Обновлённая «Гарда Anti-DDoS» снижает риски простоев при DDoS-атаках

Обновлённая «Гарда Anti-DDoS» снижает риски простоев при DDoS-атаках

Обновлённая «Гарда Anti-DDoS» снижает риски простоев при DDoS-атаках

В обновлённой «Гарда Anti-DDoS» разработчики улучшили механизмы фильтрации HTTP-трафика и анализ журналов веб-серверов с применением машинного обучения, что позволяют эффективнее отражать атаки на уровне приложений.

«Гарда Anti-DDoS» направлена на повышение защиты цифровых сервисов и сокращение времени простоя при DDoS-атаках

Система выявления и подавления «ковровых» DDoS-атак теперь работает быстрее благодаря возможности точечной настройки для отдельных объектов защиты.

Оптимизированные методы детектирования и подавления атак сокращают время реагирования, а доработанный интерфейс и подсказки делают настройку более удобной.

По словам руководителя группы продуктов «Гарда Anti-DDoS» Вадима Солдатенкова, автоматизация и машинное обучение помогают упростить защиту от DDoS-атак и снизить нагрузку на персонал. В дальнейшем планируется доработка механизмов выявления и подавления импульсных атак.

Напомним, центр компетенций группы компаний «Гарда» провел исследование DDoS-атак в 2024 году. Один из ключевых выводов — злоумышленники все чаще нацеливаются на сервисы, а не на истощение каналов передачи данных.

Подпишитесь на новости

Не просто стойка с GPU: в России собрали ПАК для корпоративного ИИ

«Лаборатория Числитель» и «Информзащита» представили программно-аппаратный комплекс, который должен помочь крупным компаниям перейти от вечных ИИ-пилотов к нормальной промышленной эксплуатации моделей. Решение анонсировали на форуме TNF-2026.

В основе ПАК — высокопроизводительный ML-кластер и российская платформа контейнеризации «Штурвал». Но создатели подчёркивают: это не очередная дорогая стойка с GPU, на которой каждый проект приходится собирать руками.

Комплекс превращает вычислительные мощности в единый управляемый ресурс. ML-специалист запускает задачу, а платформа сама выделяет CPU и GPU, поднимает нужное окружение, подключает хранилище, запускает обучение и масштабирует нагрузку. Для автоматизации используются Kubernetes и инструменты MLOps, включая Kubeflow, MLflow и model serving.

Архитектура состоит из четырёх уровней: аппаратной инфраструктуры, платформы «Штурвал», MLOps-стека и прикладных ИИ-сервисов — от прогнозирования и аналитики до корпоративных ассистентов. Вокруг ядра работают IAM/SSO, объектное хранилище, реестр образов, CI/CD, мониторинг и аудит.

Заказчики получают единый пул вычислительных ресурсов, изоляцию проектов, централизованное управление доступами и полный жизненный цикл моделей — от эксперимента до публикации и обновления. При этом ML-инструменты не лезут напрямую в железо, а получают инфраструктуру как сервис.

Как сообщается в публикации о проекте, архитектура уже прошла промышленную эксплуатацию у крупного государственного заказчика.

RSS: Новости на портале Anti-Malware.ru