现代威胁需要现代防御。云原生已成为新的基准线。
每个组织都在投资网络韧性工具、培训和流程。然而,只有部分组织能够成功应对和恢复攻击。无论多么努力,许多IT和安全团队都受到传统技术架构的制约,这些架构是为2015年而非2025年的挑战而构建的。
云计算和人工智能的快速发展释放了前所未有的敏捷性和规模化能力。网络攻击者正在利用现代技术,但传统的数据保护和安全工具却落后于时代。这种脱节是不可持续的;我们正处于一个转折点,云原生数据保护现在已成为必要条件。
多年来,企业采用自主构建的方法,通过软件、硬件和设备的混合来构建数据安全。他们花费时间管理容量、应用补丁和故障排除。有些企业随后试图将这些传统解决方案强行移植到云端,这意味着将传统架构整体迁移。
这些为过去IT时代设计的方法,正在不断升级的网络威胁、新法规以及数据蔓延带来的成本上升压力下崩溃。
推动根本性转变的力量
多个趋势的融合正在加速对网络韧性根本性不同方法的需求。
不断演变的威胁格局
网络攻击持续演变,勒索软件变得更加复杂。攻击者使用生成式AI创建恶意软件,通过社会工程学对用户进行钓鱼攻击,并通过提示注入攻击破坏AI系统。一旦找到突破周边防护的方法,攻击者会潜伏数月对环境进行侦察。获得凭据和情报后,他们会在攻击生产数据前先破坏备份系统,使不支付赎金的恢复变得不可能。
威胁行为者继续扩大目标范围。随着数据中心周边安全的改善,威胁行为者现在将目标转向云环境。此外,针对小公司、市政府和医院的攻击有所增加。无论组织的周边安全多么强大,没有人的数据集是安全的。
因此,响应和恢复变得越来越重要。
不断增加的监管和合规压力
数据隐私、主权和快速恢复不再是可选项;日益严格的全球法规对此提出了强制要求。许多现有的数据保护工具缺乏满足现代合规框架所需的细粒度控制、可审计追踪和内在韧性机制,需要大量手动干预并存在风险。
数据蔓延导致成本增加
跨云工作负载、SaaS平台和边缘环境的数据蔓延正在推高数据保护成本。组织被迫投资于不断扩展的软件工具和存储基础设施组合来保护分散的数据。当每个环境都需要自己的孤立堆栈时,备份软件、服务器和存储的许可费用变得越来越昂贵。
除了资本成本,数据蔓延还引入了管理复杂性,增加了运营成本。IT团队现在必须跟踪并在多个平台上执行策略,这增加了配置错误、遗漏备份和存储使用效率低下的风险。在分散的环境中维护一致的安全和合规策略需要组织在工具、时间和团队上投入更多资源来操作和审计它们。
组织无法通过传统方法克服这些新挑战。他们需要从根本上构建的解决方案来防范网络攻击,满足新的合规法规,并集中保护所有数据。他们需要一种新的数据保护方法,既能解决当前问题又能面向未来。
云原生网络韧性的定义特征
为了应对这一新现实,组织需要为多云网络韧性而非仅仅备份而构建的云原生解决方案。什么定义了云原生网络韧性平台,如何评估基于云的备份与云原生网络韧性之间的区别?
以下是区分有效云原生网络韧性解决方案的四个特征:
免维护架构:云原生平台从根本上构建,以消除基础设施依赖性。这意味着无需硬件、无需手动打补丁、无需管理笨重的智能体。这种设计能够快速部署、自动更新和跨环境轻松扩展,显著减少运营开销。
零信任即服务:云原生韧性超越了简单的备份。它确保数据被有效隔离、气隙保护和不可变,意味着备份在逻辑和物理上都与生产环境分离。这种关键的架构分离提供了抵御勒索软件、内部威胁和意外删除的必要防护,提供了远超单一云驻留备份的保护水平。
跨数据环境的无缝韧性:与孤立工具不同,云原生解决方案在数据所在的任何地方都提供统一保护,从数据中心到SaaS应用再到云端。这种能力对于减轻管理复杂性、确保合规性和标准化网络安全至关重要。真正的云原生解决方案还通过启用跨区域和跨云数据恢复来防范区域和云供应商中断。
针对云经济优化:通过利用云原生存储和计算优化,这些平台本质上减少了运营复杂性和成本。全局去重和压缩等功能大幅削减存储占用空间并消除意外出口费用,提供可预测和优化的云存储经济效益。
拥抱云原生的真正韧性未来
行业现在认识到向云原生网络韧性转变的关键需求。组织需要一种统一的方法来检测备份数据中的威胁,加速响应,并简化所有数据的恢复。主动威胁搜寻、AI驱动的威胁检测以及与更广泛安全生态系统的无缝集成正成为核心需求。
行业领导者正在验证市场向云原生韧性的转变。例如,Druva在2025年Gartner备份和数据保护平台魔力象限中被认定为领导者,这突出了这种方法的成熟度及其对企业数据安全的日益重要性。
在网络攻击不可避免的时代,韧性至关重要。这需要对数据保护进行根本性重新思考,将其从被动的保险策略转变为帮助响应和恢复的主动智能层。
数据保护的未来是云原生的:完全托管、本质上安全,并从根本上设计来为企业提供在现代世界中蓬勃发展所需的简单性、控制力和安心感。对于IT和安全领导者来说,现在是拥抱这种网络韧性新基准线的时候了。
好文章,需要你的鼓励
很多人担心被AI取代,陷入无意义感。按照杨元庆的思路,其实无论是模型的打造者,还是模型的使用者,都不该把AI放在人的对立面。
MIT研究团队提出递归语言模型(RLM),通过将长文本存储在外部编程环境中,让AI能够编写代码来探索和分解文本,并递归调用自身处理子任务。该方法成功处理了比传统模型大两个数量级的文本长度,在多项长文本任务上显著优于现有方法,同时保持了相当的成本效率,为AI处理超长文本提供了全新解决方案。
谷歌宣布对Gmail进行重大升级,全面集成Gemini AI功能,将其转变为"个人主动式收件箱助手"。新功能包括AI收件箱视图,可按优先级自动分组邮件;"帮我快速了解"功能提供邮件活动摘要;扩展"帮我写邮件"工具至所有用户;支持复杂问题查询如"我的航班何时降落"。部分功能免费提供,高级功能需付费订阅。谷歌强调用户数据安全,邮件内容不会用于训练公共AI模型。
华为研究团队推出SWE-Lego框架,通过混合数据集、改进监督学习和测试时扩展三大创新,让8B参数AI模型在代码自动修复任务上击败32B对手。该系统在SWE-bench Verified测试中达到42.2%成功率,加上扩展技术后提升至49.6%,证明了精巧方法设计胜过简单规模扩展的技术理念。