人工智能（AI）和機(jī)器學(xué)習(xí)（ML）通過保護(hù)工具來分析數(shù)千起網(wǎng)絡(luò)事故中的數(shù)據(jù)，從而在網(wǎng)絡(luò)安全中發(fā)揮重要作用。機(jī)器學(xué)習(xí)（ML）是AI的心臟 -一種系統(tǒng)，它使計算機(jī)可以像人類一樣探索數(shù)據(jù)，發(fā)現(xiàn)以前的經(jīng)驗(yàn)以做出決策。網(wǎng)絡(luò)安全中的機(jī)器學(xué)習(xí)算法可以發(fā)現(xiàn)，識別和分析安全問題。許多當(dāng)前的保護(hù)工具，例如風(fēng)險情報，已經(jīng)在使用ML。

在KitRUM，我們已經(jīng)建立了數(shù)十個團(tuán)隊(duì)來實(shí)施ML，以實(shí)現(xiàn)端點(diǎn)保護(hù)，應(yīng)用程序安全，檢測Web攻擊中的惡意查詢，檢測HTTP請求中的異常等。因此，我們非常熟悉該過程。

大多數(shù)ML算法執(zhí)行以下功能：

回歸

回歸（或預(yù)測）非常簡單。通過了解和理解當(dāng)前信息，我們可以預(yù)測未來數(shù)據(jù)的變化。例如，根據(jù)世界情況和經(jīng)濟(jì)發(fā)展來考慮汽油價格預(yù)測。如果我們在談?wù)摼W(wǎng)絡(luò)安全案例，則可以在欺詐檢測中使用回歸。標(biāo)志（幕后操作，位置，設(shè)備等的數(shù)量）標(biāo)識了欺詐行為的可能性。

以下是用于回歸任務(wù)的ML方法示例：

線性回歸

機(jī)器學(xué)習(xí)主要負(fù)責(zé)限制模式的錯誤或創(chuàng)建可能的最精確的預(yù)測，但以可解釋性為代價。ML像統(tǒng)計數(shù)據(jù)一樣從各個不同的領(lǐng)域借用和重用方法。它適用于恒定范圍內(nèi)的預(yù)測值（例如，銷售，物流），而不是嘗試按類別（例如，書籍，雜志）對其進(jìn)行排序。共有兩種常見形式：簡單回歸和多元回歸。

多項(xiàng)式回歸

這種回歸類型主要用于確定或解釋非線性情況，例如病毒的傳播，基于多年經(jīng)驗(yàn)的開發(fā)人員薪水等。ML專家通常使用Python來構(gòu)建這種回歸類型。

嶺回歸

是一種分析具有多重共線性的回歸數(shù)據(jù)的方法。在具有多重共線性的情況下，估計值會有所不同，因此它們可能與實(shí)數(shù)相去甚遠(yuǎn)。通過在回歸評估中增加一定的傾斜度，嶺回歸可以減少標(biāo)準(zhǔn)誤差。

決策樹

決策樹使用2個動作建模：歸納法和切割法。歸納法是當(dāng)我們創(chuàng)建樹時，即根據(jù)我們的數(shù)據(jù)設(shè)置所有分級分辨率限制。修剪是一種從決策樹中刪除不必要形式，最小化復(fù)雜度以使其更易于閱讀的方法。

SVR（支持向量回歸）

SVR允許靈活地確定在我們的示例中有多少錯誤是適當(dāng)?shù)?，并找出合適的行來匹配數(shù)據(jù)。

隨機(jī)森林

作為一個組工作的大量相對不相關(guān)的示例（樹）將超出模型的任何單獨(dú)部分。

分類

分類非常簡單！例如，您有按類別分類的兩類圖片，在這種情況下為計算機(jī)和電話。出于網(wǎng)絡(luò)安全的目的，可以將垃圾郵件與特定郵件區(qū)分開來的垃圾郵件過濾器可以作為示例。垃圾郵件過濾器可能是網(wǎng)絡(luò)安全活動中使用的第一種ML方法。

這些類型的學(xué)習(xí)方法通??常僅在計算機(jī)/人員已經(jīng)知道分類的本質(zhì)時才使用。這些方法稱為監(jiān)督學(xué)習(xí)。因此，為使此方法起作用，應(yīng)預(yù)先定義類別的所有類。在下面，您將找到與算法相關(guān)的進(jìn)程的列表：

機(jī)器學(xué)習(xí)分類

支持向量機(jī)（SVM）

樸素貝葉斯

隨機(jī)森林分類

內(nèi)核支持向量機(jī)

決策樹分類

邏輯回歸（LR）

K最近鄰居（K-NN）

即使大多數(shù)人傾向于發(fā)現(xiàn)SVM和隨機(jī)森林分類可提供最佳結(jié)果，但機(jī)器學(xué)習(xí)并沒有“一刀切”的規(guī)則。強(qiáng)烈建議將所有這些方法都檢查為SVM，并且隨機(jī)森林澄清可能無法滿足您可能想到的任務(wù)！

聚類

聚類和澄清之間的唯一顯著區(qū)別是，已放入系統(tǒng)中的信息沒有任何分類。這也稱為無監(jiān)督學(xué)習(xí)。聚類主要用于法醫(yī)分析之類的任務(wù)，因?yàn)楹蠊头椒ǖ囊匚粗@就是聚類的目的。法醫(yī)分析要求必須發(fā)現(xiàn)異常，這是由機(jī)器對事件中所有已完成的活動進(jìn)行分類來完成的。惡意軟件分析（例如間諜軟件或安全電子郵件網(wǎng)關(guān)）都使用群集作為查找異常的方法，以將合法文件與異常值分開。

