至顶网安全频道 11月20日 综合消息:日前,全球领先的网络安全和应用交付解决方案提供商Radware公司宣布与一流的SaaS企业达成了一项价值数百万美元的DDoS防护服务交易。此次采购表明了该公司对Radware的信心,他们在Radware本地攻击缓解措施之上又增加了云端DDoS,可以提供强劲的混合防护解决方案。
这家市场领先的全球SaaS公司正在寻求一种可以针对复杂攻击提供低误报率以及实时自动化检测和缓解措施的解决方案。该解决方案需要在十几个接入点(POPs)实现尽可能低的延迟,并且需要与本地解决方案进行无缝集成和信息传递,进而将宕机时间和延迟降至最低。该公司还需要一个久经考验,能够处理大规模全球部署的企业。
经过竞争性分析,该公司选择部署了Radware DDoS防护服务,因为Radware混合Defense Messaging防护信令可以为Radware应急响应团队(ERT)提供来自本地设备的关键信息,在面对复杂攻击时可以实现近乎即时的检测和切换。
Radware总裁兼CEO Roy Zisapel表示:"在部署Radware DDoS防护解决方案时,该公司很有远见地选择了混合防御解决方案。该SaaS提供商的全球部署和业务需求需要一个可靠的合作伙伴,在全方位保护客户安全方面有行之有效的可追踪记录。选择Radware本地和云端防护措施使得该公司能够通过一个解决方案解决很多问题,这也是未来的一种趋势。"
Radware北美地区销售副总裁David Anderson表示:"SaaS服务提供商正在日益成为备受瞩目的攻击目标。他们提供的服务必须实现24x7的零中断。混合安全服务可以在网络边界提供即时的DDoS攻击防护,同时能够将大流量攻击卸载到云端,在Radware的全球数据中心进行处理。"
Radware的DDoS安全解决方案系列提供了集成的应用及网络安全,可以实现最佳的多层安全架构和DDoS攻击防护。该解决方案提供了最高的防护精度,可以保护合法流量的基于行为的专利检测措施,以及可以实现零日攻击防护的实时特征码生成技术。Radware的混合DDoS防护措施集成了永远在线的检测和缓解(本地或云端)、基于云的大流量DDoS攻击防护、清洗以及24x7的紧急响应团队(ERT)支持。Radware的Defense SSL防护措施支持防范所有类型的加密攻击、模糊TCP SYN洪水、SSL协商洪水、HTTPS洪水和加密Web攻击。
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。