NetApp今天发布了一项全新的网络安全服务Spot Security,以推动公有云业务的年化收入在未来几年内突破10亿美元。
和其他数据中心厂商一样,随着越来越多的企业客户开始把工作负载转移至外部,NetApp也将自身的产品路线图重点更多地转移到公有云上。
Spot Security是一项专门保护公有云环境的网络安全服务,它可以映射出云环境的所有组件,识别出那些配置不安全且有可能被黑客利用发起攻击的资源,此外还可以检测出可能导致数据泄露的异常用户行为。
Spot Security最大的亮点之一,是它不仅可以发现、还可以优先处理那些潜在的网络安全问题。现在IT团队面临一个共同挑战,那就是他们的网络安全工具会生成大量警报,但导致数据泄露的可能性又很小。因此管理员把大量时间浪费在调查误报上,而不是去解决更紧迫的问题。NetApp称,Spot Security能够找出最严重的漏洞,从而会简化IT团队的工作。
Spot Security通过分析企业云环境的拓扑结构,来确定哪些问题是最紧迫的。它会绘制出易受攻击的资源如何与环境中其他组件相连接的,以评估潜在漏洞的影响,此外通过评估多种类型的操作数据(包括有关网络流量和用户活动的信息,以及云厂商应用编程接口的数据)来做出决策。
在公有云中,快速查找和修复网络安全问题是非常重要的,因为企业组织的部署经常发生变化,有时甚至一天发生多次,每次更改部署配置或者更新应用,都有可能将网络安全漏洞引入环境,因此必须在黑客发现这些漏洞之前就快速检测并进行修复。
云环境经常变化的原因之一,是企业软件团队越来越多地采用持续集成和持续交付或(CI/CD)工具,这种工具对以前需要大量手动操作更新应用的流程实现了自动化,让开发人员每隔几个小时就可以发布新的代码,而代码频繁更新就意味着漏洞有更多机会进入环境中。
运行在云环境中的应用并非唯一频繁更新的IT资产,有时候底层基础设施资源也会定期更改。
很多企业组织通过使用spot实例来降低运成本,这实际上会导致云提供商数据中心的容量过剩。spot实例的成本低于标准虚拟机,但有一个问题:如果需要,云提供商可以在短时间内回收多余的容量,这时候spot实例就会停止,这也是为什么企业云基础设施资源配置会经常发生变化的原因之一。
帮助企业利用spot实例是NetApp Spot业务部门的重点之一。NetApp于去年收购了该公司,并推出了Spot Security服务。除了新的网络安全服务之外,Spot还提供工具让企业可以更轻松地使用spot实例,并帮助他们运行软件容器集群。
NetApp高级副总裁、Spot总经理Amiram Shachar表示:“我们将利用NetApp的市场声誉,把Spot作为一个引领云原生应用的品牌。”
目前Spot已经成为NetApp增长战略中的一个核心组成部分,更专注于公有云领域。上个季度NetApp的公有云收入(包括Spot)同比增长了155%,达到7900万美元。NetApp公司首席执行官George Kurian曾在今年8月向投资者称,NetApp计划在2025财年之前将公有云产品的年化收入增加至10亿美元。
他表示,NetApp将提供“一流的有机创新和无机创新”来推进这项计划,这里的无机创新,指的是未来可能进行更多收入。去年一年NetApp收购了三家初创公司,今年6月又收购了基于Kubernetes的分析和机器学习专业公司Data Mechanics。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。