勒索软件往往令企业防不胜防。可能仅仅只是点击了一个看起来没有丝毫可疑之处的链接,勒索软件就趁势进入了企业环境。为减轻勒索软件攻击带来的影响,企业需要迅速响应,并快速恢复。Commvault勒索软件保护和恢复为企业提供全面的解决方案。这种解决方案包含基于NIST网络安全框架和零信任原则的多层安全模式,从air gap到零信任帮助企业实现勒索软件保护和恢复。
从A(air gap)到Z(zero trust),抵御勒索软件
Commvault提供强大的勒索软件保护和恢复支持,包括创建air gap备份副本,从而帮助企业实现安全的场外存储,以及集中管理,从而帮助企业监测整体环境。
Commvault Complete™ Data Protection在云中提供了一个简单、安全的air gap存储目标。Metallic® Recovery Reserve™已经全面地集成到了Commvault的软件、SaaS、混合云和基于一体机的备份产品中,简化了向基于云的数据保护的迁移。
Commvault Command Center™是一个单一的管理控制台。无论企业数据位于何处,它都能提供集中的可见性和管理。几个仪表盘为企业提供高级的工具,以及对数据保护环境的出色可见性。安全健康评估仪表盘让IT管理员可以在一个地方进行快速增强安全态势、实时识别风险、采取纠正措施和快速恢复数据等工作。零信任原则被用于管理员安全性,例如多因素身份验证、Yubikey和通用访问卡(CAC)支持。
更多支持,更多保护
Commvault数据管理和保护还提供许多其他支持,为企业提供更进一步的勒索软件保护和恢复:
· 不可变存储:确保被保护的数据不会被未经授权的用户恶意或意外修改或删除。不可变性是保护数据抵御勒索软件攻击的第一层防御。Commvault支持企业为不可变存储选择云或存储平台,并且还为企业提供Commvault HyperScale™ X,帮助企业节省实施和管理时间。Commvault HyperScale™ X可以作为一个全集成一体机或一个使用软硬件组合的参考设计来提供不可变存储。
· 识别企业的业务关键数据:了解企业数据,清楚数据的内容和位置。企业可以通过确保文件得到适当的保护,并符合服务水平协议,来减少攻击面。Commvault文件存储优化可以帮助企业识别企业的业务关键数据,以便企业从外部和内部威胁(如意外或恶意的删除)中保护数据。
· 保护个人可识别信息(PII):从内外部的威胁中,保护个人可识别信息。通过识别、保护、移动和移除个人可识别信息文件,降低恶意软件导致的数据丢失风险。Commvault Data Governance可以帮助企业识别敏感数据,使企业可以采取适当的策略对其进行保护。
· 在企业需要时,为企业提供额外的帮助和专业知识:Commvault勒索软件保护与响应服务为企业提供相应专家,帮助企业在攻击中加固Commvault解决方案,并检查企业的环境状态。当攻击发生,专家也可以为企业回归正常的业务运营提供帮助。
当企业充分发挥数据恢复的作用时,数据恢复可为企业业务带来弹性,节省宝贵的时间,挽救企业的收入和信誉。Commvault通过其智能数据服务平台进一步扩展了其勒索软件保护和恢复能力。重要的是,这些功能是集成的,可以通过Commvault Command Center™进行管理。Commvault为企业提供Commvault Complete™ Data Protection的核心能力以及更多,从A(air gap)到Z(zero trust),帮助企业在面对勒索软件时实现保护和恢复。
好文章,需要你的鼓励
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AI虽具备变革企业洞察力的潜力,但成功依赖于数据质量。大多数AI项目失败源于数据混乱分散而非算法局限。谷歌BigQuery云数据AI平台打破数据孤岛,简化治理,加速企业AI应用。通过AI自动化数据处理,实现实时分析,并与Vertex AI深度集成,使企业能够高效处理结构化和非结构化数据,将智能商业转型从愿景变为现实。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。