至顶网CIO与CTO频道 06月24日 北京消息: 根据全球领先的信息技术研究和顾问公司Gartner最新预测,全球信息安全与风险管理技术和服务领域的支出在2020年将持续增长,但增速将低于此前的预期。
2020年全球信息安全类支出预计将增长2.4%,达到1238亿美元(参见表1)。这一增幅低于Gartner在2019年12月的更新中预测的8.7%。中国安全市场支出将增长7.5%,达到299亿人民币(参见表2)。新冠疫情大流行促进了若干领域里的短期需求增长,例如部署云计算,远程工作技术(remote worker technologies)以及成本节约措施(cost saving measures)等。
Gartner管理副总裁Lawrence Pingree先生表示:“与IT行业的其他领域 一样,我们预计安全领域也将受到新冠疫情的负面影响。总体而言,我们认为2020年安全软件与服务领域的增长都将有所放缓并下降。”
“但仍有一些因素在支持着某些安全市场领域,例如基于云的产品与订阅受到需求或交付模型的支持,一些安全类支出将不会被随意支配,积极趋势也不能被忽略。” Lawrence Pingree先生表示。
表1:
2019-2020全球各项安全类支出预测 (单位:百万美元)
市场领域 |
2019 |
2020 |
增长率 (%) |
应用安全 |
3,095 |
3,287 |
6.2 |
云安全 |
439 |
585 |
33.3 |
数据安全 |
2,662 |
2,852 |
7.2 |
身份访问管理 |
9,837 |
10,409 |
5.8 |
基础设施保护 |
16,520 |
17,483 |
5.8 |
综合风险管理 |
4,555 |
4,731 |
3.8 |
网络安全设备 |
13,387 |
11,694 |
-12.6 |
其他信息安全软件 |
2,206 |
2,273 |
3.1 |
安全服务 |
61,979 |
64,270 |
3.7 |
客户安全软件 |
6,254 |
6,235 |
-0.3 |
总计 |
120,934 |
123,818 |
2.4 |
因采用四舍五入计算方式,某些数字加合可能并不完全等于所示总数
来源:Gartner(2020年6月)
表2:
2019-2020中国各项安全类支出预测 (单位:百万人民币)
市场领域 |
2019 |
2020 |
增长率 (%) |
应用安全 |
848 |
945 |
11.5 |
客户安全软件 |
1,336 |
1,448 |
8.3 |
数据安全 |
565 |
616 |
9.0 |
身份访问管理 |
1,730 |
1,852 |
7.1 |
基础设施保护 |
2,139 |
2,318 |
8.4 |
综合风险管理 |
97 |
106 |
9.9 |
网络安全设备 |
7,518 |
7,111 |
-5.4 |
其他信息安全软件 |
379 |
395 |
4.2 |
安全服务 |
13,173 |
15,078 |
14.5 |
总计 |
27,784 |
29,869 |
7.5 |
因采用四舍五入计算方式,某些数字加合可能并不完全等于所示总数
来源:Gartner(2020年6月)
根据Gartner的研究,向基于云的交付模式的不断转变使得安全市场对整体下滑的抵御能力与有所增强,2019年基于云的总体安全部署平均渗透率已达12%。基于云的交付模式在诸如安全电子邮件以及Web网关等市场领域的部署率以高达50%以上。
今年的支出削减将对网络安全设备领域造成最严重影响,包括防火墙设备(firewall equipment)以及入侵检测与防御系统(IDPS)。2020年消费者在安全软件领域的支出预计也将下降。
请访问Gartner新冠病毒资源中心,进一步了解如何引导企业机构渡过新冠疫情停摆期。该资源中心汇聚了Gartner研究报告和研讨会资料,可以帮助企业机构为新冠疫情在全球的迅猛蔓延做好应对、管理和准备。
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。