安全领域从来就不缺缩写词,SASE就是其中比较新的之一。SASE在2019年被Gartner正式提出,此后迅速被市场接受,SASE的话题热度一直在持续走高。不少厂商纷纷提出了自己的观点和市场计划,发布自己的SASE解决方案。
依托自己在基础架构领域的技术优势和丰富的产品线,VMware很快就推出了一套完整的SASE解决方案。这是一套云原生的解决方案,结合VMware的云平台(VMware Cloud Foundation),能给用户带来全新的安全体验,对于有着SASE需求的用户,尤其是VMware用户群,具有不小的吸引力。
SASE备受关注
SASE(Secure Access Service Edge)是一个融合了软件定义广域网和网络安全功能、以支持数字化企业需求的新兴技术。按照Gartner对SASE的解释:SASE是一种基于实体的身份、实时上下文、企业安全/合规策略,以及在整个会话中持续评估风险/信任的服务。实体的身份可与人员、人员组(分支机构)、设备、应用、服务、物联网系统或边缘计算场地相关联。
SASE并不是单独的独立系统,而是包含了一套技术,从SD-WAN和云访问安全代理到安全的Web网关、零信任网络访问、防火墙即服务等,基于它们以云服务形式提供应用程序、服务,以及用户和机器对云和网络资源的安全访问。
VMware大中华区网络与安全产品及解决方案销售总监叶逾健
VMware大中华区网络与安全产品及解决方案销售总监叶逾健解释说,SASE之所以被Gartner提出与IT环境的几个重要变化息息相关:第一是分布式办公普及,尤其疫情期间远程办公成为主要模式,原来办公主要靠的是VPN技术,现在很多选择了SD-WAN,安全领域扩大了。其次是上云,之前企业办公的主要模式是终端用户访问企业的数据中心,而现在变成了终端用户访问各种云服务,其中除了企业数据中心提供的服务还有不少公有云提供的服务。第三,零信任基础架构逐渐被采用。
“这些变化使得传统的以企业数据中心为中心的安全模式行不通了,直接促成了SASE,这是Gartner提出SASE这个概念的背景。” 叶逾健说。
全栈安全解决方案
应该说,VMware进入SASE领域是非常顺理成章的。因为在SASE所涉及的各个方面,VMware早有布局,这也正是VMware进入SASE领域的底气所在。
“SASE中最重要的两块功能模块中我们都有非常好的产品。一个是SD-WAN,在市场上我们一直都是第一;另外一个非常强的就是终端用户计算。有两个第一的产品作为基础,就有了一个非常好的SASE,”叶逾健说。
具体而言,在SD-WAN方面,VMware的VeloCloud可以把多个不可靠的网络连接整合成一个超高性能的可靠网络,对于远程办公的用户这意味着视频应用随时可用。而终端用户计算方面,VMware更是有着多年的积累,功能非常丰富。比如,终端的管理平台UAG(User Access Gateway),就是一个非常高效的负责身份认证的安全产品。
除此之外,VMware在安全方面还有不少产品。比如,Carbon Black是非常领先的用于终端保护的云服务;网络虚拟化产品NSX中很多原生的重要安全功能;还有收购Lastline获得的NDR产品等。
“原来这些产品可能比较分散,而SASE是非常好的集成平台,VMware顺势把几个方案结合起来,推出了SASE。” 叶逾健说。
叶逾健表示,与其他SASE相比,VMware在设计SASE时尤为关注几个方面,一个是安全性,包括安全合规。其次是用户体验,不仅让用户对应用的性能、使用感觉方便,同时在管理上也要方便。第三是有非常强的可视化功能,能帮助用户更快地发现问题、解决问题。
对于今天纷纷扰扰的SASE市场,叶逾健表示,VMware的优势非常明显,主要体现在以下三个方面:第一是以原生安全的概念来实现零信任的基础架构,把安全原生地嵌入到平台中。第二是云原生。第三,VMware强大的生态,能为客户提供丰富的选择。
“VMware的SASE也会不断推陈出新。我们在全球有3000多个POP站点,3000多个合作伙伴帮我们做部署。在中国市场,我们也正和本地的合作伙伴配合,部署SASE的解决方案。我们希望和中国市场的合作伙伴、用户一起合作,满足用户安全需求,” 叶逾健总结说。
好文章,需要你的鼓励
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。