|
尽管当下的数字助手、Siri、Friends、数据挖掘、计算机视觉和工业使用等技术已令人惊叹不已，但事实上，我们仍处于机器学习和人工智能发展的初级阶段。实际上，虽然这些概念已经提出超过60年，但直至最近十年，这些技术才取得真正的实质性发展。 机器学习和人工智能密切相关，但也存在显著不一样。机器学习无需特别编程，便能够从输入和经验中进行学习，而人工智能则需要机器去感知和模仿人类的行为。以自动驾驶汽车为例，识别行人可以被理解为机器学习，但在抵达目的地之前的行驶过程中所处理的所有内容则是人工智能。 机器学习在网络安全领域的使用 随着越来越多的企业拥抱数字化，保护自身企业的措施也必须进行演进。主动抵御安全风险，要比被动响应风险更加至关重要。现在，威胁和设备数量以及网络规模如此庞大，人类和传统系统根本无法充分理解安全威胁，并建立关联。因此，我们必须求助于机器学习和人工智能，确保能够领先网络攻击者一步。 在网络安全领域，机器学习和人工智能作为助力手段，为我们提供了新的机遇——系统能够理解数据，并提供我们需要关心和采取行动的信息，这能够极大地提升安全分析师的工作效率。 机器学习在网络安全中的使用主要集中在三个方面：威胁检测、异常检测，以及用户行为分析。 以威胁检测为例，我们委托机器学习系统检测新型未知文件，并确定该文件是否构成威胁。要做到这点，它必须通过查看已知恶意文件（已确定的恶意文件）进行学习，它所查看的样本数量越多，就会越了解这些样本的特征（属性、组件、行为），也就越能够检测和发现未知文件。这是一个连续自我改善与提升的过程，通过发现和吸纳已核实的新结果，不断提升机器学习的能力。 而对于异常检测而言，它需要系统检测行为模式，并基于此自动构建配置文件。在自动驾驶汽车等封闭系统中，系统会观察车辆的所有组件以及它们之间的通信方式，并为正常状态构建一个基准模型。当发生超出该模型的异常事件时，系统就会提示异常。由于数据可用性的挑战，对互联网等开放系统的异常检测变得极为难以实现。只有以海量数据为样本时，才能实现真正有效的检测。赛门铁克凭借来自亿万系统的遥测数据资源，能够实现有效异常检测。 机器学习在这两方面为我们构建出色的工具提供了支持，使赛门铁克能够领先网络攻击者一步。威胁检测帮助我们发现全新未知的恶意软件，而异常检测则能够帮助我们查看网络或系统是否受到攻击，或是否需要进一步调查。 数据是机器学习的动力之源。而大数据则是赛门铁克机器学习方式的核心。得益于在端点、网络和云安全的广泛足迹，我们从来自不一样企业、行业和地区，并处于实时监测下的1.75亿端点和5,700万攻击传感器中收集了广泛的威胁与攻击数据。这些数据意味着数十亿文件和近四万亿关联信息。这是一个庞大而丰富的数据集，能够训练分类系统去辨别哪些是“无害”、“恶意”，以及介于两者之间的数据和内容。我们拥有的数据越多越丰富，检测就会越精确越高效。 展望未来 最终，我们需要能够构建出色的情报安全系统，并确保它们拥有比威胁发展更快的速度进行学习，还能够预测新的攻击。我们可以利用机器去搜索暗网，无需查找关键词，便能够理解和解读以任何语言所进行的讨论，并将这些内容导入人工智能，将它们与所有其他机器学习输出进行整合，从而最终实现感知、检测和生产。 尽管机器智能的概念存在已久，但真正意义上的发展还是开始于近年。我们对于机器学习和人工智能将威胁监测带入新的领域感到兴奋不已。如果能够正确利用人工智能与机器学习，并与端点和云端广泛而丰富的数据相结合，这些技术将彻底改变打击网络犯罪的方式。随着计算能力和数据量的提升，人工智能和机器学习也在快速发展。每当我们在网上购物、运用ATM机 、或者浏览广告时，智能机器都正在保护着我们。虽然现实生活中并没有统治世界这种惊心动魄的故事，但它们的出现至少会让我们睡得更加踏实。 |
发表评论
