網易科技訊3月10日訊息，據BBC報道，在公司應對網路襲擊的數字防禦體系中，存在一個巨大漏洞。這個漏洞就是全世界都缺少熟練的技術人員，而他們在確保安全硬體執行、分析威脅以及反擊入侵者的過程中，卻發揮著至關重要的作用。安全領域的行業機構ISC2研究顯示，目前全球安全行業缺少100萬訓練有素的技術人員。而且在未來5年中，這個缺口將達到180萬人。
圖：智慧機器正幫助公司防禦網絡駭客
英國道德駭客技術認證機構Crest的負責人伊恩·格羅夫（Ian Glover）表示，技術人員緊缺現象已經得到廣泛認可，由此還引發許多其他問題。格羅夫說：“人才緊缺正推動成本上升。毫無疑問，這會產生巨大影響，因為企業都在努力獲得稀缺資源。此外，這也可能意味著企業無法找到稱職的人才，因為他們總是要不顧一切地找人填補空缺。”
格羅夫警告稱，許多國家都在採取措施，希望將人們吸引向安全行業，但是這些努力還不足以彌補技術人員短缺的問題。他說：“如果你看到攻擊工具的自動化程度在提高，那麼你也需要提高防禦工具的自動化程度。”
在資料中“溺水”
總部位於澳洲悉尼的安全公司Huntsman Security創始人兼執行長彼得·伍拉科特（Peter Woollacott）表示，我們正向著更高自動化的方向邁進，但這種改變似乎有點兒姍姍來遲。很長時間以來，安全領域的革新似乎都以“手動”的緩慢方式進行。
分析師們認為，這些防禦公司正“淹沒”在資料海中。這些資料都是防火牆、PC、入侵檢測系統以及其他裝置產生的，它們會引發許多問題。安全公司Vectra Networks的首席技術官奧利弗·塔瓦克利（Oliver Tavakoli）稱，自動化並非新興事物，很早就曾被用於幫助防毒軟體發現新出現的惡意程式。
圖：在複雜的網路中，人類並非總是能夠發現異常活動
但是現在，機器學習正幫助自動化走得更遠。塔拉克利說：“與人工智慧相比，機器學習更容易理解、更加簡單。”但這並非意味著，它只能處理簡單的問題。機器學習的分析能力來源於演算法的進化，而這些演算法可以處理大量資料，並從中挑出異常或重大趨勢。日益增強的計算能力也讓這成為可能。
這些“深度學習”演算法各有不同。比如OpenAI這類演算法，對所有人開放。但是大多數演算法都被開發它們的公司所有。規模較大的安全公司正爭相收購規模較小、但卻更加智慧化的初創企業，以便迅速增強自己的防禦能力。
不那麼聰明
英國域名註冊商Nominet首席技術官西蒙·麥考拉（Simon McCalla）表示，機器學習已在其研發的、名為Turing的工具中證明非常有用。Turing可以從該公司每天處理的大量查詢中尋找網路攻擊證據，包括查詢有關英國網站位置的資訊。
麥考拉說，Turing曾幫助分析1月份勞埃德銀行遭到網路襲擊過程中發生了什麼，當時有數以千計的客戶無法使用該銀行服務。分散式拒絕服務（DDoS）攻擊會產生大量需要處理的資料。麥考拉說：“通常情況下，我們每秒需要處理5萬個查詢。在勞埃德銀行攻擊事件中，我們需要處理的查詢每秒超過50萬個。”
圖：透過讓機器學習分析資料流量，可以阻止垃圾郵件傳送者
一旦攻擊結束，塵埃落定，Nominet可以在2個小時內處理好相當於1天的流量。Turing吸收所有來自Nominet伺服器的資訊，然後利用自己學到的東西釋出早期預警，警告人們對持續時間更長的攻擊做好準備。它會記錄發出查詢的被劫持機器IP地址，檢查其電子郵件地址是否有效。
麥考拉說：“大多數情況下，我們看到的防禦體系都不那麼聰明。”沒有機器學習的幫助，人類分析師不太可能發現攻擊，直到目標受到影響，比如銀行網站突然崩潰。分析師認為，Turing現在可以幫助英國政府維持內部網路安全，比如阻止工作人員訪問可疑網站，避免成為惡意軟體受害者等。
混亂與秩序
還有利用機器學習分析能力的更雄心勃勃的計劃。在2016年的Def Con駭客大會上，美國五角大樓下屬軍事研究機構Darpa舉辦競賽，讓7個智慧計算機程式互相攻擊，看哪個程式自我防禦能力最強。贏家是Mayhem，它現在正被改造，以便能夠發現和修復程式碼中的漏洞，以免被惡意駭客利用。
圖：Mayhem贏得Darpa舉辦的競賽，找到能夠發現漏洞的智慧電腦
塔拉克利說，機器學習可以將來自不同源頭的資料關聯起來，為分析師提供全面資訊，以確定一系列連續事件是否會形成威脅。它通常可以瞭解公司內的資料流動及其低潮狀況，以及員工每天不同的作息時間。因此，當網路駭客試圖偷窺網路連線或進入資料庫時，這種惡意行為立即就會被發現。
當然，在龐大的網路中，駭客也非常善於掩蓋他們的蹤跡。對於人類來說，這些“妥協式跡象”可能很難被發現。現在，網路安全分析師只要安心靜坐，就可以讓機器學習系統緊縮所有資料，並找出未受到人類關注的嚴重攻擊跡象。塔拉克利說：“這就像正準備進行手術的醫生，儘管病人還沒有到位，但他們已經做好準備，正處於嚴陣以待的狀態。”
