在不太適用的用例上過度依賴人工智能(AI)和機(jī)器學(xué)習(xí)，可能遭致不必要的危險。網(wǎng)絡(luò)安全行業(yè)的短板之一，是過多關(guān)注方法學(xué)本身，錯把方法當(dāng)成解決方案，而沒有認(rèn)真考慮怎么發(fā)揮這些方法的最大效能。
2003年，模式匹配是威脅檢測的主要方法。當(dāng)硬件級模式匹配得以實(shí)現(xiàn)的時候，硬件驅(qū)動的解決方案(比如防火墻)和基于軟件的解決方案(如入侵檢測系統(tǒng))之間的分界線，就已經(jīng)受到了侵蝕。
迷失在這一演變中的，是入侵檢測系統(tǒng)已經(jīng)納入了模式匹配之外的其他方法的事實(shí)，比如異常檢測和事件關(guān)聯(lián)。但這些方法根本沒能引入到防火墻中。因此，基于防火墻的模式匹配，成為了威脅檢測的默認(rèn)解決方案，而不僅僅是該方案的一個重要部分。
這段歷史我們需要加以關(guān)注，因?yàn)锳I，或者說，ML，也是工具發(fā)展中用以解決信息安全工作流中特定方面的一種方法，其本身并不能完全撐起信息安全。
找到AI和ML在安全上的應(yīng)用價值，AI并不真正存在于信息安全領(lǐng)域，未來很長時間內(nèi)都不會
人工智能被定義成讓機(jī)器在無人監(jiān)管的情況下自行從事“智慧性”工作。機(jī)器學(xué)習(xí)則是讓機(jī)器通過人類提供的數(shù)據(jù)自行“學(xué)習(xí)”。從定義上看。
ML能比現(xiàn)有方法更高效地解決部分定義明確的安全難題。
大多數(shù)情況下，市場營銷材料中提到AI/ML的時候，一般描述的都是啟發(fā)式方法，而不是計算統(tǒng)計方法。啟發(fā)法雖然比AI簡單得多，卻非常適用于多種安全行為，且比基于數(shù)據(jù)科學(xué)的方法在算力上節(jié)省得多。
ML基本上就是異常行為識別工具箱中的一種工具，處理起邊界明確的已知問題來得心應(yīng)手。
ML在惡意軟件檢測方面的驚人成功毋庸置疑，但這一技術(shù)上的成功根植于所解決問題的有界性，尤其是以下幾個方面的有界性：
結(jié)構(gòu)有界性
數(shù)據(jù)類型和結(jié)構(gòu)要么不變，要么變化非常緩慢。這種情況下，數(shù)據(jù)結(jié)構(gòu)由文件格式規(guī)范定義。
行為有界性
ML的良好用例中，被建模數(shù)據(jù)將僅作為有限行為集的結(jié)果出現(xiàn)，讓數(shù)據(jù)點(diǎn)可預(yù)見地映射到已知行為上。
沒有顛覆性影響
這是信息安全領(lǐng)域特有的一個重要因素。想要找出并利用ML模型弱點(diǎn)的惡人從來不少。話雖如此，想要對文件作出足夠修改，對文件進(jìn)行足夠的模糊化處理，讓文件既能免于被統(tǒng)計分析，又能被操作系統(tǒng)有效加載，其中難度常人難以想象。
惡意軟件分析與終端檢測及響應(yīng)，正是符合以上3條限制的信息安全挑戰(zhàn)之一，所以機(jī)器學(xué)習(xí)在該領(lǐng)域相當(dāng)有效。
但將同樣的思維過程應(yīng)用到網(wǎng)絡(luò)上就很危險了，因?yàn)榫W(wǎng)絡(luò)數(shù)據(jù)的結(jié)構(gòu)和行為都不受限制，攻擊者可以在網(wǎng)絡(luò)上發(fā)送任意0/1序列。那么，AI和ML就真的遭遇了網(wǎng)絡(luò)數(shù)據(jù)分析的死胡同了嗎?
“智能”方法產(chǎn)生的誤報和漏報仍需由人來分析之后才可以采取行動
這個問題還真不好回答。說是也是，說不是也不是。如果所用方法就是簡單地用這些強(qiáng)大的技術(shù)來識別每個用戶每臺設(shè)備偏離正常行為基線的奇點(diǎn)，那我們會失敗得很徹底。這些
比如說，基于網(wǎng)絡(luò)異常來發(fā)出警報的流量分析方法可能會告訴你某個IP地址突然發(fā)出了大量異常流量，但很多情況下這不過是啟動了新的備份進(jìn)程而已。是否加以緩解仍需人類分析師來判定。這便又將我們帶回了AI旨在解決的人才短缺危機(jī)問題。
相反，如果我們用AI和ML通過環(huán)境內(nèi)全面比較，尤其是通過與相似實(shí)體的行為進(jìn)行比較，來確定良性與惡意行為，那么系統(tǒng)將能自動學(xué)習(xí)諸如新備份進(jìn)程啟動之類的合理變化。
機(jī)器學(xué)習(xí)確實(shí)擁有某些能夠大幅推進(jìn)企業(yè)防護(hù)狀態(tài)的良好用例
無論從技術(shù)層面看，還是從哲學(xué)層面看，信息安全領(lǐng)域的ML用例都是生而不平等的。正如2003年的防火墻。
但在不太適用的用例上過于依賴機(jī)器學(xué)習(xí)，反而會給企業(yè)帶來不必要的額外風(fēng)險與開銷，還會造成其他持續(xù)性的負(fù)面影響，比如妨礙了能夠彌補(bǔ)ML弱點(diǎn)的其他方法的發(fā)展。
轉(zhuǎn)型的最終目的 -提質(zhì)降本增效
分享到微信 ×
打開微信，點(diǎn)擊底部的“發(fā)現(xiàn)”，
使用“掃一掃”即可將網(wǎng)頁分享至朋友圈。