近日,云与大数据安全厂商亚信安全作为AWS战略合作伙伴受邀出席“AWS技术峰会2017”,并以“在AWS云平台上构建安全的企业级应用”为主题,全面解读以“责任共担”服务模式为基础的混合云安全最佳实践方案,从自身经验和行业观察出发,为各行业用户的云端安全提供了宝贵建议。
责任共担,助客户从容应对业务云化
随着企业业务逐渐迁移到云平台之上,AWS等云服务商得到快速的发展,并在用户的业务云化进程中扮演着重要的作用。但与此同时,针对云服务的网络攻击对用户的数据资产构成严峻的威胁,云技术提供商和云安全解决方案提供商的深度合作成为大势所趋。作为AWS的重要战略合作伙伴,亚信安全在2014年就基于服务器深度安全防护系统Deep Security,双方联合推出了国内首个基于AWS平台的云安全解决方案,并以独特的授权模式,协助亚马逊开创性的实现了“责任共担”的云安全服务模式。
“责任共担”是指AWS 负责管理云本身的安全,云内部的安全则由客户负责,这种模式下,客户可以更自由、定制化的保护自己的内容、平台、应用程序、系统和网络,但对于用户的运维集成和防护技术要求也提出了较高要求。
亚信安全资深云安全顾问朱立在本次峰会“白金讲堂”中提到:“自‘责任共担’云安全服务模式发布以来,亚信安全的云安全解决方案就以高效、稳定、安全的云端防御能力,深受AWS用户的好评。亚信安全可以为AWS用户量身打造全面且灵活的安全防护功能,可确保用户自信从容地迁移到私有云和混合云,并提供灵活的自动化安全防护能力。随着云计算产业与安全技术Level UP,亚信安全将会携手AWS为更广泛的用户应对云端出现的新风险、新挑战。”
智能化落实“责任共担”,统一管理混合云安全策略
如今,云服务已经成为各个领域突破开拓和业务转型的关键技术之一,云端安全已纳入IT管理者的日常工作范畴。然而,各类针对云的网络攻击也以随之进级,用户重新思考和改善安全策略的需求日益旺盛。其中,有85%的组织指出,他们在把应用“搬家”到云端的同时,实现生产程序的合规性、敏感数据的保密性将是选择公共云的首要条件。
朱立表示:“安全原则可以保持不变,但实现安全性的方法必须改变。即时保障云安全(Instant-on),实现自动与优化的运维,将是公共云应用的基础架构。为此,亚信安全推出了能够支持安全策略自适应、工作环境自动感知、实现虚拟化优化和软件定义云架构对接的跨越云数据中心的统一管理平台,高效且智能的帮助用户在AWS中落实‘责任共担’的安全策略部署。”
【亚信安全资深云安全顾问 朱立】
与AWS平台安全保持一致,亚信安全提供了应对威胁、满足合规性以及支持安全最佳实践的功能,帮助用户在混合云环境中实现安全策略的统一管理,这包括:防恶意软件、Web信誉评估、防火墙、入侵检测、防泄漏、日志审计、物理和虚拟主机的底层安全,以及虚拟网络中的应用程序保护、虚拟补丁等功能,基于安全智能防护网络提供的全球威胁情报共享,并实现恶意代码和风险漏洞的持续扫描保护。
目前,亚信安全继续保持着云安全领域市场占有率第一的目标,其产品及解决方案不但与亚马逊AWS平台实现了全面融合,还为微软Azure、VMware、华为、新华三等全球化企业提供服务,更覆盖了中国500强企业中77%的用户。
好文章,需要你的鼓励
韩国科学技术院研究团队提出"分叉-合并解码"方法,无需额外训练即可改善音视频大语言模型的多模态理解能力。通过先独立处理音频和视频(分叉阶段),再融合结果(合并阶段),该方法有效缓解了模型过度依赖单一模态的问题,在AVQA、MUSIC-AVQA和AVHBench三个基准测试中均取得显著性能提升,特别是在需要平衡音视频理解的任务上表现突出。
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。