網易科技訊3月10日訊息，據BBC報道，在公司應對網路襲擊的數字防禦體系中，存在一個巨大漏洞。這個漏洞就是全世界都缺少熟練的技術人員，而他們在確保安全硬體執行、分析威脅以及反擊入侵者的過程中，卻發揮著至關重要的作用。安全領域的行業機構ISC2研究顯示，目前全球安全行業缺少100萬訓練有素的技術人員。而且在未來5年中，這個缺口將達到180萬人。
圖：智慧機器正幫助公司防禦網絡駭客
英國道德駭客技術認證機構Crest的負責人伊恩·格羅夫（Ian Glover）表示，技術人員緊缺現象已經得到廣泛認可，由此還引發許多其他問題。格羅夫說：“人才緊缺正推動成本上升。毫無疑問，這會產生巨大影響，因為企業都在努力獲得稀缺資源。此外，這也可能意味著企業無法找到稱職的人才，因為他們總是要不顧一切地找人填補空缺。”
格羅夫警告稱，許多國家都在採取措施，希望將人們吸引向安全行業，但是這些努力還不足以彌補技術人員短缺的問題。他說：“如果你看到攻擊工具的自動化程度在提高，那麼你也需要提高防禦工具的自動化程度。”
在資料中“溺水”
總部位於澳洲悉尼的安全公司Huntsman Security創始人兼執行長彼得·伍拉科特（Peter Woollacott）表示，我們正向著更高自動化的方向邁進，但這種改變似乎有點兒姍姍來遲。很長時間以來，安全領域的革新似乎都以“手動”的緩慢方式進行。
分析師們認為，這些防禦公司正“淹沒”在資料海中。這些資料都是防火牆、PC、入侵檢測系統以及其他裝置產生的，它們會引發許多問題。安全公司Vectra Networks的首席技術官奧利弗·塔瓦克利（Oliver Tavakoli）稱，自動化並非新興事物，很早就曾被用於幫助防毒軟體發現新出現的惡意程式。
圖：在複雜的網路中，人類並非總是能夠發現異常活動
但是現在，機器學習正幫助自動化走得更遠。塔拉克利說：“與人工智慧相比，機器學習更容易理解、更加簡單。”但這並非意味著，它只能處理簡單的問題。機器學習的分析能力來源於演算法的進化，而這些演算法可以處理大量資料，並從中挑出異常或重大趨勢。日益增強的計算能力也讓這成為可能。
這些“深度學習”演算法各有不同。比如OpenAI這類演算法，對所有人開放。但是大多數演算法都被開發它們的公司所有。規模較大的安全公司正爭相收購規模較小、但卻更加智慧化的初創企業，以便迅速增強自己的防禦能力。
不那麼聰明
英國域名註冊商Nominet首席技術官西蒙·麥考拉（Simon McCalla）表示，機器學習已在其研發的、名為Turing的工具中證明非常有用。Turing可以從該公司每天處理的大量查詢中尋找網路攻擊證據，包括查詢有關英國網站位置的資訊。
麥考拉說，Turing曾幫助分析1月份勞埃德銀行遭到網路襲擊過程中發生了什麼，當時有數以千計的客戶無法使用該銀行服務。分散式拒絕服務（DDoS）攻擊會產生大量需要處理的資料。麥考拉說：“通常情況下，我們每秒需要處理5萬個查詢。在勞埃德銀行攻擊事件中，我們需要處理的查詢每秒超過50萬個。”
圖：透過讓機器學習分析資料流量，可以阻止垃圾郵件傳送者
一旦攻擊結束，塵埃落定，Nominet可以在2個小時內處理好相當於1天的流量。Turing吸收所有來自Nominet伺服器的資訊，然後利用自己學到的東西釋出早期預警，警告人們對持續時間更長的攻擊做好準備。它會記錄發出查詢的被劫持機器IP地址，檢查其電子郵件地址是否有效。
麥考拉說：“大多數情況下，我們看到的防禦體系都不那麼聰明。”沒有機器學習的幫助，人類分析師不太可能發現攻擊，直到目標受到影響，比如銀行網站突然崩潰。分析師認為，Turing現在可以幫助英國政府維持內部網路安全，比如阻止工作人員訪問可疑網站，避免成為惡意軟體受害者等。
混亂與秩序
還有利用機器學習分析能力的更雄心勃勃的計劃。在2016年的Def Con駭客大會上，美國五角大樓下屬軍事研究機構Darpa舉辦競賽，讓7個智慧計算機程式互相攻擊，看哪個程式自我防禦能力最強。贏家是Mayhem，它現在正被改造，以便能夠發現和修復程式碼中的漏洞，以免被惡意駭客利用。
圖：Mayhem贏得Darpa舉辦的競賽，找到能夠發現漏洞的智慧電腦
塔拉克利說，機器學習可以將來自不同源頭的資料關聯起來，為分析師提供全面資訊，以確定一系列連續事件是否會形成威脅。它通常可以瞭解公司內的資料流動及其低潮狀況，以及員工每天不同的作息時間。因此，當網路駭客試圖偷窺網路連線或進入資料庫時，這種惡意行為立即就會被發現。
當然，在龐大的網路中，駭客也非常善於掩蓋他們的蹤跡。對於人類來說，這些“妥協式跡象”可能很難被發現。現在，網路安全分析師只要安心靜坐，就可以讓機器學習系統緊縮所有資料，並找出未受到人類關注的嚴重攻擊跡象。塔拉克利說：“這就像正準備進行手術的醫生，儘管病人還沒有到位，但他們已經做好準備，正處於嚴陣以待的狀態。”