Veeam 日前开始设立 Splunk 连接器,以便用 Splunk 监控 IT 基础架构的客户能够监控 Veeam Backup 并获得有关问题的警报信息。
思科旗下的 Splunk 可从多个来源捕获、存储、索引和关联机器生成的实时 IT 基础架构数据。用户可以访问 Splunk 仪表板,监控基础架构并处理相关的问题。Splunk 称,《财富》500 强企业中有 92 家公司是旗下安全信息和事件管理(SIEM)软件的客户。Veeam 的备份和恢复产品拥有 50 多万客户,其中的大型企业客户也可能是 Splunk 的客户。Veeam App for Splunk 将 Veeam 加进了数据源。
首席运营官 John Jester 在一份声明中表示,“Veeam致力为每一位客户提供数据恢复能力,包括与领先的安全平台的紧密整合。”
该应用程序将与 Splunk 用户角色和位置管理进行整合,可处理由 Veeam Backup & Replication 发送到 syslog 服务器的事件,并为 Splunk 用户提供以下功能:
Jester 表示,“安全专业人员可以通过详细的仪表板、报告和警报利用 Splunk 密切监控他们的Veeam备份环境。应对网络攻击需要跨基础架构的整合,Veeam App for Splunk 可以将 Veeam 事件数据引入 Splunk,客户因而能够使用现有工具监控勒索软件、意外删除、恶意软件和其他网络威胁等安全事件。”
Veeam ONE v12.1 引入了 Syslog SIEM 集成。企业通常倾向于使用单一的 SIEM 设施,不必逐个检查应用程序(如 Veeam ONE)的安全状态和活动。Jester 很清楚这一点,他表示,“这意味着企业可以快速、轻松地在他们的 Veeam 备份环境中处理重要的监控和事件数据,这些可以在他们可能正在监控的其他源环境的同一个界面中呈现。”
Veeam 正在逐步成为企业友好型解决方案。Splunk 连接器的引入表明,Veeam 将追随竞争对手 Cohesity、Commvault、Druva、Rubrik 和 Veritas 的脚步,这些公司已经整合了 Splunk。Veeam 已经可以通过发送系统日志数据、SNMP陷阱和其他日志数据与Graylog、IBM的QRadar、Micro Focus ArcSight、LogRhythm和AlienVault 进行整合。Splunk App 是 Veeam 在 SIEM 整合道路上迈出的一步。
Veeam正稳步向企业级解决方案迈进。通过这个Splunk连接器,它正追随竞争对手Cohesity、Commvault、Druva、Rubrik和Veritas的脚步,这些公司已经有了Splunk集成。Veeam已经可以通过发送系统日志数据、SNMP陷阱和其他日志数据与Graylog、IBM的QRadar、Micro Focus ArcSight、LogRhythm和AlienVault进行集成。这个Splunk应用是Veeam在SIEM集成道路上的又一进步。
Veeam App for Splunk 支持 Splunk Enterprise 9.1.0 及更高版本和 Splunk Cloud Platform 9.1.2308 及更高版本,现在可以通过此处的 Splunkbase 购买。Veeam Data Platform 高级或高级许可证可免费提供 Veeam App for Splunk,其中包括 syslog 事件转发支持。
好文章,需要你的鼓励
数字孪生技术正在改变网络安全防御模式,从被动响应转向主动预测。这种实时学习演进的虚拟副本让安全团队能够在威胁发生前预见攻击。组织可以在数字孪生环境中预演明日的攻击,将防御从事后反应转变为事前排演。通过动态更新的IT生态系统副本,团队可在真实条件下压力测试防御体系,模拟零日漏洞攻击并制定应对策略,从根本上重塑网络安全实践方式。
香港中文大学联合上海AI实验室推出Dispider系统,首次实现AI视频"边看边聊"能力。通过创新的三分式架构设计,将感知、决策、反应功能独立分离,让AI能像人类一样在观看视频过程中进行实时交流,在StreamingBench测试中显著超越现有系统,为教育、娱乐、医疗、安防等领域的视频AI应用开启新可能。
Linux内核开发面临动荡时期,Rust语言引入引发摩擦,多名核心开发者相继离职。文章介绍了三个有趣的替代方案:Managarm是基于微内核的操作系统,支持运行Linux软件;Asterinas采用Rust语言开发,使用新型framekernel架构实现内核隔离;Xous同样基于Rust和微内核设计,已有实际硬件产品Precursor发布。这些项目证明了除Linux之外,还有许多令人兴奋的操作系统研发工作正在进行。
Atla公司发布Selene Mini,这是一个仅有80亿参数的AI评估模型,却在11个基准测试中全面超越GPT-4o-mini。通过精心的数据筛选和创新训练策略,该模型不仅能准确评判文本质量,还能在医疗、金融等专业领域表现出色。研究团队将模型完全开源,为AI评估技术的普及和发展做出贡献。