让威胁管理跟上数据中心奔跑的速度

简介:

在移动互联、大数据、云计算、物联网蓬勃发展的今天,网络已经遍及社会经济的各个领域,但是网络威胁无处不在。一连串高危漏洞写满了2014年的时间卷轴,但这并未让数据中心技术在前进的路上倒下,尤其是在“互联网+”这扇时代之门已经敞开的时候,“软件定一切”的实现更显得尤为重要。但纵观软件定义数据中心的整条生态,软件定义安全(SDS)恰似一场春雨姗姗来迟。

让威胁管理跟上数据中心奔跑的速度 

软件定义安全“绝非炒作”

让威胁管理跟上数据中心奔跑的速度

在Gartner列出的2014数字业务安全九大热门趋势中,软件定义安全排在首位。这并不是炒作,软件定义安全是数据中心发展到一定阶段的必备之物,这又是为何呢?

数据中心正处于革命性转变阶段,而这次革命将完全改写几十年来人们对数据中心的认知。究其核心,这一转变是由“软件”基础设施的崛起而驱动的。对于数据中心三个最重要的基础设施,即:服务器、网络和存储设备,皆一准备完毕,它们会让数据中心变得更为灵活,更自动化。在这样一个大背景下,达成软件定义一切的目标就决不能缺少安全,因为它现在好像一个“掉队者”。

“掉队”的原因可以归纳为三点:

第一, 无法适应防护边界的改变。过去的防护方法通常是根据网络的物理拓扑和服务器安全域,以手动方式在安全域边界构建流量监控设备,侦测可能遭遇的攻击。但虚拟数据中心解藕了这种关系,不但安全设备部署和管理过程异常复杂,网络防护的对象也可能在任何位置。

第二, 防护体系已经失效。虚拟化让服务器的安全性变得“既更安全也更为不安全”,不同虚拟机之间的通讯不再经过网络交换机,传统的入侵检测设备因此而失效。而“黑盒子”为代表的硬件安全设备包括了硬件、OS、内置安全软件,也只有管理员操作界面,极少有面向应用软件的API,这无疑把安全硬件设备和应用割裂开了。

第三, 防护间隙的产生与危害。一些休眠的虚拟机将会最终偏离数据中心的安全规则,并引入大量的安全漏洞。如果虚拟机在部署补丁或更新防病毒软件期间,未处于联机状态,它将处于不受保护的休眠状态,一旦激活、联机后将会立即受到攻击。

软件定义让攻防“重上起跑线”

还记得吗?当云计算和大数据技术出现时,很多人都表示这离实际部署很远,但现在这些技术都已经渐渐“平民化”。那么,当软件定义一切的时代已经来了呢?

在Infonetics Research发表的《关于2014年SDN策略:北美企业调查报告》中,45%的企业将会在2015年在其数据中心生产环境实现SDN的部署,这一数据到2016年还将上升到87%。但在技术人员部署SDN的时候,新的安全威胁也会产生,人们掌握一种完全不同的安全架构会很困难,而落后的产品架构可能让安全管理人员无法应对这些威胁。其中,有一点需要你清楚,相同的开放接口和已知的SDN协议,简化了的网络编程,也为攻击者提供了机会,网络入侵的攻防可能会重新站在一条起跑线上。

趋势科技出版的《演化的数据中心安全白皮书》中,很好的解释了软件定义时代的数据中心,同样需要能够适应软件定义的安全产品,这样才能发挥软件定义的优势,并解决由此所引发的新安全问题。而趋势科技基于软件定义安全设计的Deep Security可以帮上忙。

Deep Security通过SDN接口技术与VMware NSX实现无缝对接,这可以让安全策略自由的从内部私有云和公有云平台之间移动,管理员将能够通过快速且高水平地自动追踪资源的技术。其次,Deep Security对休眠的虚拟机一样可以监控和管理,保持企业统一的安全基线,并实现自适应的规则改变。另外,在不影响业务中断的环境下,以最低的成本使用紧急的虚拟补丁保护企业核心应用程序,消除防护间隙,防止数据泄露事件的发生。

