在刚刚过去的2022年,中国数据保护和管理市场机遇和挑战并存。新年伊始,Veritas通过分享数据保护领域科技趋势,建议企业不仅需要为破坏性更强的网络攻击做好准备,更需要具备完备的数据保护策略,为新的一年做好准备。
一、2023年,对云预算的审查将更加严格
根据Veritas《确保企业在多云环境下的安全》调研,有86%的中国企业在云预算方面有超支情况出现,平均超支38%。随着数据量的逐年增加,将其储存在云端的成本也在日益上涨。很多企业通过上云实现了先进的业务战略,但目前云支出投资回报率的透明度还是首席执行官们和董事会最关心的。
业内预测明年全球经济将继续下滑,Veritas则预计2023年企业将进一步加强对IT支出的审查,这将给IT团队和领导带来不小的压力,他们不仅需要证明云预算的合理性,还要寻找减少数据量的方法。但另一方面,这可能让数据存储和管理策略变得更有效,例如重复数据删除技术,以确保减少存储消耗。
二、低代码/无代码应用将导致合规问题
低代码/无代码应用开发对各公司应用开发的民主化起到了重要作用。在2023年,低代码/无代码将成为主流,任何企业的非技术员工(公民开发者)将有能力创建自己的应用程序。虽然这将大大减轻IT团队的负担,但它同时会给企业带来很大的合规风险。因为非技术业务员工在安全和隐私保护方面没有技术员工等同的经验,他们开发的大多数应用都无法得到充分的保护,保护条例可能无法精准应用。这不仅会导致企业面临合规问题,应用程序也可能产生新的漏洞,让不法分子有机可乘。
三、供应链短缺将给软件厂商带来压力
软件一直处于创新的前沿,纯软件厂商也在持续向市场提供新的解决方案,但在2023年,硬件供应不足将催生新局面。地缘政治限制和芯片短缺已经严重影响了供应链,尤其是在硬件交付方面。由于无法按时采购硬件,企业一直努力实现软硬件融合以创建功能性解决方案。为了应对供应链困境,2023年企业将迎来基于云的解决方案和提前预绑定软硬件的一体化设备,不再需要处理多重关系,也不用担心硬件短缺。
四、跨云数据移动性将成为主流
根据Gartner的调查,超过75 %的企业正在使用多家公有云服务。尽管多云策略具有灵活性、敏捷性等诸多优点,但跨云操作管理对数据管理人员来说仍是一个难题。数据在不同云端间转移,不仅成本高昂,还可能在企业内形成“孤岛”,从而导致严重的安全漏洞。为了跟上云产品的步伐,实现业务驱动的云目标,企业将开始利用人工智能/机器学习和自治等解决方案,减少孤岛式工作负载,并通过数据的可移植性来增强跨越云平台的数据管理。随着企业攻克跨云操作管理的挑战,并在云中获得更多的主导权,跨云数据移动性将在2023年成为主流。
五、更多的边缘设备意味着更多的漏洞
Gartner预测,到2025年,超过50%的企业管理数据将在数据中心和云端外创建及处理。越来越多的数据处理转移到边缘,这不仅使IT架构变得复杂,同时还增加了被攻击的风险。由于技术和人员的短缺,企业往往不会在边缘采取与数据中心或云中同级别的保护。若想使企业安全无懈可击,就需保护并备份每个边缘设备。除此之外,企业需要确定哪些来自边缘设备的数据是关键性的,哪些是非关键性的,以维持存储和保护成本,了解对IT预算的额外审查。
六、Kubernetes变得举足轻重
在过去的2年里,Kubernetes已经成为主流。容器现在正被用于关键任务环境,因此保护其中的应用程序环境和基础数据十分重要。但这些容器的所有权及其保护变得更加复杂,“孤岛”和混乱丛生,分不清该由备份管理员负责还是DevOps管理员负责。企业需明确哪些容器需要备份以及如何备份,这可能会产生额外的培训费用,以缩小Kubernetes技能差距。在2023年,IT部门将继续为如何充分保护和备份其Kubernetes环境探寻最佳解决方案。
关于 Veritas
Veritas Technologies是多云数据管理领域的领导者。超过八万家企业级客户,包括95%的全球财富100强企业,均依靠Veritas确保其数据的保护、可恢复性和合规性。Veritas在规模化的可靠性方面享有盛誉,可为企业提供抵御勒索软件等网络攻击威胁所需的弹性。Veritas通过统一的平台,支持超过800种数据源,100多种操作系统,1400多种存储设备以及60多类云平台。在云级技术的支持下,Veritas现正在实践其数据自治战略,在提供更大价值的同时,降低运营成本。
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。