IBM опубликовала финансовые результаты за III квартал 2026 года, завершившийся 30 сентября. Финансовый директор IBM Джеймс Кавано (James Kavanaugh) сообщил, что задержки в заключении сделок в сфере ПО — фактор, обеспокоивший инвесторов в прошлом квартале, — начали преодолеваться. В связи с этим компания повысила прогноз по выручке от ПО. Результаты по этому сегменту за прошедший квартал также превзошли ожидания аналитиков, отметило агентство Reuters.

Выручка IBM в III квартале увеличилась на 4,7 %, до $17,10 млрд, превысив средний прогноз аналитиков в размере $16,82 млрд, опрошенных LSEG (по данным CNBC). Скорректированная прибыль на акцию (Non-GAAP) составила $2,95 при прогнозе $2,86. Чистая прибыль (GAAP) составила $2,19 млрд или $2,30 на акцию, превысив показатели аналогичного периода годом ранее, — $1,74 млрд и $1,84 на акцию соответственно.

Источник изображений: IBM

Выручка от ПО увеличилась на 8 % до $7,80 млрд, превысив консенсус-прогноз аналитиков, опрошенных StreetAccount ($7,66 млрд). Гибридные облачные решения (Hybrid Cloud, включая Red Hat) принесли больше выручки на 11 %. Выручка подразделения по автоматизации упала на 3 %, выручка подразделения по обработке данных и ИИ выросла на 19 %, выручка от обработки транзакций — на 9 %.

По словам Кавано, около 25 % выручки в сегменте обработки транзакций обеспечили сделки, перенесенные со II квартала, а «остальные 75 % — это полностью новый бизнес».

Кавано заявил агентству Reuters, что теперь IBM ожидает роста годовой выручки от продажи ПО на уровне 7–8 % (ранее прогнозировался рост в диапазоне 6–8 %). На фоне этих новостей акции IBM выросли примерно на 4 % на расширенных торгах.

Выручка от консалтинга осталась на прежнем уровне, составив $5,3 млрд. Выручка инфраструктурного подразделения (IBM Infrastructure), занимающегося продажей серверов, СХД, коммутаторов и системного ПО, составила $3,7 млрд (рост — 4 %). При этом выручка от продаж аппаратного обеспечения мейнфреймов z упала на 20 %.

Что касается прогноза, то компания по-прежнему ожидает, что по итогам года рост выручки составит от 4 до 5 %.

Китайская ИИ-лаборатория DeepSeek открыла исходный код DeepInfer — фреймворка для инференса, на базе которого работают собственные сервисы компании, сообщает SiliconANGLE. Ключевой задачей продукта разработчик называет обеспечение работы с большой пользовательской базой при сохранении приемлемой стоимости. Один кластер, по заявлению DeepSeek, обрабатывает 155 трлн токенов в сутки, а доход при использовании тарифов в периоды низкой нагрузки составляет $38 в час на один GPU.

На данный момент DeepInfer поддерживает только модель DeepSeek-V4.1-Flash — по умолчанию загружается версия 1017, вышедшая в минувшие выходные. Фреймворк совместим с GPU NVIDIA на архитектуре Blackwell (SM100) и ускорителями Huawei Ascend 950; поддержка архитектуры NVIDIA Hopper и более старых поколений не предусмотрена. В DeepInfer есть две функции, гарантирующие получение идентичных результатов при повторном запуске с одинаковыми исходными данными. Они работают только на ускорителях NVIDIA. Быстродействие DeepInfer DeepSeek проверяла только на ускорителях NVIDIA, поэтому приведённые результаты бенчмарков получены исключительно в ходе собственных испытаний компании.

