云融合的安全和数据保护解决方案提供商梭子鱼网络于美国加州时间10月10日宣布,公司的网络和应用安全业务进一步巩固了其在公有云安全解决方案领域的领导地位。在过去的四个季度中,梭子鱼每个季度的公有云净部署新用户量超过200,包括梭子鱼云融合防火墙和云融合WAF解决方案的部署。梭子鱼的用户在微软Azure和Amazon Web Services (AWS)上PAYG的年度消费时长超过300万小时。在2018年8月31日截止的2019财年第二季度,梭子鱼云融合防火墙的净订购量同比增长了57%。借助MSP业务,云融合防火墙的订购量同期增长了173%。
“保护用户的公有云部署是我们为从小型企业到财富500强公司客户提供最佳保护的愿景的一部分”,梭子鱼总裁兼首席执行官BJ Jenkins说,“为满足云端用户不断变化的需求,我们在公有云安全解决方案领域进行了大力的投资,并对公司的网络和应用安全业务的持续增长充满信心”。
2019财年亮点:
梭子鱼业务增长:
· 在过去的四个季度中,梭子鱼每季度公有云净部署新用户量超过200。
· 梭子鱼用户在微软 Azure和Amazon Web Services (AWS)上PAYG的年度消费时长时长超过300万小时。
· 梭子鱼云融合防火墙订购同比增长57%,其中MSP业务增长了173%。
· 梭子鱼云融合防火墙和WAF解决方案的新用户包括北欧航空、NTT Data Corporation、H. Essers(全球运输公司)和Rose Metal Systems 。
产品创新:
· 梭子鱼云融合WAF现还可在Google Cloud Platform (GCP)平台上使用。客户在迁徙现有应用时,可继续使用之前的梭子鱼配置和安全政策,从而保障一致性和原有的控制。
· 2018年5月最新推出的梭子鱼WAF-as-a-Service是一项云服务,其简化了应用安全的部署和管理过程,且不影响安全控制或有效性。
· 在微软Ignite 2018 大会上展示了七项集成功能,包括支持Azure Virtual WAN和微软防火墙管理。
行业认可:
· 荣获了微软颁发的三项金牌认证,分别是金牌云开发商、金牌云平台和金牌ISV。
· 7款梭子鱼解决方案在微软Azure Marketplace中被微软评为推荐解决方案。
· 梭子鱼是AWS网络高级技术合作伙伴,云融合防火墙和云融合WAF获得了AWS安全资质认证。
· 在首届GartnerPeer聚焦“客户之声”之企业网络防火墙市场笔记中,梭子鱼云融合防火墙在五项主题(共六项)上获得最高的用户评分,包括整体客户评级(4.67,总分5分)。
· 梭子鱼云融合WAF入选2018年Gartner Web应用防火墙魔力象限挑战者。
· 梭子鱼云融合防火墙在NSS LABS的2018年下一代防火墙(Next Generation Firewall)测试中获得了“推荐”评级。
· 梭子鱼云融合WAF在“Forrester Wave?:2018年第二季度Web应用程序防火墙评估报告”中被评为“卓越表现者”。
· 凭借交付云基础设施或应用的独特合作伙伴计划,梭子鱼入选2018年CRN合作伙伴计划指南。
用户之声:
“梭子鱼云融合防火墙拥有先进的功能和简单的管理界面”,NTT DATA Corporation的IT服务和付款服务信用卡与支付服务部门高级经理Yoshihiro Jimbo说,“我们可以通过VPN轻松连接并管理内部系统,并通过使用云融合防火墙主动验证连接的安全性。除此之外,我们还用它保护我们的AWS开发环境”。
“在所有测试的产品中,只有梭子鱼云融合防火墙具备多条上行链路上的因特网和虚拟专用网负载平衡能力,而且在单一装置中集成了完整的下一代安全防护能力”,H. Essers的ICT基础设施经理Ivar Indekeu表示。
关于梭子鱼云融合防火墙:
梭子鱼云融合防火墙的设计旨在为公有云和混合云环境提供网络和应用安全。这些解决方案提供云特定功能,包括按用量计费、DevSecOps团队的API支持、完全网状连接和可扩展性,以帮助企业将安全与云部署保持一致。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。