Quantengestützte Cyberangriffe mit Hilfe von quantensicheren Algorithmen abwehren

Zum Inhalt dieses Podcasts Quantencomputer-Entwicklungen machen rasche Fortschritte und innerhalb der kommenden fünf Jahre können nach Ansicht von Experten Quantenangriffe im größeren Stil möglich werden, die bisher verwendete sichere Verschlüsselungsverfahren brechen – mit direkten Folgen für die digitale Sicherheit. Industriegrößen wie Google, IBM, Apple oder Cloudflare, aber auch viele spezialisierte Lösungsanbieter und Spezialisten im Sicherheitsumfeld weisen darauf hin, dass beim Einsatz derzeitiger klassischer Verschlüsselungsverfahren die Gefahr besteht, bei einem Angriff massive Schäden zu erleiden. IT-Verantwortliche insbesondere von KRITIS-Unternehmen sollten bereits jetzt Maßnahmen zur Quantensicherheit ergreifen und potentiell betroffene Systeme auf Post-Quanten-Kryptografie umstellen. Wie dies aussehen kann und worauf es bei der Migration ankommt, soll in dieser Episode näher erläutert werden. Inhaltliche Stichworte sind: Post Quantum Cryptography (PQC) Asymmetrische Kryptografie Quantum Key Distribution (QKD)  Kryptoagilität Zero-Trust-Architektur Gemeinsame Sicherheitsstandards NIST mit ML-KEM, ML-DSA (Module-Lattice-Based Digital Signature Algorithm) und SLH-DSA (Stateless Hash-Based Digital Signature Algorithm). Mehr dazu auch unter www.storageconsortium.de

AI-Inferenz steht gegenüber AI-Training im Vordergrund; Speicher wird zum substanziellen Bestandteil von AI-Architekturen. Überblick mit aktuellen Entwicklungstrends und einem Recap zur (US) FMS 2026... Um was geht es in diesem Podcast? Inzwischen sind fast alle zentralen Infrastrukturbereiche (Hardware, Software, Prozesse) von KI betroffen. Dies betrifft Datenbanken, aktive Archive, Netzwerke, die plattformübergreifende Datenverwaltung, Echtzeit-Datenzugriffe, usw.  Dem gegenüber steht eine zunehmende Infrastruktur-Komplexität mit steigende Kosten, getrieben durch entsprechende Sicherheits-, Verfügbarkeit und Leistungsanforderungen. Der KI-Wertbeitrag hängt heute wesentlich von datengetriebenen Innovationen und damit auch der vorhandenen Speicherebene ab. Beispiel: Applikationen mit massiven Datensätzen benötigen konstant hohe I/O-Leistungswerte (IOPS, GB-/TB/s) und je nach Profil extrem niedrige Latenzen. Hochparallele I/O-Architekturen für Server und Storage im Verbund mit HDDs, NAND Flash und Memory stellen dazu die Basis. Gesteuert wird die Hardware über Software-definierte Systeme auf Server- bzw. Appliance-Ebene. Hochleistungs-Filesysteme integrieren NVMe-basierten Flash-Speicher und HDDs auf I/O-level mit GPU-/CPUs von Servern, Objektspeicher und Interconnects mit geringer Latenz, dies innerhalb von Fabric-Architekturen mit NVMeoF oder Infiniband. Welche Speichertechnologien und Trends in diesem Zusammenhang relevant sind, werden im Podcast näher erläutert...

Zum Inhalt dieser Podcast-Episode #179: Bekanntlich haben sich Container-Technologien wie Kubernetes & Co. in den vergangenen Jahren zum Standard für moderne Cloud-native Anwendungen entwickelt. Hintergrund: Sie ermöglichen es, Anwendungen in kleine, voneinander unabhängige Dienste – sogenannte Microservices – aufzuteilen. Dadurch lassen sich Anwendungen einfacher entwickeln, aktualisieren und effektiv skalieren. Eine wichtige Rolle kommt dabei der Speicherinfrastruktur zu: Container-Plattformen benötigen persistente Speicherressourcen für Datenbanken, KI-Anwendungen oder andere zustandsbehaftete Workloads. Mit Hilfe des Container Storage Interface (CSI) können Kubernetes-Cluster auf unterschiedlichste Speicherlösungen zugreifen...

