“企業(yè)的安全部門經(jīng)常缺乏技術(shù)人手，不足以應對各種各樣的威脅。”
關(guān)于網(wǎng)絡犯罪的報導與日俱增，然而這還不包括那些未被報導和沒有被發(fā)現(xiàn)的。為了應對日益惡化的犯罪形勢，監(jiān)測方法在不斷的改進、升級，幾乎改頭換面。
俗話說“一物降一物”，網(wǎng)絡犯罪呈上升趨勢，打擊網(wǎng)絡犯罪的方法也在不斷升級。而在不失準確性且高效的情況下，讓電腦自動打擊網(wǎng)絡犯罪可強化人在安全運營中的角色。
自動化浪潮是技術(shù)的進步，智能軟件的自主學習化使其能識別并處理一些突發(fā)事件，而安全專家則能處理一些更復雜、更重要的案件。
但安全專家不是那么好當?shù)?。黑市隨意可買到的惡意軟件、僵尸網(wǎng)絡、DDoS產(chǎn)品，為有組織的犯罪團伙提供了可乘之機。然而還有更大的難題擺在眼前：無論是內(nèi)部威脅的識別和管控，亦或是設(shè)備策略、管理，還是日益互聯(lián)的物聯(lián)網(wǎng)的不確定性，無一不增加了安全專家的工作難度，使得無論是現(xiàn)實中還是網(wǎng)絡中的商業(yè)安全保護工作復雜化。
讓這一難題更加棘手的是技術(shù)人才的短缺：企業(yè)的安全部門經(jīng)常缺乏技術(shù)人手，不足以應對各種各樣的威脅。而應聘者前所未有的技能差距更是讓這些機構(gòu)經(jīng)常招不到合適的人選。
機器的自主意識與自我防御
目前的安全形勢十分嚴峻，安全措施必須進化升級。犯罪分子的犯罪手法越來越精明，所以安全保障團隊也應不斷提高自身能力，以保護新型混合網(wǎng)絡與關(guān)鍵資產(chǎn)數(shù)據(jù)的安全。
傳統(tǒng)的系統(tǒng)循規(guī)蹈矩，應對過去不復雜的網(wǎng)絡攻擊十分有效。但在如今的數(shù)字時代，傳統(tǒng)方法應對網(wǎng)絡攻擊的能力非常有限。傳統(tǒng)的系統(tǒng)是一個“是”或“不是”的死板系統(tǒng)，基于一套固定的管控程序，只有符合程序識別特征的網(wǎng)絡攻擊才能被攔截。
DARPA提出了自動防御的思想，試圖在網(wǎng)絡安全挑戰(zhàn)賽上實現(xiàn)這一目標，期間派出了一代具有算法的機器，可以實現(xiàn)自主發(fā)現(xiàn)、識別網(wǎng)絡攻擊并實時修補軟件漏洞的功能。此次挑戰(zhàn)的成功說明隨著機器自主意識的發(fā)展，在不久的將來，網(wǎng)絡罪犯團伙的現(xiàn)有優(yōu)勢將不復存在。
當一個公司同時面臨多重攻擊時，可以通過風險評估來減小風險。本質(zhì)上是根據(jù)環(huán)境因素與安全機構(gòu)的保護優(yōu)先順序，對每一個威脅進行綜合評分。
從根本上說，風險評估使得安全機構(gòu)能優(yōu)先解決對商業(yè)安全影響大的事件。無論是被發(fā)現(xiàn)了的還是沒被發(fā)現(xiàn)的，網(wǎng)絡攻擊的數(shù)量是在不斷增長的。而風險評估將持續(xù)為商業(yè)安全提供指導與保障。然而這種被動的防護手段固然重要，但若想真正解決網(wǎng)絡犯罪，唯一辦法是擴大監(jiān)控范圍，在對方實施攻擊前解決它。而這正是現(xiàn)在的安全機構(gòu)努力嘗試攻克的難題。
機器學習的應用方式
