ESG Research發(fā)布的“2013年IT開支意向調(diào)查”顯示,云計算受到追捧,吸引諸多公司紛紛投資。在參與調(diào)查的公司中,有半數(shù)公司表示他們還計劃增加在信息安全領(lǐng)域的開支。
這兩個領(lǐng)域的預(yù)算相繼提升在意料之中。“根據(jù)我們的研究,有63%的企業(yè)都表示‘安全’是他們向云遷移過程中最關(guān)心的問題”,VentanaResearch的分析師Mark Smith表示。實際上,“有38%的企業(yè)都認為云計算的風(fēng)險非常高,因此他們并不準備大規(guī)模使用或僅打算有限制地使用”,他補充道。
完美風(fēng)暴
要保護云中的應(yīng)用系統(tǒng)數(shù)據(jù)非常困難,原因有三:
云并非存在于真空中。在所處的混合型IT環(huán)境中,數(shù)據(jù)同時存儲在企業(yè)內(nèi)部和基于云的應(yīng)用系統(tǒng)中,并且數(shù)據(jù)經(jīng)常在兩者之間傳輸。這存在什么問題呢?企業(yè)內(nèi)部的安全策略和控制措施不會自動轉(zhuǎn)移到云,反之亦然。
云應(yīng)用系統(tǒng)供應(yīng)商可能不會將安全功能放在首位。“客戶并不愿意在安全方面增加額外的開支”,Informatica企業(yè)戰(zhàn)略服務(wù)部IT副總裁Kristin Kokie解釋道。“要想在云中實現(xiàn)安全功能非常困難,因此,如果看不到有價值的回報,一些供應(yīng)商就會放棄在此方面的投入。”
缺乏技術(shù)創(chuàng)新。同時保護企業(yè)內(nèi)部和云應(yīng)用系統(tǒng)數(shù)據(jù)的可選方案很少。保護數(shù)據(jù)的安全性意味著要付出雙倍的努力:既要為企業(yè)內(nèi)部應(yīng)用系統(tǒng)數(shù)據(jù)制定一套策略,還要為云應(yīng)用系統(tǒng)數(shù)據(jù)制定另一套策略。
巨大變化
“為了有效利用云體系架構(gòu)的優(yōu)勢,應(yīng)用系統(tǒng)安全團隊需要能夠方便地部署安全策略,并且使該策略一直應(yīng)用于數(shù)據(jù),而無論數(shù)據(jù)位于何處”,Informatica產(chǎn)品營銷部副總裁Julie Lockner說道。
Informatica推出的全新虛擬數(shù)據(jù)機(VDM) Vibe只有一個主要目標:集成并保護任意平臺中的數(shù)據(jù)。這可實現(xiàn)兩方面的優(yōu)勢:
保護云中數(shù)據(jù)的安全。開發(fā)團隊可以定義一個安全策略并將其部署在任意位置,這樣當(dāng)數(shù)據(jù)在云應(yīng)用系統(tǒng)之間移動或在企業(yè)內(nèi)部應(yīng)用系統(tǒng)和云之間移動時,安全策略會始終保護數(shù)據(jù)的安全。
保護來自云的數(shù)據(jù)安全。IT組織現(xiàn)在可以通過虛擬機(虛擬機本身即是云應(yīng)用系統(tǒng))來創(chuàng)建、實施并監(jiān)控安全策略。
“當(dāng)集中控制數(shù)據(jù)安全時,可確保在所有應(yīng)用系統(tǒng)實例中實現(xiàn)更高的一致性”,Informatica企業(yè)戰(zhàn)略服務(wù)部IT副總裁Kristin Kokie表示。“這不僅能夠保護數(shù)據(jù)及滿足合規(guī)性要求,還可以節(jié)省開發(fā)團隊的時間,從而提高效率。并且,所有人都無需再擔(dān)心數(shù)據(jù)安全問題,可以輕松地工作。”
好文章,需要你的鼓勵
新加坡國立大學(xué)研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓(xùn)練AI玩簡單撲克游戲就能讓其數(shù)學(xué)推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學(xué)題目作為訓(xùn)練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學(xué)解題中,為AI訓(xùn)練提供了新思路。
同濟大學(xué)團隊開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學(xué)習(xí)和數(shù)學(xué)優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設(shè)備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學(xué)研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學(xué)習(xí)訓(xùn)練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓(xùn)練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓(xùn)練效率,已在多個任務(wù)上驗證有效性。