Источник изображения: DeepSeek

В DeepInfer предусмотрены два способа ускорения работы модели. Спекулятивное декодирование с помощью системы DSpark предполагает генерацию сразу пяти токенов вспомогательной моделью; модуль оценки уверенности прогнозирует, какие из них будут приняты основной моделью. Вычислительные ресурсы для проверки затрачиваются только на наиболее вероятные варианты, благодаря чему количество проверяемых «черновых» токенов на каждом шаге сокращается на 30 %. В реальных рабочих нагрузках это обеспечивает прирост производительности на 4–7 %. Второй механизм почти вдвое сокращает объём вычислений при первичной обработке запроса: через слои декодера модели повторно пропускаются только последние 128 токенов, а не весь запрос целиком.

Код для управления KV-кэшем и балансировки нагрузки DeepSeek пока не опубликовала, пояснив, что эти компоненты тесно связаны с внутренней инфраструктурой компании. DeepInfer преимущественно ориентирован на разделение нагрузки между первичной обработкой запросов и генерацией ответов, но реализовывать этот механизм пользователям придётся самостоятельно. В качестве минимальной эффективной конфигурации указываются 128 GPU: по 64 для первичной обработки запросов и генерации ответов.

Фреймворк DeepInfer доступен на GitHub под лицензией Apache 2.0. В комплект входит библиотека deepseek-recipe, которая преобразует запросы в последовательности токенов, используя ту же логику, что и официальный API DeepSeek. В этом же репозитории будет размещаться код для инференса и будущих моделей.

Поддержка платформы Ascend в DeepInfer появилась вслед за релизом от 30 сентября, в рамках которого DeepSeek при содействии Huawei обеспечила поддержку TileLang — китайского аналога NVIDIA CUDA. Во Внутренней Монголии ИИ-лаборатория намерена построить кампус ИИ ЦОД мощностью 1 ГВт и развернуть там не менее 160 000 ускорителей Huawei Ascend 950DT. Ранее стало известно, что DeepSeek занимается разработкой и собственного ИИ-ускорителя для инференса, чтобы снизить свою зависимость как от NVIDIA, так и от Huawei.

Google представила программный комплекс TorchTPU с открытым исходным кодом, предназначенный для запуска ИИ-моделей с использованием фреймворка PyTorch на ускорителях TPU. Проект призван упростить использование ускорителей Google в обучении и инференсе ИИ; поддерживаются популярные программные средства — создавать отдельную программную среду для TPU не требуется.

Разработанный совместно с командой PyTorch в Meta✴ инструментарий TorchTPU позволяет запускать существующие проекты в PyTorch с минимальными изменениями кода, используя привычный API. Поддерживаются отладка в обычном режиме PyTorch и механизмы распределенных вычислений. Google заручилась поддержкой Hugging Face, благодаря чему представленные на ИИ-платформе открытые модели могут запускаться нативно через TorchTPU — поддерживаются библиотеки Transformers v5 и Diffusers.

Источник изображения: youtube.com/@googlecloudtech

Программный модуль vLLM для TorchTPU поддерживает одновременную обработку множества запросов, квантизацию и распределение вычислений между чипами TPU; стандартные средства управления вычислениями и обработки запросов сохранены. Для TPU адаптирован инструмент SGLang — он позволяет ускорять сложные многоэтапные задачи, в том числе выполняемые ИИ-агентами; поддерживаются повторные обращения к KV-кешу и повторяющиеся префиксы запросов, за счёт чего одни и те же вычисления могут не выполняться заново. Версия SGLang-TorchTPU сохранила механизмы выполнения задач, распределения запросов и API. Средства обмена данными с HiCache помогают сократить задержку и оптимизировать вывод при сложной многоэтапной генерации.

Совместно с Red Hat, IBM и сообществом разработчиков выпущен роутер llm-d 1.0 — он направляет запросы к экземплярам модели, где уже сохранен контекст, а также разделяет обработку входного запроса и генерацию ответа по вычислительным ресурсам, что позволяет использовать их эффективнее. В Google Kubernetes Engine этот инструмент поддерживает запуск моделей как на GPU, так и на TPU. Google интегрировала TorchTPU с TorchTitan — инструментом распределённого обучения крупных моделей; поддерживаются, в частности, Llama 3, Qwen 3 и FLUX.1. Поддержка появилась в VeRL — одном из наиболее популярных фреймворков для обучения с подкреплением, позволяющий улучшать модели в математических задачах, написании кода и многоэтапных агентских задачах.