Die kritische Ressource „Storage für KI“ weiter optimieren. Neu: Google PolarQuant mit extremer Kompression zur Lösung des Speicherbedarfs bei der Vektor-Quantisierung und WEKA AI Storage mit Augmented Memory Grid und Token-Warehouse zusammen mit NVIDIA's Inference Context Memory Storage Platform und GPUDirect Storage (GPU-Speicher mit GPUDirect Storage und RDMA erweitern). Zum Inhalt dieses nicht KI-erzeugten Podcasts (Hörzeit 8:25 min): Interaktionen bei agentischen KI-Systemen werden komplexer und betreffen sowohl die Inferenzleistung selbst, als auch deren Wirtschaftlichkeit. Der Grund: Anwendungen wie große Sprachmodelle (LLMs) benötigen immer mehr Speicherplatz, um KeyValue Einträge im Cache zu speichern. Dies gilt insbesondere bei der Verarbeitung von Kontext mit großer Reichweite und Vector Search Engines. Damit steigt parallel die Nachfrage nach schnellen Speicherchips und NAND Flash weiter an. Nicht nur auf Grund aktueller Engpässe bei der Versorgung mit Memory- und Flashstorage entsteht damit ein potentiell kritischer Flaschenhals. Das alles macht Anwenderseitig verschiedene Maßnahmen zur möglichst effektiven Reduzierung des Speicherbedarfs notwendig und rückt als Priorität bei KI-Projekten mit in den Vordergrund. Inference Context ist im Zeitalter von Agents und deren komplexen Interaktionen inzwischen nicht länger eine reine Optimierungs-, sondern zunehmend eine gesamte IT-Infrastruktur-Herausforderung.  Im folgenden Überblick finden Sie zwei aktuelle Beispiele zu Lösungen, um die geschilderten Anforderungen IT-Infrastruktur-, Storage- und datenseitig zu adressieren...

Eine cyberresiliente Speicherumgebung gehört mit zu den zentralen Anforderungen, um die Sicherheit von kritischen Daten zu gewährleisten und Angriffe auf die Storage-Infrastruktur verhindern zu können. Hinweis: Unternehmen in Deutschland sind ab dem nationalen Stichtag (6. Dez. 2025) verpflichtet, die erhöhten Cybersicherheitsstandards und Meldepflichten der NIS2-Richtlinie zu erfüllen. Laut BSI müssen diese selbständig prüfen, ob sie von der NIS-2-Richtlinie betroffen sind. Gesucht sind im Speicher- und Datenverwaltungs-Umfeld Lösungen & Services, um die schädliche Auswirkungen eines Cyberangriffs oder andere Katastrophen so weit wie möglich zu minimieren oder im Idealfall unmöglich machen zu können. Welche Maßnahmen und aktuellen Technologien dafür in Frage kommen, wird in dieser Podcast-Episode zusammengefasst. Weiterführende Informationen zu dem Themenkomplex finden Sie unter www.storageconsortium.de

Im Schnittpunkt zwischen KI und modernen Anwendungen stehen die Daten. Wo liegen potentielle IT-Infrastruktur-Engpässe und wie kann man sie vermeiden? Überblick zu Storageanforderungen inklusive Update zur NVIDIA Spectrum-X Ethernet Platform… Hintergrund KI-Applikationen und deren Entwicklung stellt andere Anforderungen an die Speicherinfrastruktur als klassische transaktionsorientierte Enterprise-Workloads. Aus KI-Sicht soll eine hohe "Ingest"-Bandbreite für Zugriffsmuster von kleinen bis großen Files zur Verfügung stehen. Bei vielen und sehr großen Datensätzen ergeben sich verschiedene Herausforderungen in Bezug auf den „richtigen“ Storage, d.h. Protokolle, Filesysteme, Server-Technologien, disaggregierte Architekturen vs. Hyperconverged sowie den geeigneten Netzwerkkomponenten. NVIDIA hat seine Spectrum-X-Netzwerkplattform funktional auf die Datenspeicher-Struktur und damit das entstehende Storage-Ökosystem ausgeweitet. Spectrum-X führte dazu Neuerungen ein, die von InfiniBand übernommen wurden. Anbieter wie DDN, Dell Technologies, Hewlett Packard Enterprise, Hitachi Vantara, IBM, NetApp, Nutanix, Pure Storage, VAST Data und WEKA arbeiten mit NVIDIA hier verstärkt zusammen. Fazit Bei KI ist es wichtig, die Speicherarchitektur stets im Auge zu behalten und wo nötig, gezielt zu modernisieren. Organisationen sind dann in der Lage, das Potenzial und die damit verbundenen Vorteile und Versprechen für die Anwendungsebene schneller auszuschöpfen. Weitere Details dazu finden Sie auch unter www.storageconsortium.de unter den Stichworten KI und Storage...

