Akamai在API安全性、Web级关键业务应用程序用例中获得最高分;此外还被“魔力象限伴读报告”认定为领导者
2019年11月15日——负责提供安全数字化体验的智能边缘平台阿卡迈技术公司(以下简称:Akamai)近日宣布,其连续第二年在Gartner“2019年云Web应用程序防火墙服务的关键能力”(2019 Critical Capabilities for Cloud Web Application Firewalls Services)报告中的“API安全性”和“Web级关键业务应用程序”两个用例中,从12家提供商中脱颖而出并获得最高分,另外在关于“面向公众的Web应用程序用例”提供商中排名第3位。
前不久,Akamai刚刚在Gartner“Web应用程序防火墙魔力象限”(Magic Quadrant for Web Application Firewalls)报告中被认定为领导者,这也是Akamai连续第三年进入“领导者”象限。作为Gartner“Web应用程序防火墙魔力象限”报告的伴读报告,Gartner“关键能力”(Critical Capabilities)报告评估了12家云Web应用程序防火墙(WAF)服务公司的Web应用程序和API保护能力。
该报告对产品的多项能力进行了评估,包括:API安全性、爬虫程序管理、DDoS保护、技术架构、管理和MSS、监测和报告、可扩展性和地理位置、基于规则的控制和签名、主动安全/异常检测、可编程性和向下扩展性。
该报告指出:“云交付Web应用程序防火墙服务的组合方法已成为保护那些面向公众的Web应用程序的首选。到2023年,超过30%的面向公众的Web应用程序和API将由结合了DDoS防护、爬虫程序防御、API防护和Web应用程序防火墙的云Web应用程序与API防护(WAAP)服务进行保护。与目前低于10%的比例相比,这一数字将是一个明显提升。”该报告还有一项重要发现,即Gartner观察到越来越多的企业会评估可以定义云Web应用程序与API防护(WAAP)服务的四个核心能力——Web应用程序防火墙、DDoS防护、爬虫程序管理和API防护。
Akamai Web安全部门产品副总裁Raja Patel表示:“Akamai一直在寻求一种云交付安全策略,以此实现DDoS防护、应用程序安全性、API防护和爬虫程序管理方面的关键能力,并在此过程中借助一个集成式边缘平台,来为跨云基础架构提供可扩展且一致的保护——如今,有84% 的企业都在寻求这种保护。云交付安全解决方案将成为主流的架构选择,我们很高兴看到业界正在朝着这样一种模式迈进,同时也相信Akamai在边缘提供这些集成保护的能力是我们的独有优势。”
本新闻只是近期分析机构对Akamai智能边缘安全能力表示认可的实证之一。Akamai不仅在Gartner“Web应用程序防火墙魔力象限”(Gartner Magic Quadrant for Web Application Firewalls) 中被认定为领导者,还在最新的“Forrester Wave:零信任eXtended生态系统平台提供商”(The Forrester Wave: Zero Trust eXtended Ecosystem Platform Providers)报告中被认定为领导者。此外,Akamai的Kona Site Defender在2019年SC大奖中被评为业内“最佳Web应用程序解决方案”。
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。