专访赛门铁克CEO:微软不是对手 并购大势所趋


 

6月17日拉斯维加斯报道 面对外界质疑并购Veritas成效不彰,赛门铁克首席执行官John W.Thompson表示,绝大多数的整合都已完备,但仍有努力空间。

在2004年底宣布,以逾百亿美元并购存储软件厂商Veritas,并在2005年中完成了并购事宜之后,近两年来质疑赛门铁克此桩并购案效益不彰、产品整合度的声音便没有断过。

批评者多以太迟交出产品整合成绩单,以及股价不如2004年底宣布并购案前的水平,作为批评的左证。除此之外,后续并购邮件安全业者Brightmail、防火墙厂商Sygate、端点安全厂商Altiris的众多并购,导致市场开始质疑赛门铁克是否能原有专精的安全领域。

针对以上种种疑问,Thompson日前在美国拉斯维加斯举办的VISION 2007年度用户大会上,接受了全球媒体采访,重申该公司定位,表示不认为一连串的并购会令用户丧失信心。

问:从赛门铁克近几年来的并购案看来,你们似乎打算从一个安全软件公司,转型成为IT风险管理厂商。但客户可能无法理解你们的规划、搞不清楚赛门铁克的未来究竟是要坚守安全专业,还是扩张更多,而丧失对你们安全专业能力的信心。你怎么看这个问题?

答:我要先澄清的是,我们并购的每一家厂商,都是IT领域的公司,且都和我们由安全扩充至IT风险管理的领域有关,客户应该会更有信心才对。

此外,就并购这个议题来说,必须看整个企业环境,不是只有IT产业。合并(consolidation)在各个产业都是趋势,我认为,当企业因成长、获利,累积了财务优势后,借由并购来丰富自己的产品组合(portfolio),是理所当然的事,在软件产业当然也是如此,身为全球主要软件公司之一,我们当然也会这么做。

问:但和Veritas的整合,外界似乎还是有一些成效不彰的批评?

答:事实上和Veritas合并至今,包括组织、人力、产品等,都已经做好整合,例如我们新的存储整合(Storage United)概念以及Netbackup 6.5新版本的上市、还有融合资安和归档技术的Information Foundation产品等,都说明了整合并不是个问题。但我必须承认,在实务层次,我们仍有需要努力的地方,但那是非常小的一部分。

问:即使如您所述,赛门铁克资安产品线齐备,但是面对微软宣布投入安全领域,你们的大部份收入又来自于安装在微软操作系统上的软件,赛门铁克如何能确定地位不会不保?

答:微软究竟是不是一个竞争对手,就是一个值得讨论的问题。微软产品众多,几乎什么都做,若从产品性能重迭的角度看,世界上所有的软件厂商几乎都可以说微软是他们的竞争对手。

我认为微软加入安全领域,并不是真的要让使用者有所选择,事实上,微软的产品几乎都只能在微软自己的平台上用,在无法标准化的情况下,客户的选择便会受限。

此外,在安全的专业性上,微软也无法和我们相提并论。今(2007)年恰好是赛门铁克创立25周年,单单比较我们累积的专业与微软投入安全市场的时间,我相信客户们就能了解两边专业性的差异。

作为一个软件厂商,我们当然不可能忽视微软,但我们亦不会,也不应该感到害怕,微软事实上在安全领域是没办法取代我们的。

但我另外要提醒的一点是,在IT领域你会发现,从来就没有绝对的敌人或朋友。微软虽然在安全上和赛门铁克竞争,但因我们绝大多数客户都使用微软的操作系统,我们其实也必须要合作。有时候所谓的竞争,只不过是两家公司有类似的产品组合,自然在市场上会表现出来的行为罢了。

问:身份管理(Identity Management)领域似乎是赛门铁克安全产品组合中仍然缺失的一块,你们会补上吗?

答:过去5、6年来,许多安全厂商的确发展了不少身份管理产品如一签入、权限管理等,但我们认为,身份管理还不是企业目前主要的需求,且的确有更多公司了解到可能有类似需要。对此一领域我们还在调查中,并未决定要投入,但如果我们最后要投入,自己开发可能太慢,并购一家有此技术的厂商也不无可能。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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