網路安全機器學習預測

Ⅰ 網路安全未來發展趨勢怎麼樣

網路安全態勢緊張，網路安全事件頻發

據國家互聯網應急中心(CNCERT)，2019年上半年，CNCERT新增捕獲計算機惡意程序樣本數量約3200萬個，計算機惡意程序傳播次數日均達約998萬次，CNCERT抽樣監測發現，2019年上半年我國境內峰值超過10Gbps的大流量分布式拒絕服務攻擊(DDoS攻擊)事件數量平均每月約4300起，同比增長18%;國家信息安全漏洞共享平台(CNVD)收錄通用型安全漏洞5859個。網站安全方面，2019年上半年，CNCERT自主監測發現約4.6萬個針對我國境內網站的仿冒頁面，境內外約1.4萬個IP地址對我國境內約2.6萬個網站植入後門，同比增長約1.2倍，可見我國網路安全態勢緊張。

網路安全行業的發展短期內是通過頻繁出現的安全事件驅動，短中期離不開國家政策合規，中長期則是通過信息化、雲計算、萬物互聯等基礎架構發展驅動。2020年網路安全領域將進一步迎來網路安全合規政策及安全事件催化，例如自2020年1月1日起施行《中華人民共和國密碼法》，2020年3月1日起施行《網路信息內容生態治理規定》等。2020年作為
「十三五」收官之年，將陸續開始編制網路安全十四五規劃。在各種因素的驅動下，2020年我國網路安全行業將得到進一步發展。

——以上數據來源於前瞻產業研究院《中國網路安全行業發展前景預測與投資戰略規劃分析報告》。

Ⅱ 機器學習與人工智慧將應用於哪些安全領域

我的理解是這樣的：

1. 人工智慧：給機器賦予人類的智能，讓機器能夠像人類那樣獨立思考。當然，目前的人工智慧沒有發展到很高級的程度，這種智能與人類的大腦相比還是處於非常幼稚的階段，但目前我們可以讓計算機掌握一定的知識，更加智能化的幫助我們實現簡單或復雜的活動。

2. 2.機器學習。通俗的說就是讓機器自己去學習，然後通過學習到的知識來指導進一步的判斷。舉個最簡單的例子，我們訓練小狗狗接飛碟時，當小狗狗接到並送到主人手中時，主人會給一定的獎勵，否則會有懲罰。於是狗狗就漸漸學會了接飛碟。同樣的道理，我們用一堆的樣本數據來讓計算機進行運算，樣本數據可以是有類標簽的，並設計懲罰函數，通過不斷的迭代，機器就學會了怎樣進行分類，使得懲罰最小。然後用學習到的分類規則進行預測等活動。

3. 3.數據挖掘。數據挖掘是一門交叉性很強的學科，可以用到機器學習演算法以及傳統統計的方法，最終的目的是要從數據中挖掘到為我所用的知識，從而指導人們的活動。所以我認為數據挖掘的重點在於應用，用何種演算法並不是很重要，關鍵是能夠滿足實際應用背景。而機器學習則偏重於演算法本身的設計。

4. 4.模式識別。我覺得模式識別偏重於對信號、圖像、語音、文字、指紋等非直觀數據方面的處理，如語音識別，人臉識別等，通過提取出相關的特徵，利用這些特徵來進行搜尋我們想要找的目標。

5. 比較喜歡這方面的東西，一點膚淺的認識，很高興與你交流。
   

Ⅲ 機器學習 神經網路 在信息安全領域有哪些應用

智能路由器和智能網關上面，對入侵檢測、包過濾進行智能檢測和過濾；
2. 在雲計算的可度量安全性上大有可為，安全的屬性對每個人都不一樣，能夠通過機器學習，對每一個用戶在安全性和方便性上找一個更 好的平衡點。
3. 在病毒、木馬樣本分析，形成主動防禦體系，是需要機器學習的。
4. 在系統漏洞檢測，特別是深

