网络不安全，人工智能何以解？( 二 ) 文/观察未来科技如今

在欧盟， 2020年2月的《欧洲数据战略》《塑造欧洲的数字未来》和《人工智能白皮书》集中提出了“技术主权” ，在科技、规则和价值三方面强化了欧盟对网络空间的控制力和主导权，强调在网络关键技术、基础设施领域、规则制定和价值观上确保欧盟的自主性和选择的能力。在新冠疫情的背景下，欧盟单一市场、供应链安全以及对欧盟外数字企业的依存度等问题越发突出， “欧洲数字主权”成为继“技术主权”之后的又一强力主张。

文章图片
网络安全需要深度学习
实际上，如今，使用计算机的人们都应该对于基本的防范措施不陌生，包括给计算机要安装防毒软件，以及良好的密码使用习惯等。然而，随着网络犯罪手法日益高明，人们却不得不花更多时间来加强防御措施，谨惕自己不要受骗上当。但即便是如此，许多时候，人们依然难以躲过网络攻击。毕竟，就连最理性、最讲究逻辑的人都难免有疏漏的时刻，遭到网络攻击的乘虚而入。
基于此，尖端研究计划署登场，他们发起了一场竞赛，看是否有人能建立一个以人工智能主导的网络防御系统，将人为因素完全屏除在外。首届决赛2016年在拉斯维加斯举行——世界各地的黑客会定期在此聚会，在“黑帽”（BlackHat）。和“世界黑客大赛”（DefCon）上交流想法和最新信息。
具体来看，参赛者在初赛时，必须以各自打造的自动防御系统分析若干计算机程序，查出程序是否在输入特定资料后崩溃。不过，真正的考验还是修改程序，使类似攻击再无用武之地。最后赢得比赛的队伍将可以在网络攻防夺棋赛（CaptureTheFlag,CTF）上，用其设计的自动防御系统与人类对手一较高下。
当然，不是每个参赛者设计的系统都能够达到完美，大多数情况下，一个系统虽然在某些环节上表现得很好，但往往也会在其他环节差强人意，而“机器学习”（ML）却似乎是个例外。
机器学习是将人工智能运用到系统中，实现从经验中学习的一种（或一组）方法。使机器学习与其他类型的编程区分开的某些方面是使用人工构建的算法来完成任务以从大量数据中学习的能力。这些算法帮助机器学习和适应新数据，从而使机器可以像人一样思考和行动。机器学习使计算机能够学习、适应、推测模式，并在没有明确编程指令的情况下相互通信。
传统的威胁检测系统在大量数据日志上使用启发式和静态签名来检测威胁和异常，但这意味着，分析师需要了解什么是正常的数据日志。该过程包括通过传统的提取、转换和加载（ETL）阶段来获取和处理数据。转换后的数据由机器读取，然后由分析师进行分析并创建签名。接下来通过传递更多的数据来评估签名。评估中出现错误意味着需要重写规则。基于签名的威胁检测技术虽然好理解，但并不健全，因为需要通过大量的数据来创建签名。
相较于传统的威胁检测系统，机器学习能主动识别新的恶意软件、零日攻击和高级持续性威胁，机器学习可以通过日志关联方法对大量日志数据形成新的理解。终端解决方案已被用于识别外围攻击。机器学习驱动的网络安全产品可以增强容器系统（如虚拟机）的安全性。
通常，构建机器学习产品是为了在攻击发生之前预测攻击，但由于攻击的复杂性，预防措施往往会失败。在这种情况下，机器学习经常能用其他的方式来补救，比如，在攻击发生的早期就识别出来，并阻止该攻击在整个组织中蔓延。