软件定义安全技术和产品上的创新也许刚刚开始,趋势科技在Deep Security上的努力也只能算是我们应对未来危险的很小一部分。而如果软件定义安全可以支持动态安全域、随心所欲的构建和拆除系统保护、跨系统一致地执行安全政策,无论它的位置如何,但又不必担心性能,这些都是让安全可以跟上数据中心奔跑的速度。

作者:童宁


来源:51CTO

相关文章
|
22天前
|
机器学习/深度学习 数据采集 算法
利用机器学习优化数据中心的能耗管理
在数据中心管理和运营领域,能耗优化是提高经济效益和环境可持续性的关键。本文提出了一种基于机器学习的方法来优化数据中心的能源消耗,通过实时监控与智能调节系统参数以降低总体能耗。研究采用多种算法对比分析,包括监督式学习、非监督式学习以及强化学习,并在此基础上设计出一套综合策略。该策略不仅提升了能效比(PUE),还保证了系统的高可靠性和性能稳定性。文章的结构首先介绍数据中心能耗管理的重要性,然后详细阐述所提出的机器学习模型及其实现过程,最后通过实验结果验证了方法的有效性。
|
1月前
|
机器学习/深度学习 存储 大数据
利用机器学习优化数据中心的能效管理
【2月更文挑战第17天】 在数据中心的运营过程中,能效管理是维持可持续性和成本效益的关键。本文探讨了一种基于机器学习的方法来优化数据中心的能源使用效率。通过分析历史能耗数据和实时工作负载信息,构建了一个预测模型来指导冷却系统的动态调整,以减少不必要的能源消耗。实验结果表明,该方法能够有效降低能耗,同时保证数据中心的性能和可靠性。
22 2
|
11月前
|
存储 监控 网络协议
「数据中心」数据中心脊页架构:数据中心结构管理、自动化和总结
「数据中心」数据中心脊页架构:数据中心结构管理、自动化和总结
|
存储 资源调度 Kubernetes
新书自荐《深入集群:大型数据中心资源调度与管理》
深入集群 大型数据中心资源调度与管理,已经第2版了(2021-10月)。之前在ata和百晓生发布了新书自荐,这次同步到社区。
593 1
新书自荐《深入集群:大型数据中心资源调度与管理》
|
运维 调度 数据中心
如何推进IT运维数据中心问题管理
在数据中心的管理中,问题管理通常因为没有事件管理、变更管理那么直接影响服务的可用性而被忽视,使得遗留下来的问题没有被及时解决,也会导致事件的重复发生,从而降低系统和服务的整体可用性
135 0
如何推进IT运维数据中心问题管理
|
机器学习/深度学习 人工智能 算法
机器学习如何改变数据中心管理
数据中心运营商在利用人工智能和机器学习方面有很多选择,而且随着技术变得更加实惠和先进,将会有更多选择。美好的未来就在眼前。
机器学习如何改变数据中心管理
|
机器学习/深度学习 数据采集 人工智能
人工智能如何解决数据中心的工作负载管理难题
随着数据中心工作负载量呈螺旋式增长,越来越多的企业开始寻求采用人工智能技术帮助他们减轻IT团队的管理负担,同时提高效率,并削减开支。
293 0
|
机器学习/深度学习 数据采集 人工智能
人工智能如何解决数据中心的工作负载管理难题
人工智能如今为实现数据中心的基本管理任务自动化做好了准备。但是,数据中心管理人员准备好从人工管理过渡到机器管理了吗?
347 0
人工智能如何解决数据中心的工作负载管理难题
|
监控 数据中心 存储
数据中心的智能化管理
数据是当今企业最重要的商品之一。无论企业是专门处理和销售还是只是使用,数据都是王道。世邦魏理仕最近的一项研究表明,欧洲的数据中心市场仍在蓬勃发展,企业租赁的数据中心容量又创历史新高。但是为了满足数据增长的需求,数据中心正在不得不采用更多的服务器、机架和硬件,而这些硬件越来越难以监控。
1061 0