Заявлено о поддержке TorchTPU в Ray — инструмент для распределения вычислительных задач позволяет объединить обработку данных, обучение, и инференс в рабочий процесс с использованием центральных и графических процессоров, а также TPU. В экосистему PyTorch вошла библиотека LiteRT, предназначенная для запуска моделей на пользовательских устройствах. Google также представила предварительную версию TPU agent suite — при помощи плагинов этот набор инструментов помогает автоматизировать первоначальную настройку, диагностику и оптимизацию моделей в PyTorch.

Поддержку PyTorch на своих ускорителях реализовали также Amazon, Intel и Meta✴.

Российский разработчик решений для видеоконференцсвязи «Труконф» представил новую серверную архитектуру TrueConf Cluster.

Решение предназначено для построения отказоустойчивых систем унифицированных коммуникаций в государственных структурах, банках и промышленных предприятиях. Архитектура TrueConf Cluster позволяет объединять несколько серверов в единый логический кластер с автоматическим перераспределением нагрузки и мгновенным переключением на резервные узлы при сбоях. По данным разработчика, система обеспечивает непрерывность сеансов связи: при выходе из строя одного из узлов активные конференции не прерываются, а пользователи незаметно для себя переводятся на работающие мощности.

В основу архитектуры TrueConf Cluster положена фирменная технология компании «Труконф»: каждый участник взаимодействует только со «своим» узлом кластера, а медиаданные передаются напрямую между задействованными узлами — такой подход обеспечивает равномерную нагрузку на сеть.

Источник изображения: «Труконф» / trueconf.ru

Кластер может быть развёрнут в контуре заказчика или его доверенного подрядчика — в том числе в изолированных сетях. Настройка узлов TrueConf Cluster и конфигурирование системы осуществляется через единый портал с мониторингом нагрузки и активности в реальном времени, а также централизованным управлением правами групп пользователей и администраторов.

TrueConf Cluster поддерживает взаимодействие со сложными LDAP-лесами, настройку многофакторной авторизации и механизма единого входа, а также интеграцию со сторонними средствами защиты цифровых угроз. Благодаря возможностям масштабирования продукт может использоваться в организациях любого размера, будь то ведомственные предприятия, территориально распределённые или международные компании с широкой географией офисов.

Amazon анонсировала TorchNeuron — инструментарий с открытым исходным кодом, позволяющий запускать рабочие нагрузки PyTorch на ИИ-ускорителях AWS Trainium. До настоящего момента запуск на чипах Trainium самого популярного в отрасли фреймворка PyTorch для разработки систем искусственного интеллекта требовал значительного объёма ручной работы — затраты на разработку увеличивались, создавался барьер для пользователей.

TorchNeuron позволяет запускать проекты PyTorch на чипах Trainium, не внося масштабных изменений в код. Разработчикам, подчеркнули в Amazon, достаточно лишь задать параметр, какой именно чип следует использовать для выполнения задач. Поддерживаются Trainium2 и Trainium3 — две новейшие модели в линейке этих ускорителей; они подходят как для обучения, так и для инференса моделей.

Более мощный из двух ускоритель Trainium3 оснащён восемью вычислительными ядрами, каждое из которых состоит из четырёх модулей, оптимизированных для определённых типов вычислений, необходимых ИИ-моделям при обработке данных. Объём встроенной памяти составляет 144 Гбайт. На сервере могут работать до 144 ускорителей Trainium3 — одна такая система способна выполнять до 362 квадриллионов операций в секунду при работе с данными в формате MXFP8, который широко применяется в моделях ИИ.

Источник изображения: aboutamazon.com

Для серии Trainium был разработан собственный язык программирования NKI; благодаря наличию специального компилятора этот язык позволяет производить низкоуровневую оптимизацию моделей, за счёт чего снижается потребление аппаратных ресурсов и повышается скорость работы ИИ.

