至顶网安全频道 06月12日 编译:思科首席执行官罗卓克(Chuck Robbins)日前表示,思科目前正在开发一个安全的、智能的企业平台,目的是改善和整合数据中心和云安全,他称该平台将成为“网络的下一个行动”。
罗卓克周一在奥兰多的思科主场2018(Cisco Live 2018)大会上发表主题演讲时表示,网络必须做出改变以满足未来的需求,一众公司需要“从根本上从不同的角度”考虑这个问题,安全性现在已经成了“非常基础性的东西”。
罗卓克还表示,“网络一定要成为一个安全的平台,要能够帮助组织实现自己的策略。我们必须让网络做更多的事,要令其移动得更快......网络必须能帮助用户发挥多云环境的强大作用。”
另外,他表示,“安全必须从网络的基础开始。”
罗卓克提到跨境数据移动、隐私及全球经济的快速转移,他表示,安全性日益重要,大约50%的网络流量现在都被加密了。
罗卓克称,“我们需要一个单一的安全架构,该架构将是基于大量的、各种令人难以置信的威胁情报,这些情报非常迅速地得以处理。”
罗卓克表示,思科多年来一直致力于实现这一目标,例如思科容器平台以及对以下系统的支持: Azure ExpressRoute和AzureStack、Intersight、HyperFlex(配有谷歌云的混合云平台)、Kubernetes(用于微软 AzureStack的整合系统)、多云组合Cliqr、Cmpute.io、Skyport和SpringPath。
去年的机器与机器的连接增加了21亿个,罗卓克表示,未来五年可能会再增加270亿个。那么企业就需要消化这些机器与机器的数据,需要决定这些数据去哪里,要将其移动到正确的位置,以便“可以在有价值的点上进行处理”。
罗卓克还表示,“这需要我们对未来建立网络的方式进行不同的思考。”
罗卓克表示,要把自动化、安全和分析结合在一起,网络就会出现巨大的变化,我们在思科Live 2017大会期间提出了思科网络直观性,用户对其的接受度令“我们大为震撼”。
他表示,“我们都明白,我们的所有网络创建大量的数据......我们希望确保用户能从这些数据中获取价值。”
罗卓克表示,这也是与思科五大支柱(安全、多云、重塑网络、创造有意义的体验及“释放数据的威力”)是一致的。
他表示,“我们过去的一年里在协作产品组合方面做了许多努力。” 他还称,思科花19亿美元收购BroadSoft也将有助于思科实现这一目标。
为罗卓克主题演讲站台的有谷歌云首席执行官Diane Greene,Greene表示与思科的合作已经取得了“一些非常满意的客户”早期接触的结果。
Greene周一表示,思科-谷歌云产品可以帮助开发者环境的现代化,生产力可提高10倍,设计人员可以采用更多的增量方法,安全团队可以在公司运行的所有应用程序使用一致的模型。
思科和谷歌云去年10月宣布结成混合云合作伙伴关系,这使得客户能够通过Kubernetes和Istio在思科驱动的数据中心和谷歌云平台之间运行和迁移应用程序。
思科上个月宣布同时在容器编排程序AppDynamics和思科CloudCenter之间支持Kubernetes。
据思科称,Kubernetes 版AppDynamics可以监控在多个容器中的Pod上部署的应用程序的性能,而配有Kubernetes支持的Cisco CloudCenter则可以通过AppDynamics监控进行基于容器的应用程序的部署。
好文章,需要你的鼓励
美国网络安全和基础设施安全局指示联邦机构修补影响思科ASA 5500-X系列防火墙设备的两个零日漏洞CVE-2025-20362和CVE-2025-20333。这些漏洞可绕过VPN身份验证并获取root访问权限,已被黑客积极利用。攻击与国家支持的ArcaneDoor黑客活动有关,黑客通过漏洞安装bootkit恶意软件并操控只读存储器实现持久化。思科已发布补丁,CISA要求机构清点易受攻击系统并在今日前完成修补。
康考迪亚大学研究团队通过对比混合量子-经典神经网络与传统模型在三个基准数据集上的表现,发现量子增强模型在准确率、训练速度和资源效率方面均显著优于传统方法。研究显示混合模型的优势随数据集复杂度提升而增强,在CIFAR100上准确率提升9.44%,训练速度提升5-12倍,且参数更少。该成果为实用化量子增强人工智能铺平道路。
TimeWave是一款功能全面的计时器应用,超越了苹果自带时钟应用的功能。它支持创建流式计时器,让用户可以设置连续的任务计时,帮助专注工作。应用采用简洁的黑白设计,融入了Liquid Glass元素。内置冥想、番茄工作法、20-20-20护眼等多种计时模式,支持实时活动显示和Siri快捷指令。免费版提供基础功能,高级版需付费订阅。
沙特KAUST大学团队开发了专门针对阿拉伯语的AI模型家族"Hala",通过创新的"翻译再调优"技术路线,将高质量英语指令数据转化为450万规模的阿拉伯语语料库,训练出350M到9B参数的多个模型。在阿拉伯语专项测试中,Hala在同规模模型中表现最佳,证明了语言专门化策略的有效性,为阿拉伯语AI发展和其他语言的专门化模型提供了可复制的技术方案。