机器学习有什么用

　　企业更快速检测恶意活动，并在攻击开始前就予以阻止。英国初创公司Darktre于2013年成立，其基于机器学习的企业免疫解决方案，在这方面已取得了很多成功。作为此公司的首席技术官，大卫·帕尔玛见证了机器学习对恶意活动及攻击的影响。

　　帕尔玛称，利用机器学习算法，Darktrace最近帮助北美一家赌场检测出了数据泄露攻击。该攻击将联网鱼缸用作了进入赌场网络的切入点。该公司还宣称，去年夏天的WannaCry勒索软件大肆虐中，其算法也防止了类似的一起攻击。针对感染了150个国家20多万受害者的WannaCry勒索软件，帕尔玛称：“在数秒内，我们的算法就检测出了一家国民医疗服务（NHS）机构网络中的攻击，在尚未对该机构造成任何破坏前，此威胁就被缓解掉了。事实上，我们的客户没有一点一家受到WannaCry攻击的伤害，包括那些没打补丁的。”

　　移动电子设备上，机器学习已成主流；但到目前为止，绝大部分活动集中在驱动基于语音的体验上，比如 Google Now、苹果的Siri和亚马逊的Alexa。不过，机器学习在安全方面确实有应用。如上文提及的，谷歌采用机器学习来分析移动终端威胁，而企业则在防护自带及自选移动设备上看到了机会。

　　MobileIron和Zimperium宣布合作，帮企业将机器学习集成进移动杀软解决方案中。MobileIron将在自己的安全及合规引擎中，集成Zimperium基于机器学习的威胁检测，并作为联合解决方案售出，解决设备、网络及应用威胁检测，快速自动化动作防护公司数据之类的难题。

　　其他供应商也在计划改善自己的移动解决方案。LookOut、被赛门铁克收购的Skycure，还有Wandera，是移动威胁检测及防御市场中的佼佼者，每家都用自有机器学习算法检测潜在威胁。拿Wandera举个例子。这家公司最近刚公开发布了其威胁检测引擎 MI:RIAM，据称检测出了超过400种针对企业移动电子设备的SLocker勒索软件变种。

　　机器学习在安全领域的核心应用，有的人觉得是帮助人类分析师处理安全方面的各项工作，包括恶意攻击检测、网络分析、终端防护及漏洞评估。但在威胁情报方面，才是最令人兴奋的。

　　比如说，2016年，麻省理工学院计算机科学和AI实验室（CSAIL），开发出了名AI2的系统。这是一个自适应机器学习安全平台，可帮助分析师从海量数据中找出真正有用的东西。该系统每天审查数百万登录，过滤数据，并将滤出内容传给人类分析师，可将警报数量大幅度降低至每天100个左右。由CSAIL和初创公司PatternEx共同进行的实验表明，攻击检测率被提升到了85%，而误报率降低至原先的1/5。

　　机器学习的真正价值，在于可以自动化重复性劳动，让员工能专注在更重要的工作上。帕尔玛称，机器学习最终应旨在“消除重复性低价值决策活动对人力的需求”上，比如归类威胁情报等活动。让机器处理重复性工作和阻止勒索软件之类战术性救火工作，这样人类就能解放双手去搞定战略性问题了，比如现代化 Windows XP 系统等等。

　　博思艾伦咨询公司也在走这个路线。据报道，该公司用AI工具更高效地分配人类安全资源，分类威胁，让员工能专注最关键的攻击。

　　有人认为，机器学习有助堵上漏洞，尤其是零日威胁和主要是针对不安全IoT设备的那些威胁。该领域里已出现了先驱者：《福布斯》报道，亚利桑那州立大学的一支团队，采用机器学习监视暗网流量，以识别与零日漏洞利用相关的数据。有了此类洞见的加持，公司企业就可堵上漏洞，在漏洞造成数据泄露前就断掉漏洞利用的机会。

上一篇:镁资讯：海天金属正式进军镁合金打针成型设备商场

下一篇:国内注塑机行业的发展前景