В состав TorchNeuron входит набор готовых операторов NKI — программных компонентов, которые можно использовать при создании ИИ-моделей. Одни из них упрощают реализацию архитектуры Mixture-of-Experts, другие помогают сократить объём памяти, который занимают нейросети. Ускоряется выполнение и сопутствующих задач, например, квантования. TorchNeuron поддерживает не только PyTorch, но и другие открытые инструменты, которые разработчики часто используют в связке с этим фреймворком. Среди них поддерживается TorchTitan — популярный механизм для обучения ИИ-моделей. Он автоматизирует часть задач, связанных с распределением процессов между ускорителями; метод полностью сегментированного параллелизма данных разделяет не только обучаемую модель, но также состояния оптимизатора и градиенты. Оптимизатор — программа совершенствующая способности модели; градиенты — данные, которые играют в этом процессе важную роль. В состав TorchNeuron вошли функции, позволяющие дополнительно оптимизировать рабочий процесс обучения с использованием ускорителей Trainium.

Ранее о поддержке PyTorch на своих ускорителях заявили Intel, Meta✴ и корейский стартап HyperAccel.

Провайдер «Софтлайн Облако» (ГК Softline) и компания Oxygen, специализирующаяся на дата-центрах уровня Tier III, объявили о запуске совместного мультиоблачного решения. Новый сервис предназначен для размещения IT-систем с автоматическим резервированием на независимой инфраструктурной площадке.

Решение было разработано в ответ на острый дефицит мощностей в Московском регионе. По оценке NF Group, в 2026 году будет введена лишь треть из заявленных 199 МВт новых мощностей дата-центров. В условиях, когда строительство собственной резервной площадки становится долгим и дорогостоящим, компании переносят отказоустойчивость в облако.

Источник изображения: oxygen.cloud

Технически решение строится на двух полностью изолированных платформах. Основной может выступать инфраструктура любой из компаний, вторая — служит резервной. Данные и виртуальные машины реплицируются между облаками, которые не связаны ни общей инфраструктурой, ни управлением. В штатном режиме заказчик оплачивает в основном хранение реплик, а вычислительные ресурсы разворачиваются автоматически только в момент переключения. Параметры восстановления (RTO/RPO) фиксируются в SLA, а переключение регулярно тестируется совместными командами инженеров.

«Резерв в том же облаке защищает от сбоя оборудования, но не от рисков самого провайдера. Независимое облако и проверенное на практике переключение делают отказоустойчивость реальной», — пояснили в компании «Софтлайн Облако».

Хостинг-провайдер FirstVDS сообщил о взломе части своей инфраструктуры через уязвимость в системе управления виртуализацией VMmanager 6, принадлежащей «Группе Астра» (разработчику операционной системы Astra Linux). В результате хакеры получили доступ к паролям, электронным ключам для удалённого входа на сервер (SSH-ключи), токенам доступа к облачным сервисам, конфигурационным файлам, истории вводимых команд, криптокошелькам и пользовательским документам.

Взлом был зафиксирован 17 октября. 18 октября FirstVDS разослал клиентам уведомление о взломе вместе с инструкциями о необходимых действиях.

Источник изображения: Kevin Ku / unsplash.com

Расследование инцидента продолжается. Как сообщает провайдер, злоумышленники запустили на части серверов его инфраструктуры программу для кражи данных, которая подключала диски клиентских виртуальных серверов в режиме только для чтения, копировала с них различные данные и переправляла их на сервер злоумышленников.

Атака затронула только часть узлов виртуализации, на которых работали пострадавшие клиентские серверы. После обнаружения атаки провайдер отключил внешний доступ к системе управления виртуализацией, через которую она была проведена, а также заблокировал адрес сервера злоумышленников.

По словам FirstVDS, вендор уже выпустил промежуточные патчи и работает над окончательным исправлением. Пока уязвимость не будет полностью устранена, доступ к системе останется закрытым.

