IT领导人正在添加更多的安全层,以防止移动威胁。他们使用的是什么工具组合呢? 网络安全已成为企业的优先项,但大多数的领导人都认为,他们的企业仍然面临重大的安全风险——其中,移动漏洞在风险中占重要因素。
在Cisco 的“2016年度安全报告,”中,65%的受访者认为他们面临高级别的安全风险,50%认为,移动是安全漏洞中的高风险。 与此同时, 451 Research在其2016年美国企业移动:IT决策者的调查中,结果显示移动安全是领导人的首要技术优先项目。
的确应该如此,Chris Marsh说,他是451 Research企业移动的研究主任。最近几年,移动功能引入了许多新的漏洞。 智能手机和平板电脑很容易丢失或被盗,员工下载有恶意代码的应用,用户访问恶意的无线网络——所有这些都可能导致数据丢失或盗窃,甚至可以让企业系统暴露给针对性攻击或投机的黑客。
“如果你只是保护一部分,你仍然易受到攻击,” Yuri Diogenes说,他是Fort Worth chapter of the Information Systems Security Association (ISSA)的高级成员,EC-Council University的教授,以及多本IT和安全相关书籍的作者。 作为回应,专家们认为IT高管正在将更多的安全层引入到他们的移动环境中。
专家们认为,在许多企业内,一些战略已经在移动安全平台中站稳脚跟。安全层,包括容器化,本质上,将移动设备上的企业应用和数据与员工的个人信息相隔离,还有移动设备管理(MDM)工具,允许企业远程访问设备,来执行某些安全措施,比如加密,并采取一定的安全措施(比如,从丢失或被盗的设备上删除所有数据)。 这些安全层都属于企业移动管理,在许多企业内,包括设备管理的MDM、安全移动容器、安全内容协作和企业访问控制。
安全层:工具和技术
企业中逐渐出现的工具和技术安全组合包括:
生物识别技术。一些公司,特别是在高度监管的行业,比如金融,已经不再使用密码,甚至双重身份验证,而是使用指纹和其他生物识别技术,来授权设备访问, Nisha Sharma说,她是Accenture Digital旗下Accenture Mobility的总经理。
监控。监控网络上的流量,并发现来自移动设备的可疑活动,比如用户试图与受限的数据进行交互,这一战略在越来越多的企业中使用。监控允许企业“知道哪些移动设备连接到他们的网络中,特别是通过无线入口,以及他们的网络面对何种潜在的数据泄漏和恶意软件,” Andrea Hoy解释道,他是ISSA International Board of Directors的主席。“有专门的工具,监控无线接入,可以通过无线网络检测到流氓设备,没有监控的情况下,很难发现。”
先进的测试工具。供应商已经引入了更多的工具,允许开发人员更好的测试,以确保企业内使用的移动应用的安全性,Sharma说。这些工具可用于内部应用,以及公开应用。
MAM。移动应用管理(MAM)软件与MDM技术类似,但是不是针对设备,它适用于应用, Diogenes解释道。MAM通常受到有BYOD政策的企业欢迎,那些企业的员工不希望公司控制他们的设备。MAM还允许企业为每个应用定制用户体验。此外,因为MAM不管理设备,员工可以在不事先与公司注册设备的情况下,使用新的或不同的移动设备。不过,MAM需要更多的IT资源来管理,Diogenes说。它可能并不适合每一个企业。MDM允许企业验证用户和设备,而一些企业,尤其是那些具有高安全需求的,需要双重认证。
好文章,需要你的鼓励
美国连锁超市巨头Albertsons正在基于Databricks构建商品智能平台,整合产品、定价、促销与陈列等决策功能,目标是在2026年底前全面向门店运营商落地。该平台以Databricks Lakehouse存储零售数据,通过Unity Catalog与AI Gateway实现数据治理,并借助AI智能体Genie支持自然语言查询,帮助商家洞察销售趋势,提升决策效率。此举是Albertsons今年四项AI核心战略投资之一。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
微软正将Windows 11打造成真正的AI操作系统。在Build大会上,微软展示了AI模型与智能代理如何深度融合进Windows 11,让用户通过自然语言完成系统操作。借助Windows ML框架,超过5亿台PC已可在本地离线运行AI任务,无需联网、无token费用、数据不离设备。Office、Photos、Teams等应用已支持本地AI能力,Adobe、WhatsApp、Canva等第三方也在积极跟进,企业级AI PC采购需求有望加速。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。