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
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
AI代码编辑器开发商Cursor完成23亿美元D轮融资,估值达293亿美元。Accel和Coatue领投,Google、Nvidia等参与。公司年化收入已突破10亿美元。Cursor基于微软开源VS Code打造,集成大语言模型帮助开发者编写代码和修复漏洞。其自研Composer模型采用专家混合算法,运行速度比同等质量模型快四倍。公司拥有数百万开发者用户,将用新资金推进AI研究。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。