機器學習可以幫助企業(yè)更好地了解自身面臨的安全威脅，幫助員工專注于更有價值的戰(zhàn)略任務(wù)。同時，它還可能是解決下一輪WannaCry風波的有力武器。

20世紀中期，Arthur Samuel在AI之后創(chuàng)造了“機器學習”這個短語，并將其定義為“在沒有被明確編程的情況下就能學習的能力。”跨大型數(shù)據(jù)集應(yīng)用數(shù)學技術(shù)，機器學習算法可以構(gòu)建行為模型，并基于新輸入的數(shù)據(jù)，使用這些模型作為對未來進行預(yù)測的基礎(chǔ)。視頻網(wǎng)站（如Netflix）可以根據(jù)您之前的歷史觀看記錄為您提供新劇集，自動駕駛汽車可以通過與行人近距離接觸的過程了解道路狀況，這些都是機器學習在生活中最普遍的例子。

那么，信息安全中的機器學習應(yīng)用又是什么呢？

原則上來說，機器學習可以幫助企業(yè)組織更好地分析威脅，并響應(yīng)攻擊和安全事件。它還可以幫助自動執(zhí)行一些更為瑣碎繁復(fù)的工作，這些工作或是任務(wù)量巨大或是此前由技術(shù)欠缺的安全團隊所執(zhí)行。

除此之外，機器學習在安全性方面的應(yīng)用也正呈現(xiàn)快速增長的趨勢。ABI Research 的分析師估計，到2021年，機器學習在網(wǎng)絡(luò)安全方面的應(yīng)用將推動大數(shù)據(jù)、人工智能（AI）及分析方面的支出增長到960億美元，與此同時，世界上一些科技巨頭也已經(jīng)紛紛采取措施以更好地保護自己的客戶。

例如，谷歌正在利用機器學習來分析在Android上運行的移動終端威脅，以及識別和移除受感染手機中的惡意軟件;而云基礎(chǔ)設(shè)施巨頭亞馬遜也已經(jīng)成功收購了初創(chuàng)公司 harvest.AI，并推出了Macie——一種使用機器學習來發(fā)現(xiàn)、排序和分類S3云存儲上數(shù)據(jù)的服務(wù)。

與此同時，企業(yè)安全供應(yīng)商也一直致力于將機器學習集成到新舊產(chǎn)品線中，旨在進一步改進惡意軟檢測效率。J. Gold Associates總裁兼首席分析師Jack Gold表示：大多數(shù)主流安全公司已從幾年前用于檢測惡意軟件的純‘基于簽名’的系統(tǒng)，轉(zhuǎn)變?yōu)樵噲D解釋行為及事件，并從各種源中學習判斷什么是安全，什么不是的機器學習系統(tǒng)。它仍然是一個新興的領(lǐng)域，但它也顯然是未來的發(fā)展方向。AI和機器學習將極大地改變安全運作方式。

雖然這種轉(zhuǎn)變不會在朝夕之間發(fā)生，但機器學習已經(jīng)在某些領(lǐng)域出現(xiàn)。德國電信創(chuàng)新實驗室（以及以色列本古里安大學網(wǎng)絡(luò)安全研究中心）首席技術(shù)官Dudu Mimran表示：人工智能——作為一個更廣泛的定義，包括機器學習和深度學習——正處于驅(qū)動網(wǎng)絡(luò)防御的早期階段，但已經(jīng)在終端、網(wǎng)絡(luò)、欺詐或SIEM中起到了識別惡意活動模式的明顯作用。我相信未來我們會在防御服務(wù)中斷、歸因和用戶行為修改等方面看到越來越多的用例。

接下來，我們一起來了解一下機器學習在安全領(lǐng)域的最頂級用例：

1. 使用機器學習來檢測惡意活動并阻止攻擊

機器學習算法將幫助企業(yè)更快地檢測惡意活動，并在攻擊開始之前予以阻止。英國初創(chuàng)公司Darktrace就成功把握住了這種發(fā)展機遇，據(jù)悉，這家創(chuàng)立于2013年的公司已經(jīng)在其基于機器學習的企業(yè)免疫解決方案（Enterprise Immune Solution）方面取得了很大成就。

Darktrace公司技術(shù)總監(jiān)David Palmer介紹稱，Darktrace曾利用機器學習算法幫助北美一家賭場成功檢測到了數(shù)據(jù)泄露攻擊，該攻擊使用“聯(lián)網(wǎng)魚缸作為進入賭場網(wǎng)絡(luò)的切入點。”該公司還宣稱，在之前肆虐全球的WannaCry勒索軟件活動中，其算法也成功防止過一起類似的攻擊。

談及感染了150個國家20多萬受害者的WannaCry勒索軟件，Palmer表示：我們的算法在幾秒鐘內(nèi)，就成功地從一家國民醫(yī)療服務(wù)（NHS）機構(gòu)的網(wǎng)絡(luò)中檢測出了攻擊，并在該攻擊尚未對該機構(gòu)造成任何破壞前成功緩解了威脅。事實上，我們的客戶沒有任何一家受到了WannaCry攻擊的傷害，甚至包括那些沒打補丁的用戶。

2. 使用機器學習來分析移動終端

在移動設(shè)備上，機器學習已經(jīng)成為主流，但到目前為止，其大部分活動都是為了改善Google Now、蘋果的Siri和亞馬遜的Alexa等基于語音的體驗。不過，機器學習在安全方面確實有應(yīng)用。如上所述，谷歌正在使用機器學習來分析針對移動終端的威脅，而企業(yè)則在防護自帶及自選移動設(shè)備上看到了更多機會。

