现代企业生成大量安全数据,但像Splunk这样的传统工具仍要求企业将所有数据存储在一个地方才能检测威胁——这是一个缓慢且昂贵的过程,在云环境中数据量爆炸性增长且分布各处的情况下,这种方式越来越不可行。
AI网络安全初创公司Vega Security希望改变这种方式,通过在数据已存在的地方运行安全检测,在云服务、数据湖和现有存储系统中实施安全措施。据TechCrunch独家了解,这家成立两年的公司刚刚完成1.2亿美元的B轮融资来扩大这一愿景。
本轮融资由Accel领投,Cyberstarts、Redpoint和CRV参与,新一轮融资使Vega的估值几乎翻倍至7亿美元,累计融资达到1.85亿美元。这笔资金将用于进一步开发其AI原生安全运营套件,加强市场推广团队,并在全球范围内扩张。
Vega联合创始人兼CEO Shay Sandler告诉TechCrunch,过去二十年在该领域占主导地位的SIEM(安全信息与事件管理)的当前运营模式不仅"极其昂贵",而且还越来越导致AI原生安全运营失败。他表示,在复杂的云环境中,当前模式往往会增加威胁行为者的暴露风险。
"Vega定义了一种新的运营模式,使组织能够充分利用其企业数据的全部潜力来实现事件响应准备,而无需所有的复杂性、成本和麻烦,"Sandler告诉TechCrunch。"我们希望简单地使他们能够在数据所在的任何地方大规模实现AI原生检测响应能力。"
像许多网络安全创始人一样,Sandler曾在以色列军方网络安全部门服役,之后成为Granulate的创始员工之一,该公司于2022年被英特尔以6.5亿美元收购。在英特尔工作一年后,Sandler决定"在网络安全领域大展拳脚"。
这样的背景部分吸引了Accel合伙人Andrei Brasoveanu的注意。但同样引人注目的是Vega在一个已被一家公司主导的市场中对安全管理的雄心勃勃的方法:Splunk。
Brasoveanu告诉TechCrunch,像思科在2024年以280亿美元收购的Splunk这样的传统SIEM公司近年来受到批评,因为其解决方案难以扩展。它们无法处理由AI驱动的数据量疯狂增长。
"Splunk和此后的每个竞争者都总是集中化数据,但这样做实际上是将客户作为人质,"Brasoveanu说。
然而,有时讨厌现状比做出转向更好替代方案的工作更容易,任何试图突破企业预算的初创公司都明白这种困境。这就是为什么Sandler说Vega的"北极星"不仅是构建一个更具成本效益且在威胁检测方面更好的解决方案,而且"要让全世界最大、最复杂的企业在几分钟内采用它变得毫无戏剧性、尽可能简单"。
Vega的方法似乎正在奏效。这家拥有100名员工的初创公司已经与银行、医疗保健公司和财富500强企业签署了数百万美元的合同,包括像Instacart这样的云重度公司。
"他们之所以与一家成立两年的初创公司这样做,唯一原因是问题太痛苦,而市场上其他解决方案要求企业改变运营方式或进行两年的数据迁移,这是不现实的期望,"Sandler说。"Vega使他们能够即插即用,立即实现检测响应价值。"
Q&A
Q1:Vega Security是什么公司?它的主要创新是什么?
A:Vega Security是一家AI网络安全初创公司,成立两年,主要创新是改变传统的安全数据处理方式。传统工具需要将所有数据集中存储后才能检测威胁,而Vega直接在数据已存在的地方运行安全检测,包括云服务、数据湖和现有存储系统中。
Q2:传统SIEM工具像Splunk有什么问题?
A:传统SIEM工具存在几个关键问题:首先是成本极其昂贵;其次是难以扩展,无法处理AI驱动的数据量爆炸性增长;第三是需要将所有数据集中化存储,这在复杂云环境中增加了威胁暴露风险,并且实际上将客户作为人质。
Q3:Vega获得了多少融资?资金将用于什么?
A:Vega刚完成1.2亿美元B轮融资,由Accel领投,使公司估值达到7亿美元,累计融资1.85亿美元。资金将用于三个方面:进一步开发AI原生安全运营套件、加强市场推广团队建设,以及在全球范围内扩张业务。
好文章,需要你的鼓励
研究人员意外发现,标准MOSFET晶体管可同时模拟神经元和突触行为,形成"神经突触随机存取存储器"(NSRAM)。该技术仅需一至两个晶体管即可实现传统需数十乃至数百个元件才能完成的神经信号处理,且与现有硅基制造工艺完全兼容,良率达100%。未来有望应用于边缘AI及高能效神经形态芯片,长远或可挑战GPU地位。
复旦大学团队提出ICWM框架,让机器人在任务前通过随机探测动作自主感知当前视角和物理配置,无需重新训练即可适应新摄像头角度,真实机器人测试成功率最高提升175%。
本文提出一种评估人工智能风险的新方法,借鉴生态学与演化论视角,从理论生态模型中推导出三项风险指标,涵盖种群模型与生态系统模型。研究旨在为AI治理策略提供量化工具,并对分析局限性及政策改进方向进行了深入探讨,为构建更科学的AI风险评估体系提供参考框架。
西安交通大学团队提出Fast-LeWM,用动作前缀并行预测替代逐步推演,将AI世界模型规划速度提升近4倍,同时平均成功率从85.8%提升至90.5%。