Ⅳ 人工智慧在網路安全領域的應用有哪些

近年來，在網路安全防禦中出現了多智能體系統、神經網路、專家系統、機器學習等人工智慧技術。一般來說，AI主要應用於網路安全入侵檢測、惡意軟體檢測、態勢分析等領域。

1、人工智慧在網路安全領域的應用——在網路入侵檢測中。

入侵檢測技術利用各種手段收集、過濾、處理網路異常流量等數據，並為用戶自動生成安全報告，如DDoS檢測、僵屍網路檢測等。目前，神經網路、分布式代理系統和專家系統都是重要的人工智慧入侵檢測技術。2016年4月，麻省理工學院計算機科學與人工智慧實驗室(CSAIL)與人工智慧初創企業PatternEx聯合開發了基於人工智慧的網路安全平台AI2。通過分析挖掘360億條安全相關數據，AI2能夠准確預測、檢測和防範85%的網路攻擊。其他專注於該領域的初創企業包括Vectra Networks、DarkTrace、Exabeam、CyberX和BluVector。

2、人工智慧在網路安全領域的應用——預測惡意軟體防禦。

預測惡意軟體防禦使用機器學習和統計模型來發現惡意軟體家族的特徵，預測進化方向，並提前防禦。目前，隨著惡意病毒的增多和勒索軟體的突然出現，企業對惡意軟體的保護需求日益迫切，市場上出現了大量應用人工智慧技術的產品和系統。2016年9月，安全公司SparkCognition推出了DeepArmor，這是一款由人工智慧驅動的“Cognition”殺毒系統，可以准確地檢測和刪除惡意文件，保護網路免受未知的網路安全威脅。在2017年2月舉行的RSA2017大會上，國內外專家就人工智慧在下一代防病毒領域的應用進行了熱烈討論。預測惡意軟體防禦的公司包括SparkCognition、Cylance、Deep Instinct和Invincea。

3、人工智慧在網路安全領域的應用——在動態感知網路安全方面。

網路安全態勢感知技術利用數據融合、數據挖掘、智能分析和可視化技術，直觀地顯示和預測網路安全態勢，為網路安全預警和防護提供保障，在不斷自我學習的過程中提高系統的防禦水平。美國公司Invincea開發了基於人工智慧的旗艦產品X，以檢測未知的威脅，而英國公司Darktrace開發了一種企業安全免疫系統。國內偉達安防展示了自主研發的“智能動態防禦”技術，以及“人工智慧”與“動態防禦”六大“魔法”系列產品的整合。其他參與此類研究的初創企業包括LogRhythm、SecBI、Avata Intelligence等。

此外，人工智慧應用場景被廣泛應用於網路安全運行管理、網路系統安全風險自評估、物聯網安全問題等方面。一些公司正在使用人工智慧技術來應對物聯網安全挑戰，包括CyberX、network security、PFP、Dojo-Labs等。

以上就是《人工智慧在網路安全領域的應用是什麼?這個領域才是最關鍵的》，近年來，在網路安全防禦中出現了多智能體系統、神經網路、專家系統、機器學習等人工智慧技術，如果你想知道更多的人工智慧安全的發展，可以點擊本站其他文章進行學習。