Die Speicher- und Dateninfrastruktur im Unternehmen steht weiter im Fokus. Für mehr Resilienz und Datenschutz reichen Snapshots alleine nicht aus… Um was geht es in dieser Episode? Während Themen wie GenAI oder Quantum Computing gerade viel Aufmerksamkeit erhalten, drückt IT- und Anwenderseitig in der Praxis meist an anderer Stelle der Schuh. Denn Cyberangriffe nehmen an Raffinesse und Umfang immer weiter zu und beschäftigen damit die ohnehin angespannte Personallage vieler Rechenzentren und Unternehmen. Um die ständigen Angriffe abzuwehren ist es unumgänglich, die Widerstandsfähigkeit - sprich Ausfallsicherheit, Problemerkennung und rasche Wiederherstellungsfähigkeit - von kritischen Speicherumgebungen weiter zu erhöhen. Vereinfacht gesagt müssen die Systeme nach einem Angriff so schnell wie möglich wieder arbeiten können und die Sicherheit der im Betrieb gespeicherten kritischen Daten gewährleistet sein. Angriffe auf Storage-Produktivumgebungen sind pro-aktiv im Vorfeld bereits zu verhindern. Dafür stehen eine Reihe von modernen KI-gestützten Technologien zur Verfügung, die konsequent eingesetzt werden sollten (Stichwort: IT-Infrastruktur-Modernisierung). Grundsätze zum Aufbau einer Cyber-resistenten Enterprise Storage Infrastruktur: Damit kritische Daten vor dem Ablauf ihres Lifecyles nicht kompromittiert werden, ist ein pro-aktiver Ansatz zur Widerstandsfähigkeit gegen Angriffe notwendig. Verantwortliche sind gut beraten, dazu mehrere Schutzmaßnahmen zu kombinieren, um Angriffe sowie Penetrationen möglichst frühzeitig zu erkennen und die Systeme und Daten bei Bedarf schnell wiederherstellen zu können.  Aus Storage- und Data Management-Sicht haben sich folgende Technologien sowie Verfahren bewährt: Diesen Beitrag als Podcast hören...

Künstliche Intelligenz, Container und Edge-Computing sind für die IT-Infrastruktur potentiell eine Herausforderung... Um was geht es in dieser Episode? Wenn Rechenleistung und Datenkapazitäten wachsen, ist eine Speicherinfrastruktur gefordert, die damit flexibel Schritt halten kann. Auch die leistungsfähigsten Compute-Ressourcen werden nur so schnell arbeiten, wie sie auf die gespeicherten Daten zugreifen können. Ein skalierbarer, softwaredefinierte Speicher im KI-Umfeld ist ein aktives Element zur Beschleunigung von datenintensiven Workloads. Traditionelle Speicherlösungen können hingegen verschiedene Engpässe erzeugen, die anspruchsvolle datenbezogene Anwendungen ausbremsen. Wichtig ist die Fähigkeit, Rechen- und Speicherkapazität unabhängig voneinander zu skalieren. Auch sollte die starre Abhängigkeit von einem Hypervisor-System vermieden werden. Auf Storage- und Data Management-Ebene sind dabei die folgende Aspekte kritisch zu beachten...

