InfoWatch ARMA Стена включен в Реестр российского ПО

InfoWatch ARMA Стена включен в Реестр российского ПО

InfoWatch ARMA Стена включен в Реестр российского ПО

InfoWatch ARMA Стена (NGFW), межсетевой экран для корпоративного сегмента, включен в Реестр российского программного обеспечения. Это дает возможность использовать InfoWatch ARMA Стена в тех организациях, которые должны перейти на отечественное ПО и СЗИ (включая субъекты КИИ).

Программный комплекс InfoWatch ARMA Стена (NGFW) включен в Реестр российского программного обеспечения по классам «Межсетевые экраны», «Средства выявления и предотвращения целевых атак» и «Средства обнаружения и/или предотвращения вторжений (атак)».

Кроме того, решение проходит лабораторные испытания для сертификации по профилю защиты межсетевой экран типов Б и Д. На 2025 год запланирована сертификация по типам А и ММЭ (многофункциональный межсетевой экран).

InfoWatch ARMA Стена (NGFW) – это полностью самостоятельная разработка InfoWatch ARMA. Решение предназначено для обеспечения комплексной защиты сетевой инфраструктуры.

В его основе лежит современная аппаратная платформа российского производства и принципиально новая программная архитектура, учитывающая особенности корпоративных протоколов и требований как к производительности (до 10 Гбит/с), так и к функциональности.

В сентябре InfoWatch ARMA Стена (NGFW) успешно прошел независимое тестирование в формате vendor-agnostic в лаборатории «Инфосистемы Джет». По результатам тестов решение продемонстрировало производительность 6,2 Гбит/с.

«При разработке и развитии InfoWatch ARMA Стена (NGFW) мы ориентируемся на ключевые требования современного рынка – высокая надежность решения, интегрируемость и удобство использования. Включение в Реестр российского ПО подтверждает, что наш межсетевой экран для корпоративного сегмента полностью соответствует необходимым стандартам и требованиям, в том числе по импортозамещению, и готов к внедрению в любой организации, включая субъекты критической инфраструктуры», – отмечает технический директор InfoWatch ARMA Владимир Садовников.

AM LiveПодписывайтесь на канал "AM Live" в Telegram, чтобы первыми узнавать о главных событиях и предстоящих мероприятиях по информационной безопасности.

Языковые модели тупеют от мусорных данных из интернета

Группа исследователей из Университета Техаса и Университета Пердью предложила необычную идею: большие языковые модели (LLM), вроде ChatGPT, могут «тупить» от некачественных данных примерно так же, как люди — от бесконечных часов в соцсетях.

В отчёте специалисты выдвигают «гипотезу гниения мозга LLM». Суть проста: если продолжать дообучать языковую модель на «мусорных» текстах из интернета, она со временем начнёт деградировать — хуже запоминать, терять логику и способность к рассуждению.

Авторы понимают, что отличить хороший контент от плохого сложно. Поэтому они решили изучить 100 миллионов твитов с HuggingFace и отобрать те, что подходят под определение «junk».

В первую группу попали короткие твиты с большим количеством лайков и репостов — те самые, которые вызывают максимальное вовлечение, но несут минимум смысла. Во вторую — посты с «низкой семантической ценностью»: поверхностные темы, кликбейт, громкие заявления, конспирология и прочие «триггерные» темы.

 

Чтобы проверить качество отбора, результаты GPT-4o сверили с оценками трёх аспирантов — совпадение составило 76%.

Учёные обучили четыре разные языковые модели, комбинируя «мусорные» и «качественные» данные в разных пропорциях. Потом прогнали их через тесты:

  • ARC — на логическое рассуждение,
  • RULER — на память и работу с длинным контекстом,
  • HH-RLHF и AdvBench — на этические нормы,
  • TRAIT — на анализ «личностного стиля».

Результаты оказались любопытными: чем больше в обучающем наборе было «интернет-мусора», тем хуже модель справлялась с задачами на рассуждение и память. Однако влияние на «этичность» и «черты личности» было неоднозначным: например, модель Llama-8B с 50% «мусора» даже показала лучшие результаты по «открытости» и «низкой тревожности».

Исследователи сделали вывод: переизбыток интернет-контента может привести к деградации моделей и призвали разработчиков тщательнее отбирать данные для обучения. Особенно сейчас, когда всё больше онлайн-текста создаётся уже самими ИИ — и это может ускорить эффект так называемого model collapse, когда модели начинают обучаться на собственных ошибках.

Учёные шутят: если так пойдёт и дальше, возможно, придётся вернуться к книгам — хотя бы ради того, чтобы «накормить» модели чем-то действительно качественным.

AM LiveПодписывайтесь на канал "AM Live" в Telegram, чтобы первыми узнавать о главных событиях и предстоящих мероприятиях по информационной безопасности.

RSS: Новости на портале Anti-Malware.ru