近日,亚信安全与广东易达电子科技有限公司(以下简称:广东易达)联合宣布开展创新型战略合作,合作将结合亚信安全在云安全技术方面的优势,以及广东易达在虚拟化市场的产品、渠道服务优势,以MSP创新型合作模式(Managed Service Provider)为基础,为政府、教育、企业等不同行业用户提供创新的云安全整体解决方案。在新的合作模式下,亚信安全将为合作伙伴提供更多客户服务空间,行业用户则可以在云端快捷获取周全的安全防护服务,同时拥有更高的成本敏捷性。
数字化驱动企业转型,需要更安全、更灵活、更敏捷
近年来,各行各业在数字化转型的过程中,逐步将业务部署在云端,并开始采取混合管理的方式满足业务弹性和性价比的需要。与此同时,网络威胁也不断“升级”,新形态病毒、木马、勒索软件等威胁给企业的数字资产带来了严重的挑战。
在大多数企业的安全管理现状中,通常会采用传统的本地化网络安全管理模式,这样不仅会增加部署复杂度,而且还需要非常专业的安全运维人员进行专项维护,给企业带来了不容忽视的成本压力。在此背景下,网络安全服务的云端租赁、部署模式应运而生,其可以帮助企业降低网络安全产品的部署时间与难度,并拥有更灵活的付费方式以及专业的配套服务。
根据亚信安全倡导的创新型MSP合作模式规划,亚信安全小包云端版产品(WFBSS)将授权广东易达会与其虚拟桌面、防泄密、IT运维、机房管理等产品方案进行整合,生成创新型的整体解决方案。不仅让合作伙伴拥有自行执行销售权,还拥有最终客户管理权,为不同行业的客户提供云端部署、云端租赁的网络安全服务。
亚信安全副总裁刘科表示:“此次合作是亚信安全在业务营销模式方面的重大创新,双方在解决方案层面的合作更灵活地融合了产品与渠道资源,不仅有利于发挥广东易达在虚拟化市场上的优势,也有利于进一步扩大亚信安全小包云端版产品的销售范围,提高品牌的知名度与美誉度。亚信安全希望藉此进一步丰富合作伙伴生态,在充分的激发合作伙伴的主动意识的同时,彰显合作伙伴自身价值,全力为客户打造清朗的网络空间。”
云端交付、云端管理,为用户提供跨平台防御和保护
亚信安全小包云端版基于全球领先云安全技术所打造,对用户来说是一种全新的解决方案形式,它既不是单纯的软件产品,也不是按照传统的方式部署,而是采用云服务的方式交付给企业用户,并且能够同时为Windows、MAC、Android不同操作系统平台的用户提供全面的防御和保护。
该产品不仅能够在邮件账户进行实时扫描,阻止垃圾邮件和威胁,还能够防御病毒、间谍软件和其他恶意软件,在安全威胁到达企业之前将其阻止。由于采用了云端部署、云端租赁的模式,亚信安全小包云端版可支持用户在云端快速获取网络安全防御能力,实现自动更新、运维,并可通过灵活的付费方式来降低成本压力。
广东易达董事长余祖开指出:“亚信安全的网络安全产品经历了长时间的市场检验,获得了客户的广泛认可,这让我们对于双方的合作前景充满信心。我们也将在虚拟化产品领域进一步探索与亚信安全的合作空间,帮助企业客户实现安全、高效、快速的虚拟化应用与管理,持续提升客户的网络安全防御能力。”
好文章,需要你的鼓励
ETH Zürich等机构研究人员提出TrustVLM框架,解决视觉-语言模型预测可信度问题。该方法利用模型中存在的"模态差距",创新性地结合图像到文本和图像到图像的相似度,实现无需重新训练即可大幅提升误分类检测性能。在17个数据集的严格测试中,TrustVLM相比现有方法在关键指标上提升显著,同时改善了零样本分类准确率。此成果为AI系统在自动驾驶、医疗等安全关键领域的可靠部署提供了重要保障。
这项研究提出了个性化安全概念,解决大语言模型对不同用户采用统一安全标准的问题。研究团队创建了PENGUIN基准测试集评估模型在处理高风险场景时的个性化安全能力,并开发了RAISE框架高效获取关键用户信息。实验表明,提供用户背景可使安全分数提高43.2%,而RAISE框架通过平均仅2.7次交互即可提高安全分数31.6%。这一创新方法将AI安全从"一刀切"转向"个性定制",为高风险领域的AI应用提供了新思路。
明尼苏达大学研究团队提出了一种创新方法,通过回合级信誉分配显著提升大语言模型(LLM)智能体的多回合推理能力。传统方法只对整个过程进行评价,而他们的MT-GRPO算法能够精确评估每个决策步骤的价值,就像为每一步提供具体反馈。在维基百科搜索工具使用场景中,该方法实现了100%的工具执行成功率和50%的答案精确匹配率,远超传统方法。这一突破不仅提高了AI在多步骤任务中的表现,也为开发更复杂的AI系统提供了重要思路。
这篇研究介绍了PISCES——一种能精确从大语言模型参数中移除特定概念知识的创新技术。与现有方法不同,PISCES通过解缠器模型识别概念相关特征,直接编辑模型参数,实现了更精准的知识移除。在Gemma和Llama模型上的测试表明,该方法不仅有效降低了目标概念的准确率(低至7.7%),还保持了模型在无关领域的高性能,并显著提高了对"重新学习"的抵抗力。这一突破为AI系统的安全部署和合规使用提供了新的可能性。