s3-eu-central-1.amazonaws

如今，安全領(lǐng)域是機(jī)器學(xué)習(xí)（Machine learning）正在大力進(jìn)軍的一個(gè)方向。

| 把機(jī)器學(xué)習(xí)應(yīng)用到安全領(lǐng)域，老板們躍躍欲試

如果你親自參加了 2016 RSA 大會(huì)，就會(huì)發(fā)現(xiàn)幾乎沒(méi)有哪家公司在說(shuō)自家安全領(lǐng)域的產(chǎn)品時(shí)，不提及機(jī)器學(xué)習(xí)。這是為什么呢？

可能對(duì)外行人來(lái)說(shuō)，機(jī)器學(xué)習(xí)就像一種魔法，能解決所有的安全問(wèn)題：你把一堆未標(biāo)識(shí)的數(shù)據(jù)統(tǒng)統(tǒng)塞進(jìn)會(huì)機(jī)器學(xué)習(xí)的系統(tǒng)中，它就能分辨出連人類專家都分辨不出的數(shù)據(jù)規(guī)律，并且還可以學(xué)習(xí)新的行為指令和適應(yīng)環(huán)境威脅。不僅如此，就連為規(guī)則加密也勞煩不到你，因?yàn)橄到y(tǒng)已經(jīng)自動(dòng)為你搞定這一切。

要真是像這樣的話，那機(jī)器學(xué)習(xí)可真就是今年的重頭戲了！但諷刺的是，每個(gè)人都興師動(dòng)眾說(shuō)要在這個(gè)領(lǐng)域搞出點(diǎn)名堂來(lái)，但真正理解什么是機(jī)器學(xué)習(xí)，或明白機(jī)器學(xué)習(xí)到底能用來(lái)做什么的人，卻是鳳毛麟角?？上攵谶@種大環(huán)境下機(jī)器學(xué)習(xí)大多是被濫用的，尤其在安全領(lǐng)域。

| 用機(jī)器學(xué)習(xí)有效解決安全問(wèn)題，正確的方法是？

把機(jī)器學(xué)習(xí)應(yīng)用到安全領(lǐng)域，大多會(huì)涉及到一種技術(shù)——異常檢測(cè)（anomaly detection），它可以識(shí)別哪些部分和預(yù)期模式或數(shù)據(jù)集不匹配。但技術(shù)銷售方要注意，這種技術(shù)只在某些條件下有效——不過(guò)顯然，他們還不知道自己已經(jīng)犯下錯(cuò)誤：他們會(huì)告訴你，分析過(guò)你公司的網(wǎng)絡(luò)流量后，就可以用機(jī)器學(xué)習(xí) 揪出暗藏在網(wǎng)絡(luò)中的黑客。但事實(shí)上，機(jī)器學(xué)習(xí)根本就做不到。這時(shí)候，你要立刻對(duì)這個(gè)銷售商保持一絲懷疑。

那到底什么情況下才有效？答案是，只有為低維度的問(wèn)題也配備上高質(zhì)量的標(biāo)識(shí)數(shù)據(jù)，這樣的機(jī)器學(xué)習(xí)才是有效的。但很不幸，企業(yè)在實(shí)施過(guò)程并沒(méi)有做到這一點(diǎn)。如果要檢測(cè)新型的攻擊方式，你得有很清晰并且經(jīng)過(guò)標(biāo)識(shí)的攻擊案例。這就是說(shuō)，如果沒(méi)有透徹理解正常的網(wǎng)絡(luò)行為，機(jī)器學(xué)習(xí)是不可能發(fā)現(xiàn)黑客的。再說(shuō)，所有的黑客都很狡猾，他們一定會(huì)把自己偽裝的天衣無(wú)縫。

| 機(jī)器學(xué)習(xí)和異常檢測(cè)，用在哪里價(jià)值最大？

機(jī)器學(xué)習(xí)和異常檢測(cè)真正有用的地方，在于它們能將人類行為分類。

事實(shí)證明，人類的預(yù)測(cè)能力非常強(qiáng)，他們也有能力建立非常精確的個(gè)體用戶行為模型，讓模型探測(cè)到異常情況。

其實(shí)，人們?cè)谶@方面已小有成就，比如隱式認(rèn)證（ Implicit Authentication）。隱式認(rèn)證采用生物特征識(shí)別技術(shù)，基于擊鍵力度、節(jié)奏和打字模式等技術(shù)對(duì)用戶身份進(jìn)行認(rèn)證。不管是改善用戶體驗(yàn)還是增強(qiáng)安全性，這個(gè)技術(shù)的優(yōu)勢(shì)都相當(dāng)明顯。最起碼，它免除了用戶記憶密碼的負(fù)擔(dān)和輸入密碼的麻煩。由于隱式認(rèn)證所需元素大多是低維的， 機(jī)器學(xué)習(xí)就只需處理少量幾個(gè)參數(shù)，這也使得收集用戶的高品質(zhì)標(biāo)識(shí)數(shù)據(jù)變得很方便。所以，即使有行為差異或信號(hào)干擾， 機(jī)器學(xué)習(xí)還是能正確為計(jì)算機(jī)視覺(jué)進(jìn)行圖形搭配。同理，機(jī)器學(xué)習(xí)也能通過(guò)識(shí)別出個(gè)體的獨(dú)特行為而進(jìn)行身份驗(yàn)證，這當(dāng)然也不在話下。

