7月，CopyCat病毒使1400萬部安卓手機遭殃；
6月，Petya病毒感染全球60多個國家；
5月，WannaCry病毒席卷全球，至少150個國家受到攻擊。
萬物互聯(lián)時代，內網和外網的邊界逐漸模糊，人們的工作和生活關系更加緊密，網絡泛化成為大趨勢，無形中為病毒的傳播提供了溫床，也意味著網路安全將面臨著嚴峻考驗。
隨著人工智能在各垂直行業(yè)的應用不斷落地，用人工智能預測網絡攻擊的技術已經出現(xiàn)，但網絡安全中的威脅識別，實際上經歷了漫長的演進過程。
最初，相關廠商通過黑白名單技術，對目標進行甄別，用這樣的一維特性來識別威脅。隨后出現(xiàn)了匹配字符串這樣的二維特性，之后是多維特性，即通過監(jiān)督程序運行，將過程信息轉化為多維特征，以判斷潛在威脅。但多維技術卻由于成本過高、效率低下等致命缺點，無法廣泛普及。
互聯(lián)網發(fā)展日新月異，基于大量設備產生的日志進行管理和分析的技術逐漸興起，包括關聯(lián)分析等機器學習算法也被大量推廣使用，其中典型的兩種機器學習算法便是監(jiān)督學習和無監(jiān)督學習。
監(jiān)督學習是一個高效的多維度特征發(fā)現(xiàn)方法，適用于惡意程序、勒索病毒以及垃圾郵件的防治等。但模型的新鮮度、準確率及召回率是其面臨的三大挑戰(zhàn)，意味著監(jiān)督學習并不是萬能的。
無監(jiān)督學習則在反欺詐、態(tài)勢感知、用戶行為分析等方面應用更多，但其通常是在客戶的網絡環(huán)境中進行，更易面臨病毒攻擊，這也成為無監(jiān)督學習的軟肋。
機器學習的多維識別能力是其優(yōu)勢所在，但預測精度往往不盡人意，因此需要結合其他技術綜合運用。但人工智能可以提高在網絡安全應用中的分析效率是顯而易見的。在不久的將來，物聯(lián)網連接設備數(shù)量持續(xù)增加，大量的信息安全隱患單純依賴人工分析必然捉襟見肘，而對于人工智能來說，在幾分鐘之內便可分析幾百萬條數(shù)據(jù)。
但人工智能是一把雙刃劍，在阻擋黑客攻擊的同時，也成為黑客反攻擊的新手段，隨著大量人工智能模型的開源，黑客可以利用開源工具欺騙識別系統(tǒng)，未來，隨著病毒的變種增加、規(guī)模擴大、復制周期縮短等因素，檢測的難度將隨之增加。
在黑客攻擊的手段中，最令人擔憂的是對抗樣本的出現(xiàn)。由于機器學習、深度學習的算法均依賴于數(shù)據(jù)，這也成為其缺陷。黑客們乘機而入，設計新的架構生成模型，利用生成的對抗樣本來干擾機器判斷。值得注意的是，目前的機器學習過度依賴于數(shù)據(jù)分布，這無疑給惡意樣本的識別增加了難度。
算法的缺陷不可避免，但并不意味著人工智能在網絡安全的應用行不通，如果能夠用統(tǒng)計學及因果關系圖譜的方法分析信息安全事故中的潛在關聯(lián)，從而增加分析端的可解釋性，另外，適當降低算法的復雜性可有效減少數(shù)據(jù)的需求量，為防毒過程減負。
人工智能已經成為新的科技浪潮，在網絡安全中的應用已經是大勢所趨，雖然目前仍存在很大改良空間，但其未來的發(fā)展?jié)摿Σ豢上蘖俊Ｎ磥?，會有更多的網絡安全公司開始使用人工智能技術，改善安全防御體系，開創(chuàng)網絡防護新時代。
