至顶网安全频道 07月04日 编译:企业领导者越来越意识到网络安全可能对业务成果产生的影响。Gartner表示,安全负责人应该利用自己能够得到的越来越多的支持,利用六种新兴趋势,提高组织的弹性,同时提升企业的地位。
趋势1:高级业务主管终于意识到,网络安全对实现业务目标和保护企业声誉的能力具有重要影响
IT安全性是董事会层面的议题,也是任何坚实的数字业务战略的一个重要组成部分。商业领袖并不总是能接受这一点,但最近一系列引人注目的事件改变了人们的看法。
最突出的例子包括Equifax数据泄露,让很多CEO、CIO和CSO丢掉了工作;一场WannaCry攻击导致全球损失估计在15亿至40亿美元之间,雅虎的数据泄露事件让Verizon最近购买雅虎得到了3.5亿美元的“折扣”。
Gartner研究副总裁Peter Firstbrook表示:“商业领袖和高级利益相关者最终会非常重视安全性,而不仅仅是在企业过于严肃、不苟言笑的环境中完成的战术和技术工作。安全部门必须充分利用起这个趋势,与业务负责人密切合作,明确将安全问题与可能受到影响的业务项目联系起来。”
趋势2:关于数据保护实践的法律和监管要求正在给数字化业务带来影响,并且越来越强调数据责任
客户数据是不断扩展的数字业务服务的生命线。最近Cambridge Analytica丑闻或Equifax漏洞等事件说明处理这些数据本来就存在极高的商业风险。此外,监管和法律环境也变得越来越复杂,欧洲GDPR条例就是一个例子。与此同时,对于未能正确保护数据的潜在惩罚也是呈指数级增长。
在美国,因黑客攻击而遭遇数据泄露的组织数量从2008年的不足100个,增加到2016年的600多个。
“毫不奇怪,随着数据价值的增加,违规事件的数量也在增加。在这个情况下,完整的数据管理程序——不仅仅是合规性——是必不可少的,在处理数据过程中潜在责任的充分理解也是非常重要的。”
趋势3:安全产品正在迅速利用云交付来提供更敏捷的解决方案
新的检测技术、行为和身份验证模型需要大量数据,这些数据可能会迅速压倒当前本地模式的安全解决方案。这推动了向安全产品云交付的快速转变,能够近乎实时地使用数据来提供更灵活和自适应的解决方案。
Firstbrook建议说:“避免做出过时的投资决定。寻找提供云优先服务的提供商,这些服务提供了可靠的数据管理和机器学习能力,至少可以保护你的数据。”
趋势4:机器学习在简单任务中贡献价值,并帮助人类分析可疑事件
向云的转移,创造了利用机器学习解决多种安全问题的机会,例如自适应身份验证、内部威胁、恶意软件和高级攻击者。Gartner预测,到2025年机器学习将成为安全解决方案的一个基本组成部分,抵消不断严峻的技能短缺和人员短缺。不过,并非所有机器学习都具有同等的价值。
Firstbrook说:“看看机器学习如何解决狭隘的和明确定义的问题集,例如对可执行文件进行分类,并注意不要被炒作所影响。除非厂商能够清楚地解释其机器学习如何使其产品超越竞争对手或者超越以前的方法,否则很难利用不错的机器学习技术释放营销的力量。”
趋势5:除了传统的购买考量因素,安全采购决策将越来越多地基于地缘政治因素
网络战、网络政治干预、政府对软件和服务后门访问的需求,导致软件和基础设施购买决策面临新的地缘政治风险。最近美国政府对俄罗斯和中国企业的禁令就是这种趋势的一个明显例子。
Firstbrook表示:“把对你企业组织重要的合作伙伴、供应商和司法管辖区的地缘政治考虑进去至关重要,包括在RFI、RFP和合同中的供应链来源问题。”
趋势6:数字集中化可能导致促使生态系统中多个层面去集中化的风险
互联网正在推动一种集中化的风潮,其中一个明显的例子就是云计算。 虽然有很多好处(上面提到了一些),但是好的安全团队也应该考虑到风险因素。
Firstbrook表示:“要评估集中化对数字业务计划的可用性、机密性和灵活性的安全影响。如果集中化的风险可能严重威胁到组织目标,那就要探索一种替代性的、分散的架构。”
好文章,需要你的鼓励
OpenAI首席执行官Sam Altman表示,鉴于投资者的AI炒作和大量资本支出,我们目前正处于AI泡沫中。他承认投资者对AI过度兴奋,但仍认为AI是长期以来最重要的技术。ChatGPT目前拥有7亿周活跃用户,是全球第五大网站。由于服务器容量不足,OpenAI无法发布已开发的更好模型,计划在不久的将来投资万亿美元建设数据中心。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
英伟达推出新的小型语言模型Nemotron-Nano-9B-v2,拥有90亿参数,在同类基准测试中表现最佳。该模型采用Mamba-Transformer混合架构,支持多语言处理和代码生成,可在单个A10 GPU上运行。独特的可切换推理功能允许用户通过控制令牌开启或关闭AI推理过程,并可管理推理预算以平衡准确性和延迟。模型基于合成数据集训练,采用企业友好的开源许可协议,支持商业化使用。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。