Drew Simonis,瞻博网络首席信息安全官
一、 零信任时代在某种程度上已经到来
随着更多的企业采用零信任安全方法,他们将认识到自己仍然需要做许多以前难以实现的、相当困难的工作,尤其是在身份与访问管理(IAM)和行为分析领域。人们开始把零信任看作是业务转型,而不是安全项目,并因此推出新的技术交付模式。
二、 首席信息安全官责任成为聘用最高安全领导层的另一个问题
越来越多的首席信息安全官希望公司在从违规披露到安全软件认证,再到名誉损失的各种情况下提供保障。行政风险保险政策更频繁地包含在招聘中。
三、 网络质保
我们知道保费、自留额和除外事项都在增多。客户可能会开始要求,或者精明的厂商可能会开始提供相关产品的“网络质保”,而不是完全放弃网络保险。例如,当恶意软件突破网络或电子邮件过滤器时协助恢复。
四、 应用程序安全备受关注
软件物料清单(SBOM)只是一个开始,它将揭开许多不良软件组合的面纱。最近,要求遵守NIST SP 800-218和进行特定认证的规定公布后,将使企业重新考虑他们在构建软件时所做的选择。作为服务而不是单体代码库的API优先开发范式和应用程序会赢得支持吗?
五、 安全成为所有人都关心的问题
安全要求的“马车”在疾驰,所有人都想上车。美国开始实施网络安全成熟度模型认证(CMMC)和关键基础设施网络事件报告法(CIRCIA),而且即将实施美国证券交易委员会(SEC)披露规则;欧洲开始实施网络和信息安全指令(NIS2);英国也在扩大网络和信息系统条例(NIS)的实施,这些都表明网络安全举足轻重。由于人才短缺,企业以创造性的方式把新人带入本行业,2023年可能会出现一些新的专业证书要求,就像工程行业那样。
Mike Spanbauer
新冠疫情继续助长危机。充满威胁的“捕食者”在不确定性的世界中大快朵颐。最近几年表明,这些未知为攻击者提供了更多机会,近年来获得成功的攻击方法仍然是主要的威胁。网络钓鱼和其他社会工程机制仍然有效,尽管快速信誉验证已有进步,但最初的几个目标比在活动时间线上稍远的目标更容易受到攻击。这表明依旧有必要对有效的用户意识培训投资,继续改进流程、身份和策略执行,尤其是威胁情报社区的改进。我们在这一方面已经取得了很大的进展,但仍然有进步的空间。尽管风险巨大,仍值得额外投资。
安全访问服务边缘(SASE)的采用将继续加快;但客户现在会更仔细地评估适合他们的解决方案和路径 — 计算不同策略格式和本地原有防火墙管理团队承担额外工作的运行成本,再加上基于新服务的云产品(现有数据中心投资和专用应用程序不会很快被放弃!)。毕竟,格式上的不一致会在策略和安全效力方面产生割裂,而这正是攻击者所需要的。他们只需要一个立足点,一旦绕过最初的策略屏障,那么整个防线都会被击溃。
零信任及其实施方法仍将是所有企业的重要工作。但由于各厂商使用的语言不一致,区分真伪并不容易。从根本上说,企业需要一个方案来确保它们可以在任何地方看到、管理、控制并处理连接。具体而言,零信任概念适用于任何物理或逻辑连接,以及该连接的应用行为或使用策略。每一个连接都应被控制,应根据验证和恰当的应用被许可或拒绝。我指的不仅是连接至WiFi,而是每一个传输控制协议(TCP)或用户数据报协议(UDP)连接,每一个http/s请求或经过可能会损害企业的某个环境的任何事物(是的,这相当于一切,基本无处不在)。为了让客户更轻松有效地选择针对环境中各种需求的解决方案,业界需要技术供应商和详述如何基于框架(例如美国国家标准与技术研究所的框架)进行交付的客户成功案例以达成更坦率和直接的指引。说明是如何实现的,而不是“可能是什么”。
 0赞
0赞好文章,需要你的鼓励
 推荐文章
                    推荐文章
                  杜克大学研究团队建立了首个专门针对Web智能体攻击检测的综合评估标准WAInjectBench。研究发现,现有攻击手段极其多样化,从图片像素篡改到隐藏弹窗无所不包。虽然检测方法对明显恶意指令有中等效果,但对隐蔽攻击几乎无能为力。研究构建了包含近千个恶意样本的测试数据库,评估了十二种检测方法,揭示了文本和图像检测的互补性。这项研究为Web智能体安全防护指明了方向,提醒我们在享受AI便利时必须保持安全意识。
生成式AI的兴起让谷歌和Meta两大科技巨头受益匪浅。谷歌母公司Alphabet第三季度广告收入同比增长12%达742亿美元,云服务收入增长33%至151.5亿美元,季度总收入首次突破千亿美元大关。Meta第三季度收入512.5亿美元,同比增长26%。两家公司都将大幅增加AI基础设施投资,Meta预计2025年资本支出提升至700亿美元,Alphabet预计达910-930亿美元。
加州大学圣地亚哥分校研究团队系统研究了AI智能体多回合强化学习训练方法,通过环境、策略、奖励三大支柱的协同设计,提出了完整的训练方案。研究在文本游戏、虚拟家庭和软件工程等多个场景验证了方法有效性,发现简单环境训练能迁移到复杂任务,监督学习初始化能显著减少样本需求,密集奖励能改善学习效果。这为训练能处理复杂多步骤任务的AI智能体提供了实用指南。
 
             
                 
                     
                     
                    