安全專家在傳統(tǒng)防護系統(tǒng)的基礎(chǔ)上，加入了機器學習的技術(shù)。通過對數(shù)據(jù)分析，識別出攻擊模式，從而使用機器語言修改攻擊程序。這也是許多商業(yè)公司進行大數(shù)據(jù)分析的一種手段。比如，亞馬遜就通過一種特定算法的機器學習手段來預測消費者的消費習慣。
顯然這招十分有效，引來各大公司紛紛效仿，他們都將采用類似設(shè)備以擴大盈收。在網(wǎng)絡安全領(lǐng)域，采用機器學習的防護系統(tǒng)使用的是異常檢測方式。系統(tǒng)會預設(shè)一個正常的模型，如果進入系統(tǒng)的數(shù)據(jù)與這個模型不一致的話，便會被認定為異常數(shù)據(jù)。
值得注意的是，這個正常的參考模型不是靜態(tài)的。補充的數(shù)據(jù)越多，系統(tǒng)對正常模型的定義便會越清晰，而這不斷更新的正常模型會被用來實時與系統(tǒng)環(huán)境進行校對，保證其準確性。這意味著如果一個未被識別過的威脅進入系統(tǒng)后會被識別出來，因為它與系統(tǒng)預設(shè)的正常模型不一致。
在數(shù)字時代，所有策略都在進化。深度學習強化了機器學習。這種保護方式能在深度學習核心引擎數(shù)據(jù)庫的幫助下，準確識別觸發(fā)機制、事件和結(jié)果。在這種技術(shù)的加持下，電腦對惡意文件的辨別和分類都更加準確，不管它是已知程序的變種還是未知的惡意程序。
自動監(jiān)測網(wǎng)絡攻擊并阻攔為商業(yè)安全提供了實時保護。在安全領(lǐng)域，深度學習較傳統(tǒng)的機器學習在任意設(shè)備、平臺或操作系統(tǒng)上對新型惡意程序的監(jiān)測展現(xiàn)出突破性成果。
信息安全專家已與此斗爭多年，為了更好的識別不同網(wǎng)絡攻擊的模式，他們使用了最新的技術(shù)與之抗衡。在最近的一次嘗試中，他們使用了狹義人工智能來輔助分析結(jié)果并采取行動。
人造神經(jīng)元傳輸速度遠快于生物神經(jīng)元，這決定了其能比人更快的做出決定。人工智能減少了那些假警報浪費的時間。滯留時間減少了，重要商業(yè)數(shù)據(jù)也就被有效地保護了。在未來，人工智能將減輕安全工作小組的負擔，讓他們有更多的時間來處理機器無法處理的、更復雜的任務。
目前，狹義人工智能-人工智能的精簡版只能在定義明確的環(huán)境下處理某一特定的問題-還處在安全運營中的早期階段。這種人工智能的局限性在于其無法根據(jù)環(huán)境作出反應，它只能按預設(shè)的幾種方式反應。然而，在某些特定情況下可使用的更先進的人工智能也已經(jīng)出現(xiàn)了，可以識別網(wǎng)絡攻擊模式，并對其自動分類采取措施。
接下來的一年是至關(guān)重要的一年，各大企業(yè)與科技公司將對深度學習與機器學習進行更深層次的融合。然而人工智能還無法進入千家萬戶，因其仍需要龐大的數(shù)據(jù)庫、訓練模式與大型數(shù)據(jù)處理能力的支持。
將自動化與人或人管控的機器學習相結(jié)合的混合方式不僅能緩解當前企業(yè)的安全人才緊缺現(xiàn)狀，而且能提供比純?nèi)斯せ蚣儥C器更好的防護手段。自動化技術(shù)在未來幾年里將逐漸成熟。而許多企業(yè)已將自動化與快速決策作為提高效率與壯大公司的手段之一，下一步應是將這種技術(shù)廣泛應用于信息安全工業(yè)中。
網(wǎng)絡攻擊的手段層出不窮，而識別、防御、管控方式也在不斷成熟。實現(xiàn)網(wǎng)絡攻擊的自動管控可能比大多數(shù)人想象中要來的更早。
