虚拟化软件巨头VMware今天宣布将收购一家名为Lastline的反恶意软件研究初创公司,以助其更好地检测复杂的网络威胁。
VMware表示,预计将在7月底完成对Lastline的收购,通过增加以网络为中心的威胁研究和行为分析,提升Carbon Black Threat Analysis Unit部门的能力。Lastline的员工中有一些学术网络安全研究人员,他们将加入VMware。
VMware高级副总裁、网络安全业务总经理Tom Gillis在宣布这次收购交易的博客文章中写道:“交易完成之后,我们将把一支世界一流的网络反恶意软件研究人员、开发人员、投入市场的安全专家团队,整合到VMware NSX团队中。”
根据Crunchbase的数据,Lastline有156名员工,自2011年成立以来,已经在六轮融资中累积获得5.22亿美元资金。但是据TechCrunch报道,VMware计划在完成收购之后裁掉约40%的Lastline员工。VMware和Lastline均拒绝对此发表评论。
Lastline首席执行官John DiLullo在博客中写道:“通过与VMware携手,我们将能够为客户提供更多功能,将面向数据中心、分支机构以及远程和移动用户的全方位安全解决方案推向市场。”
Lastline有15名博士和学者,其中有几位是全球顶尖的安全威胁研究人员。Gillis说,Lastline还因将“结构和严谨性”带入恶意软件研究领域而受到赞誉。他说,Lastline与Carbon Black的合并,将让VMware能够更好地了解恶意软件创建者的动机和策略。
Gillis解释说,Lastline的产品使用“完整系统仿真”来更深入地研究恶意软件执行的每条指令,从而使研究人员更深入地了解其工作原理,这样反过来能够使Lastline检测和缓解各种相关类型的恶意软件。
Gillis这样写道:“Lastline系统检测到的恶意文件数量,是基于签名的系统的两倍。Lastline每天运行超过500万个文件样本,可以保护全球1000多个企业组织(包括全球TOP10金融机构中的5个)的2000多万用户。”
他说,VMware的NSX架构将帮助Lastline极大地扩展覆盖面,跨数万个核心执行网络分析,而无需利用网络流量。他说,通过提供更大范围的工作负载环境信息,恶意软件分析将成为Carbon Black端点检测和响应服务的一个关键组成部分。
DiLullo表示,Lastline将帮助VMware提供更广泛的网络安全工具,补充VMware的云、数据中心和工作负载保护现有产品。
“很少有安全公司能达到Lastline与VMware合体之后所具有的网络和端点功能广度。”
VMware最近几个月在安全领域有不少大动作,先是在2019年8月以21亿美元收购Carbon Black;然后在2020年1月收购了网络分析初创公司Nyansa,以改善VeloCloud SD-WAN平台的监控、网络和修复能力。三周前,VMware收购了Kubernetes安全初创公司Octarine,以增强自己在Carbon Black Cloud和AppDefense安全产品。
Constellation Research分析师Holger Mueller说:“就像时钟一样准确,我们看到了VMware又一次发起了收购。这次收购的思路没变,都是为了加强VMware的网络安全能力。Carbon Black部门的发展会越来越好,因为远程办公的白热化,将让它对于企业保护网络的重要性更加突显出来。”
好文章,需要你的鼓励
本文评测了六款控制台平铺终端复用器工具。GNU Screen作为老牌工具功能强大但操作复杂,Tmux更现代化但学习曲线陡峭,Byobu为前两者提供友好界面,Zellij用Rust编写界面简洁易用,DVTM追求极简主义,Twin提供类似TurboVision的文本界面环境。每款工具都有各自特点和适用场景。
韩国汉阳大学联合高通AI研究院开发出InfiniPot-V框架,解决了移动设备处理长视频时的内存限制问题。该技术通过时间冗余消除和语义重要性保留两种策略,将存储需求压缩至原来的12%,同时保持高准确性,让手机和AR眼镜也能实时理解超长视频内容。
网络安全公司Snyk宣布收购瑞士人工智能安全研究公司Invariant Labs,收购金额未公开。Invariant Labs从苏黎世联邦理工学院分拆成立,专注于帮助开发者构建安全可靠的AI代理工具和框架。该公司提供Explorer运行时观察仪表板、Gateway轻量级代理、Guardrails策略引擎等产品,并在工具中毒和模型上下文协议漏洞等新兴AI威胁防护方面处于领先地位。此次收购将推进Snyk保护下一代AI原生应用的使命。
纽约大学研究团队通过INT-ACT测试套件全面评估了当前先进的视觉-语言-动作机器人模型,发现了一个普遍存在的"意图-行动差距"问题:机器人能够正确理解任务和识别物体,但在实际动作执行时频频失败。研究还揭示了端到端训练会损害原有语言理解能力,以及多模态挑战下的推理脆弱性,为未来机器人技术发展提供了重要指导。