Как сообщает РБК, об атаке на инфраструктуру под управлением VMmanager 6 публично заявили и другие хостинг-провайдеры. Согласно анализу, опубликованному на сайте провайдера ForestsNet, панели VMmanager заражались заранее — с 11 по 16 октября, а активная фаза атаки пришлась на ночь с 16 на 17 октября. Атакующие располагали списком серверов и их IP-адресов (уникальных сетевых адресов), адресами электронной почты клиентов, административными паролями (root-паролями) и паролями для удалённого управления экраном сервера (VNC-консолей). Следов кражи данных провайдер не обнаружил, но «не может полностью исключить» возможность доступа к ним.

Компания MHost заявила, что отключила оборудование сразу после обнаружения атаки и поэтапно восстанавливает серверы. Хостинг-провайдер YaColo из Кемерова сообщил, что 18 октября атака затронула «несколько панелей» проекта в Кемерове, Москве и Санкт-Петербурге. При этом компания отметила, что прямых доказательств кражи данных нет.

Изначально разработчиком системы являлась компания ISPsystem, контроль над которой «Группа Астра» получила в марте 2022-го, купив 70 % акций. В «Группе Астра» заявили Forbes, что им «известно об инциденте, связанном с уязвимостью в одной из сборок VMmanager», отметив, что сейчас проводят проверку в контакте с заказчиками. Необходимые исправления уже выпущены, заказчикам рекомендуется установить их. «Все необходимые меры по устранению причин и последствий атаки принимаются, проверка продолжается. Техническая поддержка помогает с конкретными инсталляциями», — сообщили в компании.

Для минимизации угроз в период разрешения инцидента специалисты компании призвали владельцев всех инсталляций в обязательном порядке выполнить ряд защитных действий. На межсетевом экране внутри инфраструктуры необходимо закрыть как входящие, так и исходящие соединения к самой платформе и узлам виртуализации для всех, за исключением доверенных администраторов и технической поддержки ISPsystem. Одновременно с этим следует разрешить SSH-доступ к узлам и платформе управления исключительно с доверенных адресов, а также оперативно сменить все пароли.

По словам источника РБК, VMmanager изначально создавалась для хостинг-провайдеров и лишь позднее вышла на корпоративный рынок, причём для этих двух сегментов система работает по-разному. Поскольку в основе хостинговой и корпоративной версий VMmanager лежит общий код, уязвимость, скорее всего, присутствует в обеих, предположили в Cloud.ru.

В числе пользователей на сайте вендора указаны хостинг-провайдеры и облачные компании PSB Hosting (10 тыс. и более виртуальных машин), 4VPS (более 27 тыс.), VPS.one, notbad.cloud, «ОБЛАКО.РУ» и др. Также среди пользователей —медицинские центры Минздрава, МИАЦ Томской области, Уральский федеральный университет, «Алеф-банк», «Электросети Кубани» и т.д.

Сервис-провайдер «РТК-ЦОД» (дочерняя компания «Ростелекома», предоставляющая услуги дата-центров и облачных услуг) сообщил об аттестации инфраструктуры «Облака КИИ» по требованиям приказа ФСТЭК России №117. Полученный документ подтверждает, что облачная платформа готова к размещению государственных информационных систем максимального 1 класса защищённости (К1).

Аттестация «Облака КИИ» была проведена в рамках нового регулирования: приказ ФСТЭК России №117, вступивший в силу 1 марта 2026 года, сменил приказ №17, определявший требования к защите информации в государственных информационных системах (ГИС) с 2013 года. Новый документ существенно расширил периметр регулирования: под требования к защите информации теперь подпадают не только ГИС, но и информационные системы государственных органов и учреждений, унитарных предприятий, организаций, взаимодействующих с госсектором, а также муниципальные информационные системы.