不過(guò)，它是怎么做到的呢？

其實(shí)，你走路、站立等所有動(dòng)作，是由眾多因素共同決定的，比如生理狀況，年齡，性別，肌肉記憶等等。并且對(duì)個(gè)體來(lái)說(shuō)，這些動(dòng)作不會(huì)有太大改變。因此，不經(jīng)意間，你口袋中的手機(jī)就通過(guò)內(nèi)置傳感器精確捕捉到了這些信息，并記錄下來(lái)。而想要通過(guò)運(yùn)動(dòng)行為來(lái)識(shí)別一個(gè)人， 4 秒的運(yùn)動(dòng)信息就已足夠。另外，通過(guò)對(duì)比用戶的歷史和當(dāng)下的定位記錄也可以進(jìn)行身份識(shí)別。人們總是生活在各種各樣的習(xí)慣當(dāng)中，通過(guò)觀察他們什么時(shí)候從哪出發(fā)，就能預(yù)測(cè)被測(cè)者到底是不是用戶本人。

我們的手機(jī)和電腦上已有大量的傳感器，以后隨著可穿戴設(shè)備的普及和物聯(lián)網(wǎng)的發(fā)展，傳感器的數(shù)量更會(huì)暴增。用戶大量的行為數(shù)據(jù)和環(huán)境數(shù)據(jù)就這樣被收集起來(lái)，提供給機(jī)器學(xué)習(xí)，讓它為用戶建立個(gè)體模型，并找到各個(gè)因素之間的相互關(guān)系。

| 讓機(jī)器學(xué)習(xí)進(jìn)行安全防護(hù)，你需要做哪些功課？

想進(jìn)行安全防護(hù)，就必須讓你的系統(tǒng)提前知道都存在哪些威脅模型。

首先，也是最重要的事——收集數(shù)據(jù)。這些數(shù)據(jù)必須非常精確，才能用來(lái)訓(xùn)練系統(tǒng)，起到抵抗威脅的作用。不過(guò)身份認(rèn)證系統(tǒng)要真是遭到攻擊，你也不用過(guò)于擔(dān)心。因?yàn)樾袨樽兓€是比較好檢測(cè)的，系統(tǒng)很快就能識(shí)別出異常情況。比如，如果一個(gè)設(shè)備不小心被偷，那么這個(gè)設(shè)備被偷之后所記錄的運(yùn)動(dòng)狀態(tài)，地理位置和用法就會(huì)和之前的記錄有明顯不同。不過(guò)，系統(tǒng)是接受這種可能存在的異常情況的，這時(shí)候用戶就需要在系統(tǒng)上以另外的方式確認(rèn)身份，調(diào)整系統(tǒng)，以使假陽(yáng)性最小化。而一旦我們?cè)诓煌O(shè)備上連接起 4 個(gè)因素，那么隱式認(rèn)證的假陽(yáng)性就會(huì)低于 0.001% 。

這個(gè)世界上并沒(méi)有哪一種機(jī)器學(xué)習(xí)真的神奇到能解決所有的安全問(wèn)題。設(shè)計(jì)者想用機(jī)器學(xué)習(xí)創(chuàng)建一個(gè)有用的安全防衛(wèi)產(chǎn)品，就需要對(duì)底層系統(tǒng)有深刻理解，并且承認(rèn)很多問(wèn)題并不適合用機(jī)器學(xué)習(xí)來(lái)解決。不過(guò)不用擔(dān)心，那些處在浪潮之巔的科技公司會(huì)將這些問(wèn)題一步步消滅掉。

機(jī)器學(xué)習(xí)正在安全領(lǐng)域醞釀著一股勢(shì)不可擋的市場(chǎng)狂潮。

 via：venturebeat

延伸閱讀：

微軟安全測(cè)試新玩法：用 AI 問(wèn)答發(fā)掘漏洞

Human-like learning在對(duì)話機(jī)器人中的魔性運(yùn)用

“機(jī)器學(xué)習(xí) + 量子力學(xué)” ，助力探索新材料

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。