行為分析是可以使用群集的另一個有趣的領(lǐng)域。例如，系統(tǒng)可以對應(yīng)用程序用戶進(jìn)行聚類，以便在可能的情況下將他們縮小到特定的組。

群集通常不用于解決問題，而是用于預(yù)防問題。它們更像是子任務(wù)執(zhí)行器，就像維護(hù)管道以降低風(fēng)險一樣！可以將它們分別用于對用戶進(jìn)行分組，這可以在可預(yù)見的將來降低風(fēng)險值。

機(jī)器學(xué)習(xí)集群

數(shù)據(jù)庫管理中心

K均值

均值漂移

貝葉斯

集聚的

K最近鄰居（KNN）

高斯混合模型

混合模型（LDA）

使用ML進(jìn)行網(wǎng)絡(luò)安全的真實(shí)示例

垃圾郵件填充應(yīng)用

每個郵件服務(wù)提供商都使用通過機(jī)器學(xué)習(xí)方法構(gòu)建的垃圾郵件過濾器算法。垃圾郵件檢測主要使用樸素貝葉斯算法，這是一種非常常見的機(jī)器學(xué)習(xí)方法，它基于統(tǒng)計方法。培訓(xùn)和測試是機(jī)器學(xué)習(xí)的兩個階段。由于監(jiān)督學(xué)習(xí)的復(fù)雜性，樸素貝葉斯算法采用了識別樣本的數(shù)據(jù)集。本質(zhì)上，樸素貝葉斯算法在整個電子郵件消息中都使用詞頻，因此，訓(xùn)練數(shù)據(jù)集包括每個樣本的詞，術(shù)語數(shù)和類別詳細(xì)信息。

網(wǎng)絡(luò)入侵檢測與預(yù)防

了解網(wǎng)絡(luò)環(huán)境并生成安全策略可能是涉及傳統(tǒng)網(wǎng)絡(luò)安全方法時要重點(diǎn)關(guān)注的兩個重要方面。盡管如此，還有一些其他方面值得考慮：

策略：可以使用安全策略來區(qū)分合法和危險/惡意網(wǎng)絡(luò)連接。此外，安全策略還實(shí)施了零信任的概念。但是，在大量網(wǎng)絡(luò)上創(chuàng)建和維護(hù)上述計劃非常具有挑戰(zhàn)性！

環(huán)境：許多公司沒有為程序和工作負(fù)載提供特定的命名協(xié)議。結(jié)果，保護(hù)部門傾向于投入大量時間來確定哪些工作負(fù)載集合是應(yīng)用程序的一部分。

欺詐識別

為了了解如何將機(jī)器學(xué)習(xí)用于欺詐檢測，我建立了一個小方案：

以下是用于欺詐檢測的一些機(jī)器學(xué)習(xí)概念和算法：

監(jiān)督學(xué)習(xí)

監(jiān)督學(xué)習(xí)非常適合金融科技中的欺詐檢測等案例。在監(jiān)督學(xué)習(xí)模型中，所有輸入都必須標(biāo)記為好和壞。這是因?yàn)樵撃Ｐ蜔o法檢測到未歸類為歷史數(shù)據(jù)的欺詐行為，因?yàn)楸O(jiān)督學(xué)習(xí)取決于預(yù)測性數(shù)據(jù)分析，因此該模型已從中獲悉！

無監(jiān)督學(xué)習(xí)

這種類型的模型使用其不斷處理和分析的新信息進(jìn)行更新，并根據(jù)發(fā)現(xiàn)進(jìn)行更新。

半監(jiān)督學(xué)習(xí)

這在識別信息不切實(shí)際或成本太高并且需要人類專家研究的情況下起作用。即使未定義數(shù)據(jù)的組身份不確定，半監(jiān)督學(xué)習(xí)算法也會存儲有關(guān)基本組變量的信息。

強(qiáng)化學(xué)習(xí)

強(qiáng)化學(xué)習(xí)算法可幫助機(jī)器自動識別指定設(shè)置內(nèi)的最佳動作。

僵尸網(wǎng)絡(luò)檢測

在基于網(wǎng)絡(luò)的僵尸網(wǎng)絡(luò)識別技術(shù)中，惡意流量是通過分析一系列條件下的網(wǎng)絡(luò)流量來檢測的，例如網(wǎng)絡(luò)流量活動，流量趨勢，反應(yīng)時間，網(wǎng)絡(luò)負(fù)載和鏈接行為。基于網(wǎng)絡(luò)的解決方案也分為兩類：活動監(jiān)視和不活動監(jiān)視。

結(jié)論

隨著越來越多的技術(shù)融入我們的日常生活中，人工智能對我們生活的影響將繼續(xù)發(fā)展。許多分析師認(rèn)為，人工智能對技術(shù)有不利影響，而另一些分析師則認(rèn)為，人工智能將極大地改變我們的生活。對于信息保護(hù)而言，顯著的優(yōu)勢取決于更快地識別和減少風(fēng)險。疑問集中在黑客實(shí)施日益復(fù)雜的安全性和基于技術(shù)的攻擊的能力上。

責(zé)任編輯：YYX