渠道迎接SaaS软件面临成长的烦恼

随着SaaS被越来越多的软件厂商重视,导致有部分大中型企业开始试着运行SaaS软件,这使得具有SaaS实施能力的新型渠道商开始欢呼舞蹈,同时,也使得传统渠道方案商开始恐慌,这一问题在安全渠道中同样体现的十分明显。对于大型渠道商、方案商来说,拥有良好的技术、人员及客户资源优势,朝服务转型不在话下,而面向中小企业的中小渠道商、区域渠道商在SaaS下难免会出现实施困难客户资源流失、利润空间缩小等多类问题。但并不代表SaaS来了,传统渠道的价值将不在,对于SaaS软件商、服务商来说,传统渠道仍然存在自己的价值。
  IT系统所承载的业务日益增多,各类攻击入侵出现,保护数据信息的安全性要求越来越高,渠道应该看到,在传统安全厂商及众多IT厂商纷纷介入多元安全服务业务的同时,用户在IT系统、业务系统及内部管理等多个层面,对安全服务商的实力水平上存在诸多不满。显然扁平式安全体系已无法跟上时代的脚步,立体的信息安全架构成为了企业用户信息化的主要需求。
  经历了几年的实际预热,2013年云安全将逐渐成为信息安全市场的主要需求点。无论是金融、运营商、能源、政府等大行业还是教育、制造、零售电商等中小企业市场,涉及到私有和公有云两方面,如何实现云安全服务已成为大家都极为关心的问题。过去安全服务因存在一定技术门槛,在比拼人力物力利润不高的一般项目时,介入厂商不多,而今安全服务项目参与者比比皆是,厂商营销策略发生了很大变化。
  在新型需求环境之下,选择厂商不仅需要在产品技术及解决方案的整合能力上不断出新,同时渠道自身更需要具有把握前沿技术的能力,多种创新营销模式必需要有快速跟进能力。更高一层的是,渠道需要打造自身的增值能力,将自己的服务能力与伙伴产品捆绑,植入到解决方案,从而成为生态链上不可或缺的一环。安全服务在于服务商的专业性,为客户节省管理成本;渠道的最终价值必然朝专业性发展,拥有咨询顾问和专业技术人员,这必然是渠道发展服务业务进而寻找持久发展的根本。
  对于任何渠道商,把握商机都是一门学问和时常要面临的课题。目前行业内,对SaaS依然存在截然不同的观点,一种观点认为传统渠道一定会被所颠覆和剿杀;另一种观点认为,SaaS针对的只是中小企业人群,它并不能完全取代传统的安全,而且单位利润小,服务运营周期长,所以一些传统渠道商认为,与其冒险试水不如稳守当前市场地位。
  对于那些有实力的大中型安全渠道商,SaaS业务并没有真正或全部纳入其业务范畴内。他们认可SaaS存在的价值,也希望通过SaaS业务为客户提供更多项的服务;但那些能看清SaaS未来方向的中小渠道商,则苦于没有用户资源,没有能力去做这项业务,目前也只能继续观望这个市场。博云网专注于软件服务领域,为软件用户提供海量SaaS产品和专业化的软件租赁服务。博云网充分利用云计算和软件最新技术的应用和整合,旨在打造中国领先的SaaS软件和云主机资源服务平台。
  对于传统渠道做产品的渠道推广,要用能为其带来充分利好的政策及利润空间调动其积极性,然而对于SaaS模式下服务即产品,渠道商尤其是中小渠道商前景就不会如此乐观。

来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/29474280/viewspace-1124004/,如需转载,请注明出处,否则将追究法律责任。

转载于:http://blog.itpub.net/29474280/viewspace-1124004/

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值