當你搬家時，你會換鎖還是和你所有的鄰居使用共享鎖？試想一下，如果小偷僅僅知道了一個共享鎖的密碼，將會發(fā)生什么呢？出于某種原因，信息安全的世界有一種相同的鎖定心態(tài)。一些“顧客”是有惡意的人，他們費盡力氣想去侵犯他人的財產安全。考慮到這種情況，即便各個企業(yè)投入了大量資金，安全防護仍會失敗，對于這樣的結果我們也就不應感到驚訝。

 

　　要想網絡防御者有機會贏得勝利，我們就必須開始公平競爭。供應商將他們的安全產品的相關副本分發(fā)給客戶，只是因為這個方式對他們來說很容易，而不是因為這個行為對他們的客戶更好。

 

　　一個反病毒公司應該為每個惡意軟件樣本生成多少個變種？所有基于主機的人工智能（AI）防御都能在病毒環(huán)境中學習嗎？在過去，為每個企業(yè)定制這些方案是不可行的。幸運的是，網絡安全研究逐漸出現(xiàn)了一些新的技術，它們可以為每一個客戶提供獨特的病毒檢測軟件，這些技術可以幫助維護公平競爭環(huán)境，甚至有助于企業(yè)在商業(yè)競爭中取勝。

 

　　這些新興技術廣泛地出現(xiàn)在人工智能和機器學習領域。任何人工智能系統(tǒng)的核心都是學習能力。一些人工智能解決方案從本地環(huán)境中學習，而另一些則從全局環(huán)境中學習。那些能夠勝出的是那些利用只存在于客戶的網絡環(huán)境中的數(shù)據(jù)，并產生一種針對該環(huán)境的移動防御類型的數(shù)據(jù)，根據(jù)這些數(shù)據(jù)建立起某種或全部的威脅探測能力的企業(yè)。其中包括：

 

　　一種是實質上不同于當前企業(yè)之間的防御方式；

 

　　一種是隨著時間的推移，它會隨著環(huán)境的變化而不斷演變的防御方式；

 

　　最重要的一種是，防御系統(tǒng)不會讓攻擊者事先知道，并且他們斷定攻擊者一定會失敗。

 

　　類似于在密碼中再次套入密碼有助于保護信息不受損害，部署網絡安全解決方案，利用網絡環(huán)境將其與其他所有副本區(qū)別開來，有助于保護企業(yè)。

 

　　使用人工智能系統(tǒng)建立一個移動防御系統(tǒng)

 

　　人工智能可以使用數(shù)千個特征來判斷網絡中的內容是否有惡意，或者用戶或系統(tǒng)行為是否異常。每一個特征都只提供了一個小的證據(jù)來判斷是否有病毒。

 

　　但是這只有在復雜的組合中才有用。機器學習算法通過專門一段時間的訓練，試圖找出如何結合特征來產生準確的洞察和預測。

 

　　根據(jù)每個人工智能系統(tǒng)的方法，培訓數(shù)據(jù)可以來自當?shù)丨h(huán)境、全球環(huán)境或兩者的混合。然而，與傳統(tǒng)方法不同的是，所得到的模型從來都不是基于簡單的規(guī)則或易于理解的模式。這些模型的自然不透明以及它們的動態(tài)構造為有效的移動防御提供了基礎。

 

　　你可以通過調整訓練集或時間來改變人工智能模型。額外的培訓數(shù)據(jù)是否只是簡單地添加或用來替換老的培訓數(shù)據(jù)并不重要，因為結果是一樣的。

 

　　新的模型使用現(xiàn)有的功能或使用全新的功能被創(chuàng)造出來。在人工智能和機器學習方面，量身定制的檢測解決方案的成本是可以忽略不計的。然而，必須有一個解決方案提供者來啟用這種方法。一些使用機器學習和人工智能的網絡安全供應商仍然在以傳統(tǒng)方式部署他們的模型，而不會利用本地數(shù)據(jù)來調整他們的解決方案。當然，移動防御也面臨挑戰(zhàn)，不僅僅是那些會繼續(xù)試圖打敗它們的惡意行為者所帶來的挑戰(zhàn)。最重大的挑戰(zhàn)是如何確保定制解決方案的平價問題。沒有人想要“第二好的”檢測模型。必須注意的是，任何技術在實際應用過程中都會產生一種具有統(tǒng)計意義的模型，在所有定制的變量中，檢測精度和誤差幾乎是一致的。

 

　　很難找到比移動防御更好的安全概念。“改變你的鎖”是最完美的安全建議之一。然而，在網絡安全領域，有些鎖比其他鎖更容易改變。