2017年10月，MobileIron和Zimperium宣布合作，幫助企業(yè)采用集成了機器學習技術(shù)的移動反惡意軟件解決方案。MobileIron表示，它將把Zimperium基于機器學習的威脅檢測與MobileIron的安全和合規(guī)性引擎相集成，并作為組合解決方案出售，該解決方案將解決諸如檢測設(shè)備、網(wǎng)絡(luò)及應(yīng)用程序威脅等方面的挑戰(zhàn)，并快速采取自動化措施來防護公司數(shù)據(jù)。

其他供應(yīng)商也在尋求支持他們的移動解決方案。Zimperium、LookOut、Skycure（已被賽門鐵克收購）以及Wandera，一直被視為移動威脅檢測和防御市場中的領(lǐng)軍者。他們每家都使用自有的機器學習算法來檢測潛在威脅。例如，Wandera推出了其威脅檢測引擎 MI:RIAM，據(jù)稱檢測出了超過400種針對企業(yè)移動設(shè)備的SLocker勒索軟件變種。

3. 使用機器學習來增強人類分析

作為機器學習在安全領(lǐng)域的核心應(yīng)用，人們相信它可以幫助人類分析師處理安全方面的各項工作，包括檢測惡意攻擊、分析網(wǎng)絡(luò)、終端防護和漏洞評估。而它在威脅情報方面發(fā)揮的作用可以說才是最令人興奮的。

例如，2016年，麻省理工學院計算機科學和人工智能實驗室（CSAIL）開發(fā)出了一個名為“AI2”的系統(tǒng)，這是一個自適應(yīng)機器學習安全平臺，能夠幫助分析師從海量數(shù)據(jù)中找出真正有用的東西。該系統(tǒng)每天審查數(shù)百萬登錄，過濾數(shù)據(jù)，并將濾出內(nèi)容轉(zhuǎn)送給人類分析師，從而將警報數(shù)量降低至每天100個左右。這項由CSAIL和初創(chuàng)公司PatternEx共同進行的實驗表明，攻擊檢測率被提升到了85%，而誤報率則降低了5倍之多。

4. 使用機器學習自動化重復(fù)性安全任務(wù)

機器學習的真正好處是它可以自動化重復(fù)性任務(wù)，使員工能夠?qū)Ｗ⒃诟匾墓ぷ魃稀almer稱，機器學習最終應(yīng)該旨在“消除重復(fù)性高且低價值的決策活動對人力的需求，就像分類威脅情報一樣”。讓機器處理重復(fù)性工作和阻止勒索軟件之類戰(zhàn)術(shù)性救火工作，這樣人類就可以騰出時間來處理戰(zhàn)略性問題——比如現(xiàn)代化Windows XP 系統(tǒng)等等。

Booz Allen Hamilton公司正在沿著這條路線發(fā)展。據(jù)報道，該公司使用人工智能工具更高效地分配人類安全資源，對威脅進行分類，以便員工可以專注于最關(guān)鍵的攻擊。

5. 使用機器學習來關(guān)閉零日漏洞

有些人認為機器學習可以幫助彌補漏洞，尤其是零日威脅和其他針對大部分不安全IoT設(shè)備的威脅。據(jù)《福布斯》報道稱，亞利桑那州立大學的一支團隊已經(jīng)通過機器學習技術(shù)來監(jiān)控暗網(wǎng)流量，以識別與零日漏洞利用相關(guān)的數(shù)據(jù)。有了這種洞察力，企業(yè)組織就有能力在漏洞造成數(shù)據(jù)泄露之前堵上漏洞并阻止補丁攻擊。

炒作和誤解叢生的領(lǐng)域

需要注意的是，機器學習并非靈丹妙藥，尤其是對于一個仍在對這些技術(shù)進行概念驗證實驗的行業(yè)而言。機器學習的發(fā)展必然是道阻且長的過程。機器學習系統(tǒng)有時會有誤報（無監(jiān)督學習系統(tǒng)的算法會基于數(shù)據(jù)推測類型），而一些分析師也坦率地承認，用在安全領(lǐng)域的機器學習可能是“黑匣子”解決方案，即CISO不能完全確定其內(nèi)部機制，因此，他們只能被迫地將自己的信任與責任置于供應(yīng)商和機器的肩上。

畢竟，在一些安全解決方案甚至可能壓根兒沒用機器學習的世界中，這種盲目信任的想法并不可取。Palmer表示：大多數(shù)被吹捧的機器學習產(chǎn)品都不會在客戶環(huán)境中真正學習。相反地，它們只是在供應(yīng)商自己的云上用惡意軟件樣本訓(xùn)練出模型，再下載到客戶公司，就像病毒簽名似的。這對于客戶安全來說，并不是什么進步，基本上是在倒退。

此外，算法在投入實際使用前需要學習模型所需的訓(xùn)練數(shù)據(jù)樣本，而這些樣本中存在的糟糕數(shù)據(jù)和實現(xiàn)可能會產(chǎn)出更糟糕的結(jié)果。機器學習的效果，取決于你輸入的信息。垃圾的輸入，必然導(dǎo)致垃圾的輸出。因此，如果你的機器學習算法設(shè)計不佳，結(jié)果也就不會非常理想。算法在實驗室訓(xùn)練數(shù)據(jù)上有用是一回事，但最大的挑戰(zhàn)還在于讓機器學習網(wǎng)絡(luò)防御在現(xiàn)實復(fù)雜網(wǎng)絡(luò)中奏效。