Gartner发布了影响安全支出增长的三个因素。这三个因素分别是:远程和混合办公模式的增加、从虚拟专用网络(VPN)向零信任网络访问(ZTNA)的过渡以及向云端交付模式的转变。
Gartner高级研究总监Ruggero Contu表示:“疫情加快了企业采用混合办公模式和上云的速度,同时企业也变得日益分散,这给负责保护企业安全的首席信息安全官出了一道难题。”
他表示:“现代首席信息安全官需要关注由于上云、信息技术(IT)/运营技术(OT)与物联网(IoT)的融合、远程办公、第三方基础设施集成等数字化转型举措而扩大的受攻击面。为了应对这些问题所带来的新漏洞与风险,企业机构越来越需要云安全、应用安全、零信任网络访问(ZTNA)、威胁情报等技术和服务。”
2023年的信息安全与风险管理产品和服务支出预计将超过1883亿美元,增长11.3%。云安全预计将成为未来两年增长最强劲的类别。随着企业机构越来越重视环境、社会和治理(ESG)、第三方风险、网络安全风险以及隐私风险,Gartner预测综合风险管理(IRM)市场到2024年底将实现两位数增长,直到更激烈的竞争产生更便宜的解决方案。
包括咨询、硬件支持、实施和外包服务在内的安全服务是支出最高的类别。该类别在2022年的支出达到近720亿美元,预计2023年将达到765亿美元(见表一)。
表一
2021-2023年全球信息安全与风险管理细分市场终端用户支出(单位:百万美元)
来源:Gartner(2022年10月)
远程办公继续推动投资
2022年之后,企业机构将越来越需要能够实现安全远程和混合办公环境的技术。为了创建安全的居家办公环境,企业机构正在探索能够快速获得投资回报的解决方案。因此,网络应用防火墙(WAF)、访问管理(AM)、端点保护平台(EPP)、安全网络网关(SWG)等技术至少在2022年底之前仍存在短期需求。
零信任网络访问保持增长
由于远程工作者对零信任保护的需求日益增加并且企业机构正在减少使用虚拟专用网络进行安全访问,零信任网络访问(ZTNA)已成为增长最快的网络安全细分市场。预计该市场在2022年和2023年将分别增长36%和31%。随着对零信任网络访问的熟悉,越来越多的企业机构不仅将它用于远程办公用例,还将它用于办公室中的工作者。
根据Gartner的预测,到2025年,至少70%新部署的远程访问服务将主要使用零信任网络访问而非虚拟专用网络服务。而在 2021年底,这个比例还不到10%。
向云端交付模式转变
企业机构由于多云环境而面临着更大的安全风险以及操作和管理多种技术的复杂性。Gartner表示这将推动云安全的发展,并且云原生解决方案的市场份额也将增长。
云访问安全代理(CASB)和云工作负载保护平台(CWPP)所组成的市场将在2023年达到67亿美元,增长26.8%。未来几年,企业机构对端点检测和响应(EDR)、托管检测和响应(MDR)等云端检测和响应解决方案的需求也将增加。
Gartner客户可在“预测分析:全球信息安全和风险管理”和“预测:2020-2026年全球信息安全和风险管理,2022年第三季度更新”中了解更多信息。
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。