5G建设与各种自动化与智能化的需求,推动着物联网应用在各领域的部署飞速发展。然而,随着网络节点的增多,意味着会有更多潜在的安全隐患。为此,英飞凌科技股份有限公司(FSE:IFX / OTCQX:IFNNY)作为全球电源系统和物联网领域的半导体领导者,与专业数据信息安全服务厂商全景软件合作,共同开发全景IoT安全解决方案。此次合作结合将双方在软硬件领域的优势,强化物联网设备的数据信息安全防护,协助提升企业连网设备的安全性,使产品符合国际数据信息安全标准及规范,同时能更契合市场需求,拥有拓展全球市场的竞争力。
全景软件与英飞凌合作,强化物联网设备的数据信息安全防护
据Global Platform预估,2025年物联网设备出货量将达到约750亿台。其中却仅有4%的设备会考虑到数据信息安全机制。物联网设备的生产大幅增加,但应对安全风险的考量及措施却未能跟上脚步,这将是物联网发展的一大隐患。综观AWS IoT / Azure IoT等公有云数据信息安全规范以及国际物联网数据信息安全标准,包括智慧电网IEC 61850、电动车及充电桩相关ISO 21434 / ISO15118-20 / OCPP、工控连网设备及系统IEC 62443、半导体数据信息安全SEMI E187等标准,均已采用零信任网络架构。设备制造商在设计和生产产品的同时,也需要考量数据信息安全的合规性。
全景IoT安全解决方案基于设备的安全芯片信任根(RoT)及设备凭证PKI管理(Public Key Infrastructure)机制,为物联网环境建立“零信任网络架构”,以应对内外网边界逐渐模糊的现况,助力确认设备的合法性,预防设备软件平台被篡改、或软固件的不合法更新,保障TLS传输安全通道,保护加密敏感资料,确保设备间资料传输的安全,使用户在享有物联网带来便捷生活的同时,也能保证相关信息的安全。
零信任架构强调,每次连接和存储网络资源时,都必须通过认证且授予权限,对于设备的身份认证,则需要其通过内含密钥或凭证进行认证。全景IoT安全解决方案采用通过 Common Criteria认证的英飞凌 OPTIGA™ TPM 以及 OPTIGA™ Trust M安全芯片,拥有独立的微处理器和存储区域,可与设备终端操作系统、应用软件的运行环境进行物理隔离,具有高度安全性,其安全启动、访问、存储等核心功能,将能有效抵御黑客攻击。
英飞凌科技大中华区安全互联系统事业部总监田沛灏表示:“物联网应用正在许多领域快速发展,数据信息安全隐患也随之增加,对设备制造商、企业乃至于消费者带来了许多潜在风险。作为推广独立硬件安全芯片的领导厂商,我们很高兴能发挥英飞凌在数据信息安全领域逾30年技术积累的优势,结合合作伙伴全景在软件及集成方面的专长,为各类物联网应用打造高端的安全防护。”
全景总经理杨文和表示:“全景专注于人、事、物的身份认证,全景IoT安全解决方案是基于验证设备身份的概念发展而成。通过结合英飞凌硬件安全芯片技术,软硬件技术结合,双管齐下,全景IoT安全解决方案将为物联网设备的信息安全构建符合国际数据信息安全标准的防护。英飞凌与全景携手,将设备数据信息安全推广至城市、企业、工业、医疗、零售、家庭等应用领域。”
全景IoT安全解决方案已于2022年11月上市,如需了解更多相关信息,请访问:https://www.changingtec.com/security_chip.html。
更多产品信息,请参考全景软件官网:https://www.changingtec.com/。
好文章,需要你的鼓励
VisTA是一种新型强化学习框架,使视觉AI能够自主探索、选择和组合多种视觉工具。与传统方法不同,VisTA无需人工监督,通过反复尝试学习哪些工具最有效。研究团队在ChartQA、Geometry3K等测试中证明,VisTA显著优于训练免费基线,特别是在分布外样本上表现更佳。其核心创新在于使用群体相对策略优化算法,让AI代理能够根据实际性能而非预设规则来选择工具,为未来发展更灵活的视觉推理系统铺平了道路。
这项研究引入了DFIR-Metric,首个专门评估大语言模型在数字取证与事件响应领域能力的基准测试集。由阿布扎比技术创新研究院领导的国际团队开发的测试包含三个部分:700道理论多选题、150个CTF风格的实际挑战,以及500个基于NIST标准的磁盘与内存取证案例。研究测试了14种顶尖大语言模型,发现虽然它们在理论知识方面表现良好(最高达92.75%准确率),但在需要多步推理的实际取证任务中仍存显著差距(最佳模型仅能解决28%的任务)。
Meta研究团队发现大语言模型在复杂推理任务中,更短的"思考链"反而能带来更高的准确率。研究人员通过三个顶级语言模型的实验证明,选择最短思考链可以比随机选择提高18.8%准确率,比最长思考链提高34.5%准确率,同时显著减少计算资源消耗。基于此,他们提出了"short-m@k"方法,只从最先完成的m个思考中选择答案,既能提高模型表现又能节省高达40%的计算资源。这一发现颠覆了"思考越多越好"的传统观念,为更高效的AI推理开辟了新路径。