In unserem Experten-Podcast #172 bei HPE und CANCOM nachgefragt: "Wie können Betriebe die Möglichkeiten von KI-Technologien im Unternehmensmaßstab nutzen, ohne dabei die Kontrolle über ihre Daten- und IT-Infrastruktur zu verlieren" Zum Inhalt Wenn Unternehmen mit der Planung und Implementierung von KI-Projekten befasst sind, müssen Sie IT-Infrastrukturseitig eine Reihe spezifischer Herausforderungen bewältigen, die vermehrt Hybride- oder Private Cloud-Lösungen betreffen. Weitere Fragestellungen in diesem Zusammenhang können sein: Welche KI-Modelle sind im Zuge der dynamischen KI-Entwicklungen am Markt für meinen Betrieb sinnvoll? Wie lassen sich Pilotprojekte ohne große Hindernisse in Produktionsumgebungen überführen? Wie ist mit geschützten Daten umzugehen (Compliance)? Wie schaffe ich eine möglichst robuste und einheitliche Datenverwaltung? Ist mein Storage KI-geeignet? Eva Dölle, AI Consultant im Competence Center Cloud & Datacenter des IT-Dienstleisters CANCOM (IT, Services) und Dirk Derichsweiler, Field CTO & Distinguished Technologist bei HP Enterprise (HPE), werden in dieser Podcastfolge für Sie auch aus Praxissicht auf diese Punkte detaillierter eingehen. Moderation und Fragen: Norbert Deuschle, Storage Consortium. Mit welchen unternehmerischen Herausforderungen sind Kunden derzeit primär im Zusammenhang mit KI-Projekten konfrontiert? Sind Hybride- oder Private Cloud-Lösungen gegenüber reinen Public Cloud-Implementierungen zu bevorzugen? Beispiel: HPE Private Cloud for AI, PCAI. Wie lassen sich bei der Skalierung von KI-Implementierungen (in Reaktion auf wachsende Geschäftsanforderungen und dynamische Entwicklungen) Kosten und Ausgaben aus Projektsicht möglichst effektiv planen und kontrollieren? Sowohl die IT bei Modellentwicklung (Training) als auch Fachabteilungen (Inferenz-Thematik) dürfen beim KI-Einsatz nicht mit einer überdimensionierten Infrastruktur (teuer) und unnötiger technischer Komplexität belastet werden... Welche Ansätze bieten sich in der Praxis an? Wie können spezialisierte IT- und Services-Anbieter wie CANCOM effektiv unterstützen? Agentic AI ist weltweit im Vormarsch. Wie sollten sich Verantwortliche aus Projektsicht darauf einstellen? Fazit Um KI-Anwendungsfälle zu identifizieren, die eine wahrnehmbare Wertschöpfung und damit Return-on-invest liefern, werden fundierte Kenntnisse der Geschäftsanforderungen benötigt. Wichtiger Punkt: Verantwortliche sollten den Bedarf an Rechenleistung und Speicherplatz mit allen finanziellen Auswirkungen sorgfältig abwägen und sicherstellen, dass KI-Implementierungen bei einer Skalierung leistungs- und kosteneffizient bleiben. Die richtige Auswahl sowie Optimierung des Technologie-Stacks wie Storage, Server, Netzwerk und Data Management, ist für moderne KI-Anwendungen entscheidend für den geschäftlichen Nutzen und damit Projekterfolg. Dazu gilt es, die jeweils verwendeten Technologien im gesamten KI-Stack sorgfältig aufeinander abzustimmen und entsprechend anzupassen.

Um was geht es in dieser Podcast-Episode? Die Datensicherung (Backup-Restore) kann alleine weder monetäre Verluste durch Ausfallzeiten noch Reputationsverluste ungeschehen machen, bildet jedoch für viele Betriebe eine zentrale Säule und Schutzmaßnahme gegen Cyberangriffe. Allerdings können Backups gegen Ransomware & Co. bei erfolgreichen Angriffen oftmals nur begrenzt erfolgreich sein. Welche Gründe dafür verantwortlich sind und weshalb sie „nur“ ein Teil einer breiter angelegten Datenschutzstrategie sind, erfahren Sie in dieser aktuellen Podcast-Folge...