近日,Gartner 发布了2017年企业防火墙魔力象限(Magic Quadrant)报告,Fortinet成功跃入领导者象限。Gartner认为其在市场执行、营销策略、客户体验、功能与性能以及市场覆盖等方面具有突出的表现,并能够在云端与本地提供一体化的安全能力与可见性。这一结果与评价充分印证了Fortinet旗舰企业防火墙产品FortiGate在业界无可置疑的领先地位,同时也在很大程度上展现了Fortinet成为安全市场佼佼者的“源力”。
Gartner魔力象限是在一个特定的细分市场内,由Gartner对厂商的行业技术发展方向、以及相应实施能力进行客观评判,分别从前瞻性和对战略的执行力两个维度,对厂商进行衡量与评估。根据Gartner的定义,位于领导者象限的厂商是发展前景和执行能力都有较高得分的行业领先企业,具备有影响细分市场走向的强大实力。
在本次魔力象限报告中,Gartner除了从上述两个维度评定了各个厂商的象限位置,还对企业防火墙市场变化与发展进行了前瞻性分析,Fortinet防火墙产品在以下三个方面的表现力与这些前瞻性分析不谋而合:
虚拟化,SDN以及IaaS与SaaS的完整安全覆盖。
Gartner在报告中指出,随着企业将业务迁移到云端,安全提供商应有相应基于云端的安全解决方案,并对前沿用户在SDN及东西向微分段的的需求以支持。在这一方面Fortinet拥有着无可争议的表现:Fortinet防火墙在公有云支持方面不仅包括AWS,Microsoft Azure,Google Cloud 以及阿里云与青云,同时在私有云/混合云以及社区云上实现了“按需”部署及运维。在SDN层面,Fortinet FortiGate支持VMWare NSX,OpenStack以及Cisco ACI等主流SDN平台的部署,能够与SDN控制器结合,提供安全服务链,帮助SDN用户实现更灵活和更高等级的安全。
不制约防火墙性能的加密流量安全检测。
现在的应用和攻击越来越多的是基于SSL加密,缺少对SSL加密流量的检测无疑是在防御体系上留下一个敞口,因此,Gartner认为,企业防火墙应承载加密流量检测功能以及面临的性能问题。正是基于和Gartner同样的判断,Fortinet强化了在防火墙性能方面的投入: FortiGate搭载了专有的SPU - CP9, CP9是采用ASIC架构设计的专用芯片,对SSL流量中的证书和加解密具备强大的处理能力,这也使得FortiGate在SSL流量检测方面,具备业界领先的性能。
多元化的企业防火墙角色,高级威胁联动防御的关键组件。
企业级防火墙应服务解决企业网的需求并适合企业网的场景的安全部署,企业网的规模决定了安全级别的划分与更细化的部署要求。FortiGate企业级防火墙则涵盖边界防火墙/内网防火墙以及数据中心防火墙的场景,其中内网防火墙用于内网中不同子网的安全分段与隔离,不仅切断威胁在内网中不同子网扩散的可能性,同时也保证了边界到内网防御的有效性
Gartner在报告中还谈到,越来越多的企业在向防火墙厂商寻求高级防御的方案,例如基于云的沙盒,以及应用威胁情报的防火墙。Fortinet防火墙可以协同联动多个安全组件包括Web应用防火墙,邮件网关以及沙盒技术,并利用全球威胁情报,实现高级威胁形成体系化的应对。
Fortinet中国区总经理李宏凯表示:“很高兴我们迈入Gartner企业防火墙领导者象限,这是对Fortinet防火墙市场竞争力的充分肯定。我们将继续保持技术创新的动力,协助企业用户构建积极防御体系,提高人、设备、流量等网络元素的可见且可交互的操作,从而确保现代企业实现长久安全运营。
好文章,需要你的鼓励
谷歌地图将集成Gemini人工智能技术,旨在将其升级为一个"全知型副驾驶"助手。这一整合将大幅提升地图服务的智能化水平,为用户提供更加个性化和全面的导航体验。通过AI技术的加持,谷歌地图有望在路线规划、地点推荐和实时信息服务等方面实现重大突破。
这项由圣母大学和IBM研究院联合开展的研究,开发出了名为DeepEvolve的AI科学助手系统,能够像人类科学家一样进行深度文献研究并将创新想法转化为可执行的算法程序。该系统突破了传统AI要么只能改进算法但缺乏创新、要么只能提出想法但无法实现的局限,在化学、生物学、数学等九个科学领域的测试中都实现了显著的算法性能提升,为AI辅助科学发现开辟了新的道路。
微软研究人员发布新的仿真环境来测试AI智能体,研究显示当前智能体模型容易受到操纵。该名为"Magentic Marketplace"的合成平台让客户智能体与商家智能体进行交互实验。测试包括GPT-4o、GPT-5和Gemini-2.5-Flash等模型,发现智能体在面临过多选择时效率下降,且在协作方面表现不佳。研究揭示了AI智能体在无监督环境下的性能问题。
卡内基梅隆大学研究团队通过3331次大规模实验,系统揭示了代码训练如何提升AI推理能力。研究发现,代码的结构特性比语义内容更重要,适当的抽象形式(如伪代码)可以达到与原始代码相同的效果。不同编程语言产生差异化影响:低抽象语言有利于数学推理,Python更适合自然语言任务。这些发现为AI训练数据的科学化设计提供了重要指导。