隨著人工智能(AI)在社會中的日益普及，也進入了網(wǎng)絡安全領域。人工智能可通過多種方式來幫助改善網(wǎng)絡安全，包括自動檢測和響應威脅、提高網(wǎng)絡效率、以及幫助識別漏洞。在本文中，將討論到人工智能改變網(wǎng)絡安全的一些方式，以及其如何幫助企業(yè)保持網(wǎng)絡安全。

　　人工智能正在改變網(wǎng)絡安全的格局。本文的優(yōu)勢表明，通過實施人工智能系統(tǒng)，組織將能夠提高檢測和響應速度，并更積極地預測和處理新出現(xiàn)的威脅。

　　什么是人工智能(AI)?

　　人工智能是一種由機器展示的智能，而不是由人類和其他動物展示的自然智能。人工智能應用程序可以分析數(shù)據(jù)并自行做出決定，無需人工干預。

　　人工智能是通過評估人腦的過程和研究人腦的模式來實現(xiàn)的。這些威脅調(diào)查導致了智能軟件、系統(tǒng)或人工智能解決方案的創(chuàng)建。

　　人工智能的基礎是基于所謂的人工智能圖靈測試。人工智能中的圖靈測試是一種確定機器是否能表現(xiàn)出與人類無法區(qū)分的行為的方法。如果這個問題的答案是肯定的，那么這臺機器就通過了圖靈測試，被認為是智能的。

　　人工智能的三個主要組成部分是:

　　1.人工智能學習是從經(jīng)驗中獲取新知識或技能的過程。

　　2.推理是從一組前提中得出邏輯結論的能力。

　　3.自我糾正是識別和糾正錯誤的能力。

　　人工智能在網(wǎng)絡安全中的作用是什么?

　　人工智能在網(wǎng)絡安全方面的作用是幫助組織降低入侵風險，并改善其整體安全狀況。人工智能通過從過去的數(shù)據(jù)中學習來識別模式和趨勢，從而在網(wǎng)絡安全中發(fā)揮作用。然后，這些信息被用來預測未來的襲擊。人工智能驅(qū)動的系統(tǒng)還可以配置為自動響應威脅，并在更快的時間內(nèi)對抗網(wǎng)絡威脅。

　　隨著企業(yè)攻擊面不斷發(fā)展和演變，分析和增強網(wǎng)絡威脅和網(wǎng)絡攻擊不再是人類面臨的挑戰(zhàn)。根據(jù)組織的大小，必須處理多達數(shù)千億的時變信號，以正確地計算風險。

　　為了應對這一前所未有的挑戰(zhàn)，神經(jīng)網(wǎng)絡等人工智能工具和方法不斷發(fā)展，以更有效和高效的威脅檢測和威脅消除功能，幫助信息安全團隊保護敏感信息，降低入侵風險，改善安全態(tài)勢。

　　機器學習在網(wǎng)絡空間的應用

　　機器學習是人工智能的一個子集，其使用算法自動學習和改進經(jīng)驗，而無需明確編程。

　　其主要用于網(wǎng)絡安全，有兩個目的:

　　①異常檢測: 機器學習可用于自動檢測異常，例如異常的用戶行為或意外的網(wǎng)絡活動，這些異常可能表明存在安全威脅。例如，crowdstrike、darktrace等許多產(chǎn)品都在使用這種技術。

　　②分類: 機器學習可以用來自動分類數(shù)據(jù)，如電子郵件或文件，進入分類(如垃圾郵件或惡意軟件)，以便更有效地處理。

　　人工智能/網(wǎng)絡安全難題-潛在的不利因素

　　我們都很贊同使用人工智能來解決安全問題。

　　網(wǎng)絡犯罪分子可以訓練人工智能系統(tǒng)或?qū)㈠e誤的數(shù)據(jù)輸入到人工智能使用的數(shù)據(jù)集。這將使他們能夠創(chuàng)建更現(xiàn)實和復雜的攻擊。此外，人工智能可以用于自動攻擊，使單個參與者可以進行大規(guī)模攻擊。

　　人工智能系統(tǒng)也容易被所謂的“對抗性例子”所欺騙——這些輸入是專門設計用來欺騙系統(tǒng)做出錯誤分類的。例如，一個停車標志的圖像經(jīng)過輕微改動，使其不再被識別為停車標志，這可能會讓自動駕駛汽車誤以為是其他東西，比如讓行標志。這可能會導致災難性的后果。

　　隨著人工智能在網(wǎng)絡安全領域的應用越來越廣泛，考慮潛在風險以及如何減輕這些風險非常重要。做到這一點的一種方法是確保人工智能系統(tǒng)是“可解釋的”——也就是說，它們可以為自己的決定提供理由。這將有助于確保決策是透明的和負責任的，同時也有助于防止對抗性示例被用來欺騙系統(tǒng)。

　　總之，基于人工智能的網(wǎng)絡安全系統(tǒng)在幫助組織方面展現(xiàn)了巨大的潛力。然而，重要的是，要意識到潛在的風險并采取措施來減輕。

　　人工智能如何用于安全?

