近日,华为云顺利通过欧洲汽车行业TISAX(Trusted Information Security Assessment Exchange 可信信息安全评估和交换机制)认证,获得TISAX信息安全极高保护要求和数据保护标签,是目前唯一国内数据中心完成TISAX认证的云服务商。这表明华为云获得了为汽车行业提供云服务的重要资质,可以为汽车行业客户安全上云提供更多保障。华为云CTO张宇昕、DEKRA中国区认证与业务保障总经理韦斌生先生出席了颁证仪式。

信息安全对每个行业和组织都至关重要。TISAX标签是目前汽车行业中唯一正式发布的信息安全标签机制,主要适用于欧洲范围内的汽车企业与其全球供应商,用于汽车行业内信息安全评估的相互认可。TISAX标签的有效期为三年,每个注册参与并完成审核的供应商可根据选定内容共享审核结果。
华为云同时获得极高保护要求和数据保护标签
华为云本次认证由德国政府认可的汽车安全鉴定检测权威机构德凯DEKRA(Deutscher Kraftfahrzeug überwachungsverein,德国机动车监督协会)进行,TISAX的审核标准包含三个模块:信息安全、原型保护和数据保护。
其中,"信息安全 "模块又分为三个级别的保护要求,华为云此次认证符合极高保护要求,即信息安全的最高标准。这是基于物理安全与业务连续性、身份与访问管理、IT安全/网络安全、供应商关系、信息安全制度与组织、人力资源等7大控制域的综合评估结果:
· 一般保护要求(1级标签,AL1):仅涉及内部信息
· 高保护要求(2级标签,AL2):涉及保密信息
· 极高保护要求(3级标签,AL3):涉及机密信息
"数据保护"和"原型保护"基于行业特性,保密性要求较高,所包含的具体控制点的要求为:
· 数据保护(Data Protection):根据欧盟GDPR的条款28,实现对个人信息保护的法规要求的响应。即供应商是否制定和实施了与数据保护相关的制度和措施来对核心数据资产进行保护以满足安全需求并符合法律合规。
·

原型保护(Prototype Protection):包含车辆原型(试验车、核心零部件样件)保护的物理和组织要求,并适用于组织处理车辆原型的各流程(运输、停放等)
为汽车行业上云提供更多安全保障
为保障业务安全性,越来越多的汽车企业会在与供应商开展业务往来之前要求供应商获得TISAX标签。目前、奥迪、宝马和戴姆勒等汽车且均已开始将TISAX标签列为供应商准入的审核要求。华为云获得此次标签认证,证明华为云网络安全及用户数据的隐私保护方面均能力达到了一流水平,能为更多汽车行业客户提供满足行业最高安全标准的云上服务。
围绕着汽车行业全场景,华为云在保证行业最高安全标准的同时,还为用户提供高效的数据治理和AI模型开发工具,结合云上的微服务、容器、安全等服务能力,通过汽车仿真、数字化营销、车联网、自动驾驶、智慧出行、车路协同、数字化智能平台等场景解决方案能力,帮助车企和上下游供应商进行业务创新。

华为云非常重视并努力搭建公有云的安全合规认证体系,全力构建一个从云平台到云服务都安全可信的云环境。截止到目前,华为云在全球获得了超过70个权威安全隐私合规认证,仅在2020年,华为云成为全球首家同时通过SOC 2 Type2五大控制属性(安全性、可用性 、进程完整性、保密性、隐私性)审计、全球首个获得ISO 27799认证、亚太首个获得PCI 3DS认证、国内首个获得NIST CSF认证的云服务商。
更多华为云安全合规内容,请登录华为云官方网站
好文章,需要你的鼓励
谷歌Agent Development Kit(ADK)革新了AI应用开发模式,采用事件驱动的运行时架构,将代理、工具和持久化状态整合为统一应用。ADK以Runner为核心,通过事件循环处理用户请求、模型调用和外部工具执行。执行逻辑层管理LLM调用和工具回调,服务层提供会话、文件存储等持久化能力。这种架构支持多步推理、实时反馈和状态管理,为构建超越简单聊天界面的生产级AI应用提供了完整框架。
上海AI实验室联合团队开发RoboVIP系统,通过视觉身份提示技术解决机器人训练数据稀缺问题。该系统能生成多视角、时间连贯的机器人操作视频,利用夹爪状态信号精确识别交互物体,构建百万级视觉身份数据库。实验显示,RoboVIP显著提升机器人在复杂环境中的操作成功率,为机器人智能化发展提供重要技术突破。
苹果在iOS 26中推出全新游戏应用,为iPhone、iPad和Mac用户提供个性化的游戏中心。该应用包含五个主要版块:主页展示最近游戏和推荐内容,Arcade专区提供超过200款无广告游戏,好友功能显示Game Center动态并支持游戏挑战,资料库可浏览已安装游戏并提供筛选选项,搜索功能支持按类别浏览。iOS 26.2版本还增加了游戏手柄导航支持,为游戏玩家提供更便捷的操作体验。
英伟达研究团队提出GDPO方法,解决AI多目标训练中的"奖励信号坍缩"问题。该方法通过分别评估各技能再综合考量,避免了传统GRPO方法简单相加导致的信息丢失。在工具调用、数学推理、代码编程三大场景测试中,GDPO均显著优于传统方法,准确率提升最高达6.3%,且训练过程更稳定。该技术已开源并支持主流AI框架。