Источник изображения: «Ростелеком» / cloud.rt.ru

Приказ №117 обязывает операторов обеспечивать непрерывный мониторинг и оценку защищённости данных с регулярной отчётностью перед Федеральной службой по техническому и экспортному контролю. «Облако КИИ» подтвердило готовность выполнять эти процедуры. Кроме того, прохождение аттестации свидетельствует, что в «Облаке КИИ» выстроены и постоянно совершенствуются процессы управления защитой информации, а также отработаны механизмы устранения уязвимостей в установленные приказом сроки.

«Облако КИИ» представляет собой мультитенантное защищённое облако, построенное на отечественных программных и аппаратных решениях. Платформа имеет аттестаты соответствия требованиям безопасности, подтверждающие возможность размещать объекты КИИ до второй категории значимости, ГИС до 1 класса защищённости и информационные системы персональных данных до первого уровня защищённости включительно. «Облако КИИ» обладает сертификатом PCI DSS (стандарт безопасности данных платёжных карт) и соответствует ГОСТ 57580 (регулирует защиту информации при проведении банковских и финансовых операций).

К 2030 году мировой рынок систем промышленного искусственного интеллекта вырастет почти втрое, а российский — более чем в три раза. Об этом свидетельствует подготовленное при участии «Газпромбанка», «Газпром нефти», ПАО «Северсталь» и ООО «Газинформсервис» исследование, посвящённое анализу состояния и перспектив отрасли индустриального ИИ в России и мире, основным технологическим направлениям, инвестициям, барьерам внедрения, вопросам регулирования и кибербезопасности.

Согласно представленным в исследовании данным, отечественный рынок промышленного искусственного интеллекта может вырасти с 40 млрд рублей в 2025 году до 134 млрд рублей к 2030 году при среднегодовом темпе роста в 27,4 %. При этом мировой рынок промышленного ИИ увеличится с 53,8 млрд долларов в 2025 году до 153,9 млрд долларов к 2030 году при среднегодовом темпе роста 23,4 %.

На мировом рынке сложился выраженный дисбаланс между созданием технологий и их внедрением. Более 75 % глобальной выручки вендоров контролируют технологические гиганты из США (около 50 %) и Евросоюза (2 5%), где разрабатываются алгоритмы и ИИ-платформы. При этом главным потребителем и полигоном для внедрения выступает Азиатско-Тихоокеанский регион во главе с Китаем: его доля вырастет с 40 % в 2025 году до 46–48 % к 2030 году.

Источник изображения: аналитическое исследование «Промышленный искусственный интеллект» / gazprombank.ru

В 2025 году крупнейшими сегментами в деньгах стали предиктивная аналитика (12,2 млрд долларов, или 23 % рынка) и компьютерное зрение (10,8 млрд долларов, или 20 %) за счёт наличия типовых решений с быстрой отдачей. Однако к 2030 году максимальный прирост доли рынка покажут совершенно новые направления — воплощённый ИИ для роботов-гуманоидов (рост с 0 % до 9 % рынка, или 13,9 млрд долларов) и мультиагентные генеративные системы (рост доли на 7,5 п.п., до 17,7 млрд долларов). При этом классические промышленные NLP-решения к 2030 году будут полностью поглощены генеративным ИИ.

Что касается отечественного рынка индустриального ИИ, то он развивается в условиях внешних ограничений и курса на технологический суверенитет, что формирует его уникальную архитектуру. Основными заказчиками в данной сфере и двигателями рынка выступают госкорпорации и крупнейшие холдинги из нефтегазового сектора, металлургии, энергетики и химии.

Если в мире концерны активно используют публичные облака гиперскейлеров, то в РФ из-за санкционных рисков и требований к защите критической информационной инфраструктуры компании разворачивают ИИ-решения внутри закрытого физического периметра. Это делает проекты более дорогими и сложными в интеграции, но стимулирует спрос на периферийные вычисления (Edge AI) и компактные отраслевые языковые модели, не требующие гигантских мощностей.

Иллюстрация сгенерирована ИИ Google Gemini

По оценкам аналитиков, к началу 2026 года парк оборудования для промышленного ИИ в РФ на 45 % состоял из ранее установленных западных систем, на 35 % — из китайского оборудования (серверы, графические ускорители, камеры) и на 20 % — из российских решений (датчики, ПЛК, серверы). Вместо дорогостоящей полной замены производственных линий предприятия делают ставку на точечную ИИ-модернизацию действующего оборудования.