　　人工智能在網(wǎng)絡安全領域有幾個很好的應用案例。從研究人員或智囊團開始，這里有一個Gartner對網(wǎng)絡安全用例棱鏡的很好的例子。自Gartner的預測以來，超自動化成為了一個備受關注的話題——這意味著另一個量級的自動化將在通用的下一代人工智能系統(tǒng)的基礎上啟動。這涉及到將AI/ML與自動化+質(zhì)量保證相結合，以簡化警報和事件響應工作的管理。本質(zhì)上，其將幫助企業(yè)在規(guī)模上增強無代碼或低代碼安全性，并提高業(yè)務敏捷性和DevOps策略。

　　以下是安全服務和云安全的適用示例列表：

　　1.交易欺詐檢測

　　2.基于文件的惡意軟件檢測

　　3.過程行為分析

　　4.異常系統(tǒng)行為檢測

　　5.網(wǎng)絡、域名和聲譽評估

　　6.資產(chǎn)清單和依賴關系映射優(yōu)化

　　7.賬戶收購識別

　　8.自適應運行時訪問和授權

　　9.識別打樣

　　10.機器與人的區(qū)別

　　11.基于文本的惡意意圖檢測

　　12.同一人識別

　　13.Web內(nèi)容可視化分析

　　14.安全操作任務自動化

　　15.業(yè)務數(shù)據(jù)風險分類

　　16.策略推薦引擎

　　17.事件關聯(lián)

　　18.危險情報

　　19.安全姿勢和風險評分

　　以下是網(wǎng)絡安全領域的人工智能如何減少識別、檢測和應對網(wǎng)絡安全威脅的時間的示例:

　　? 自動化惡意軟件檢測和預防

　　與傳統(tǒng)的軟件驅(qū)動或手動方法相比，人工智能(AI)和機器學習可以幫助對付網(wǎng)絡犯罪分子、自動檢測威脅并更有效地做出響應。機器學習技術可通過結合來自主機、網(wǎng)絡和云上的反惡意軟件組件的大量數(shù)據(jù)來改進惡意軟件檢測。

　　以前未知的樣本可能是惡意軟件和勒索軟件攻擊檢測中的新文件，有助于終端保護機制。其的隱藏屬性可能是惡意的，也可能不是。同樣，能夠避開檢測的惡意軟件也不能保證每次都被捕獲。

　　這并不意味著所有的惡意軟件攻擊都能用人工智能阻止。該模型是支持數(shù)據(jù)屬性的數(shù)學結構化規(guī)則集合。

　　? 網(wǎng)絡釣魚和垃圾郵件檢測

　　深度學習使用大量數(shù)據(jù)來訓練深度神經(jīng)網(wǎng)絡，隨后隨著時間的推移學習如何對圖像進行分類或完成其他任務。

　　即使對于特征相對松散的攻擊操作，深度學習模型也能獲得良好的準確率。其被用來檢測不安全的工作和其他圖像以及垃圾郵件和網(wǎng)絡釣魚攻擊。

　　Google利用深度學習來檢測難以檢測的基于圖像的電子郵件、含有隱藏內(nèi)容的電子郵件，以及來自新形成域的通信。這有助于檢測復雜的網(wǎng)絡釣魚攻擊，包括與垃圾郵件有關的互聯(lián)網(wǎng)流量模式。

　　? 更快、更準確的異常檢測-SIEM和SOAR平臺

　　人工智能可以近乎實時地識別網(wǎng)絡流量數(shù)據(jù)中的惡意和良性異常。通過將機器學習算法應用于網(wǎng)絡流量數(shù)據(jù)，可以檢測到以前未知的攻擊，以及已經(jīng)修改以逃避檢測的已知攻擊。

　　SIEM和SOAR系統(tǒng)增加了組織的安全基礎設施。先進的分析方法和機器學習被用于識別警報，但這需要微調(diào)，由于誤報的發(fā)生。

　　SOAR是處理SIEM警告的補救和反應的引擎。其旨在通過收集警報、管理案例和響應SIEM永無止境的通知來幫助安全團隊自動化響應過程。

　　威脅情報能力是其解決方案之一，讓安全團隊不僅可以跨計算機系統(tǒng)，還可以更深入地了解其他威脅、了解IOT設備和其他集成。

　　? 尋找零日漏洞

　　在“零日攻擊”中，犯罪分子利用一個尚未被制造商修補的軟件缺陷，用惡意軟件感染計算機。然而，人工智能目前的討論和發(fā)展可能會有所幫助。

　　深度學習架構可以用于發(fā)現(xiàn)隱藏或潛在的模式，并隨著時間的推移變得更加環(huán)境敏感，這有助于識別零日漏洞或活動。自然語言處理可以掃描源代碼中的危險文件并標記它們。“生成對抗網(wǎng)絡”可以學習模仿任何數(shù)據(jù)分布，也可以在識別復雜缺陷方面有用。

