网络安全供应商 Varonis Systems 正在与 Pure Storage 合作,共同构建一套数据安全与网络抗灾系统,以防止数据泄露并在灾难发生时迅速恢复。
Varonis 与 CrowdStrike 和 Palo Alto Networks 等公司展开竞争,其软件与服务使客户能够主动保护敏感数据、检测安全威胁,并应对不断变化的数据与 AI 隐私规定。值得一提的是,Varonis 是首家与 Pure Storage 原生集成的数据安全公司,此次集成基于 Pure Storage 所提供的高性能、不可变存储以及 Varonis Data Security Platform 所交付的全方位数据安全能力。
Pure Storage 企业增长与解决方案副总裁 Dan Kogan 表示: “通过此次合作,Pure Storage 与 Varonis 正在帮助各组织主动保护关键与敏感数据,检测威胁,并在遭遇网络事件后实现快速恢复。结合 Pure Storage 的分层弹性策略与不可篡改快照,以及 Varonis 提供的智能数据安全,客户可以更加自信地保障其非结构化数据、降低风险,并确保业务持续运行。”
此次合作使 Pure Storage 用户能够自动完成以下操作:
发现并分类敏感数据 – Varonis 能够实时扫描 Pure Storage FlashArray 与 FlashBlade 系统中的数据,将分类结果与身份、权限和活动信息相匹配,从而识别并修复暴露或处于风险中的数据。
降低数据暴露 – Varonis 会映射复杂的权限结构(例如嵌套群组与继承),合理调整访问权限,并自动修正过度权限问题,比如移除超出所需的权限。
检测并阻止威胁 – 利用 AI 与机器学习技术,Varonis 分析用户行为,识别威胁、可疑活动以及恶意内部行为。
总体而言,Varonis 直接通过 Pure Storage 的存储阵列访问元数据,并利用 Pure API 对数据进行实时发现、分类,以及对文件访问模式与用户活动的分析。这种可视化能力帮助客户合理配置权限、发现数据过曝情况,并识别可能暗示内部威胁或未经授权访问的异常行为。另外,自动修复功能使 Varonis 能够快速处置诸如风险权限或文件标签错误等问题,从而在攻击发生时缩小潜在的影响范围。
Pure Storage 的 FlashArray 与 FlashBlade 系统具备不可变快照功能,网络事件后的恢复能力正是建立在这一特性之上。
此外,Varonis 还提供了管理型数据检测与响应(MDDR)服务,借助该服务,Pure Storage 用户可享受 24x7x365 的事件响应服务级别协议(SLA)。
为了进一步减少数据暴露并缓解 AI 相关风险,Varonis 于三月收购了 Cyral。稍早之前,该公司还与 Concentrix 合作推出了端到端 AI 安全解决方案,并成为 Black Hat 的可持续合作伙伴,与 CrowdStrike 等其他网络安全企业一道,共同应对行业挑战。
Varonis 工程执行副总裁暨首席技术官 David Bass 表示:“保障数据安全 —— 以及支撑 AI 的数据安全 —— 既充满挑战又至关重要。越来越多的客户依赖 Pure Storage,从数据摄取到推理,全方位挖掘其 AI 数据的潜力。客户钟爱 Pure Storage,我们也非常高兴通过此次合作,确保他们在进行 AI 创新时能够保障数据安全。”
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。