Главным тормозом внедрения промышленного ИИ в России выступает неготовность базовой IT-инфраструктуры — на эту проблему указывают 93 % компаний, а полная автоматизация сбора данных есть лишь у 7 % предприятий. Кроме того, только 9 % отечественных организаций обеспечены достаточными вычислительными мощностями (GPU). Среди других острых проблем: риски кибербезопасности (53 %), нехватка публичных успешных кейсов (46 %), кадровый голод (38 %), дефицит бюджетов (30 %) и отсутствие чёткого правового регулирования ответственности за аварии, спровоцированные ошибками искусственного интеллекта.

Провайдер решений в области кибербезопасности и доставки контента Curator представил систему управления безопасным доступом (IdP) Curator.Identity. Решение разработано совместно с российским разработчиком систем аутентификации и управления доступом Avanpost и встроено в облачную экосистему Curator. Клиенты могут управлять DDoS-защитой, безопасностью веб-приложений, поиском уязвимостей и защищённым доступом к корпоративным системам в едином личном кабинете.

Curator.Identity позволяет компаниям-клиентам облачной экосистемы Curator быстро запускать многофакторную аутентификацию (MFA) и единый вход (SSO), усиливать контроль устройств и пользовательских сессий, а также последовательно выстраивать архитектуру защищённого доступа — от базовой MFA до зрелых сценариев Zero Trust. Решение защищает доступ к веб-приложениям, VPN, корпоративным порталам, инфраструктурным сервисам, а также desktop- и legacy-приложениям. Централизованные политики аутентификации и доступа помогают снизить риски компрометации учётных записей, кражи пользовательских сессий и несанкционированного доступа к критически важным системам.

Источник изображения: Curator

Современные атаки всё чаще начинаются не с классического взлома внешнего периметра: украденные логины и пароли, скомпрометированные токены, cookie или перехваченные сессии позволяют злоумышленнику получить доступ к системам под видом легитимного пользователя. В результате даже компании с выстроенной сетевой защитой, WAF и мониторингом остаются уязвимы: злоумышленник может войти в систему как обычный сотрудник, подрядчик или администратор. Curator.Identity закрывает подобный риск за счёт централизованного управления доступом, усиленной аутентификации, единого входа, контроля сессий и учёта контекста входа — пользователя, группы, IP-адреса, устройства и сценария доступа.

Решение Curator.Identity работает по модели облачного SaaS: оно подключается из облака Curator и не требует развёртывания отдельной инфраструктуры на стороне клиента. Для безопасного подключения внутренних систем может использоваться компонент Access Bridge, который связывает облачную платформу с инфраструктурой клиента без публикации внутренних сервисов в интернете. Curator.Identity поддерживает стандартные протоколы и сценарии интеграции с корпоративной инфраструктурой, включая OpenID Connect, SAML, RADIUS и LDAP, а также работу с ADFS и Keycloak.

«Объединение экспертизы Avanpost в управлении доступом и аутентификации с облачной инфраструктурой Curator даёт клиентам возможность запустить MFA и SSO без тяжёлого on-premise проекта и постепенно двигаться к модели Zero Trust. Для бизнеса это означает более быстрый результат и меньшую нагрузку на ИТ-команду», — отмечает Алина Куракина, генеральный директор Avanpost.

«Периметр перестал быть единственной точкой входа для атакующих. Даже хорошо защищённая инфраструктура остаётся уязвимой, если злоумышленник получает возможность войти в неё с легитимной учётной записью. Партнёрство с Avanpost расширяет наш подход к обеспечению безопасности: наши клиенты получают не только защиту от DDoS-атак и уязвимостей на периметре, но и контроль над тем, кто и как получает доступ к их корпоративным системам», — комментирует Дмитрий Ткачёв, генеральный директор Curator.