　　? 提高檢測和響應速度

　　保護企業(yè)網(wǎng)絡的第一步是檢測威脅。如果能快速檢測出不可靠的數(shù)據(jù)，那是再理想不過的事了。其將保護網(wǎng)絡免受永久損壞。

　　將人工智能與網(wǎng)絡安全相結合是實時檢測和應對威脅的最佳方式。人工智能會檢查整個系統(tǒng)是否存在風險。與人類智能不同的是，網(wǎng)絡領域的人工智能能夠及早發(fā)現(xiàn)風險，從而產(chǎn)生更快、更準確的安全警報，使網(wǎng)絡安全專家的工作更有效率。

　　? 檢測新威脅

　　用于識別異常行為或活動模式的預測分析是人工智能在網(wǎng)絡安全領域的主要應用之一。網(wǎng)絡犯罪分子一直在尋找利用系統(tǒng)的新方法。人工智能可以幫助識別這些新威脅，在它們造成任何損害之前。

　　? 減少誤報的數(shù)量

　　當誤報太多時，會占用原本可以用來解決實際問題的時間。但通過人工智能來識別安全事件，就可以減少誤報的數(shù)量，使團隊迅速恢復工作。

　　在數(shù)據(jù)科學的幫助下，人工智能可以快速分析大量事件，并識別廣泛的安全風險，從惡意軟件到可能導致網(wǎng)絡釣魚或惡意代碼下載的風險行為的威脅識別。這些系統(tǒng)隨著時間的推移而改進，利用以前的攻擊來識別當前的新型攻擊。行為歷史通過創(chuàng)建用戶、資產(chǎn)和網(wǎng)絡的檔案，來幫助人工智能識別和應對偏離既定規(guī)范的行為。

　　人工智能系統(tǒng)正在接受訓練，以檢測惡意軟件，執(zhí)行模式識別，并使用高級算法在惡意軟件或勒索軟件攻擊進入系統(tǒng)之前，檢測出哪怕是最微小的特征。

　　通過自然語言處理，人工智能可以通過抓取有關網(wǎng)絡危險的文章、新聞和研究，并自行整理材料來提供更高的預測智能。基于人工智能的安全解決方案，可以提供有關全球和特定行業(yè)威脅的最新知識，根據(jù)最有可能被用于攻擊系統(tǒng)的內(nèi)容，而不是可能被用于攻擊系統(tǒng)的內(nèi)容，做出更明智的優(yōu)先決策。

　　? 檢測機器人

　　現(xiàn)在，機器人占據(jù)了互聯(lián)網(wǎng)流量的很大一部分，但它們可能是致命的。從使用竊取的密碼進行賬戶接管到欺詐性帳戶創(chuàng)建和數(shù)據(jù)欺詐，機器人程序可能是一個嚴重的威脅。手動反應對于自動威脅是無效的。人工智能和機器學習可以幫助分析網(wǎng)站流量，以及區(qū)分好機器人、壞機器人和人類。

　　通過分析用戶行為模式，企業(yè)可以了解典型的用戶體驗是什么樣子，以及不常見的高風險體驗是什么樣子。我們可以從這里破譯他們網(wǎng)絡通信的目的，使我們領先于邪惡機器人。

　　? 入侵風險預測

　　人工智能系統(tǒng)幫助確定IT資產(chǎn)清單，這是一份完整而準確的清單，列出了對各種系統(tǒng)具有不同訪問權限的所有設備、用戶和應用程序。現(xiàn)在，考慮到資產(chǎn)庫存和威脅暴露(如上所述)，基于人工智能的系統(tǒng)可以預測最可能被黑客攻擊的方式和地點，從而計劃將資源投入到最薄弱的位置。

　　這種入侵風險預測將幫助組織隨時準備限制影響并打破攻擊鏈。此外，利用風險數(shù)據(jù)，可以通過基于人工智能的分析，制定和修改策略和程序，以增強網(wǎng)絡彈性。

　　總結

　　顯而易見，人工智能可以成為打擊網(wǎng)絡犯罪的有力工具。通過自動化，人類安全分析師當前執(zhí)行的任務，可以減少誤報的數(shù)量，并加快檢測和響應的過程。

　　更重要的是，要意識到與使用人工智能相關的潛在風險，并采取措施減輕它們。