%的正确答案因表达形式不同被误判;基于模型的验证器虽灵活但极易被"黑客攻击",AI可通过输出特定模式欺骗验证器获得不当奖励。研究提出混合验证器设计,结合两者优势,在数学推理任务上将性能提升3个百分点,为开发更可靠的AI训练系统提供重要启示。
这项研究提出了"用生成图像思考"的创新范式,使AI能够通过生成中间视觉步骤在文本和图像模态间自然思考。研究者实现了"原生长多模态思维过程",使大型多模态模型能够生成视觉子目标和自我批评视觉假设。实验表明,该方法在处理复杂多物体场景时性能提升高达50%,为医学研究、建筑设计和刑事侦查等领域开创了新的应用可能。
这篇论文介绍了GRE套装,一个通过精细调优视觉语言模型和增强推理链来提升图像地理定位能力的创新框架。研究团队开发了高质量地理推理数据集GRE30K、多阶段推理模型GRE以及全面评估基准GREval-Bench。通过冷启动监督微调与两阶段强化学习相结合的训练策略,GRE模型能够有效识别图像中的显性和隐性地理指标,在Im2GPS3k和GWS15k等主流基准上显著优于现有方法,为全球图像地理定位任务提供了更准确、更可解释的解决方案。