Ⅳ 信息與網路安全需要大數據安全分析

信息與網路安全需要大數據安全分析
毫無疑問，我們已經進入了大數據（Big Data）時代。人類的生產生活每天都在產生大量的數據，並且產生的速度越來越快。根據IDC和EMC的聯合調查，到2020年全球數據總量將達到40ZB。2013年，Gartner將大數據列為未來信息架構發展的10大趨勢之首。Gartner預測將在2011年到2016年間累計創造2320億美元的產值。
大數據早就存在，只是一直沒有足夠的基礎實施和技術來對這些數據進行有價值的挖據。隨著存儲成本的不斷下降、以及分析技術的不斷進步，尤其是雲計算的出現，不少公司已經發現了大數據的巨大價值：它們能揭示其他手段所看不到的新變化趨勢，包括需求、供給和顧客習慣等等。比如，銀行可以以此對自己的客戶有更深入的了解，提供更有個性的定製化服務；銀行和保險公司可以發現詐騙和騙保；零售企業更精確探知顧客需求變化，為不同的細分客戶群體提供更有針對性的選擇；制葯企業可以以此為依據開發新葯，詳細追蹤葯物療效，並監測潛在的副作用；安全公司則可以識別更具隱蔽性的攻擊、入侵和違規。
當前網路與信息安全領域，正在面臨著多種挑戰。一方面，企業和組織安全體系架構的日趨復雜，各種類型的安全數據越來越多，傳統的分析能力明顯力不從心；另一方面，新型威脅的興起，內控與合規的深入，傳統的分析方法存在諸多缺陷，越來越需要分析更多的安全信息、並且要更加快速的做出判定和響應。信息安全也面臨大數據帶來的挑戰。安全數據的大數據化
安全數據的大數據化主要體現在以下三個方面：
1） 數據量越來越大：網路已經從千兆邁向了萬兆，網路安全設備要分析的數據包數據量急劇上升。同時，隨著NGFW的出現，安全網關要進行應用層協議的分析，分析的數據量更是大增。與此同時，隨著安全防禦的縱深化，安全監測的內容不斷細化，除了傳統的攻擊監測，還出現了合規監測、應用監測、用戶行為監測、性能檢測、事務監測，等等，這些都意味著要監測和分析比以往更多的數據。此外，隨著APT等新型威脅的興起，全包捕獲技術逐步應用，海量數據處理問題也日益凸顯。
2） 速度越來越快：對於網路設備而言，包處理和轉發的速度需要更快；對於安管平台、事件分析平台而言，數據源的事件發送速率（EPS，Event per Second，事件數每秒）越來越快。
3） 種類越來越多：除了數據包、日誌、資產數據，安全要素信息還加入了漏洞信息、配置信息、身份與訪問信息、用戶行為信息、應用信息、業務信息、外部情報信息等。
安全數據的大數據化，自然引發人們思考如何將大數據技術應用於安全領域。
傳統的安全分析面臨挑戰
安全數據的數量、速度、種類的迅速膨脹，不僅帶來了海量異構數據的融合、存儲和管理的問題，甚至動搖了傳統的安全分析方法。
當前絕大多數安全分析工具和方法都是針對小數據量設計的，在面對大數據量時難以為繼。新的攻擊手段層出不窮，需要檢測的數據越來越多，現有的分析技術不堪重負。面對天量的安全要素信息，我們如何才能更加迅捷地感知網路安全態勢？
傳統的分析方法大都採用基於規則和特徵的分析引擎，必須要有規則庫和特徵庫才能工作，而規則和特徵只能對已知的攻擊和威脅進行描述，無法識別未知的攻擊，或者是尚未被描述成規則的攻擊和威脅。面對未知攻擊和復雜攻擊如APT等，需要更有效的分析方法和技術！如何做到知所未知？
面對天量安全數據，傳統的集中化安全分析平台（譬如SIEM，安全管理平台等）也遭遇到了諸多瓶頸，主要表現在以下幾方面：
——高速海量安全數據的採集和存儲變得困難
——異構數據的存儲和管理變得困難
——威脅數據源較小，導致系統判斷能力有限
——對歷史數據的檢測能力很弱
——安全事件的調查效率太低
——安全系統相互獨立，無有效手段協同工作
——分析的方法較少
——對於趨勢性的東西預測較難，對早期預警的能力比較差
——系統交互能力有限，數據展示效果有待提高
從上世紀80年代入侵檢測技術的誕生和確立以來，安全分析已經發展了很長的時間。當前，信息與網路安全分析存在兩個基本的發展趨勢：情境感知的安全分析與智能化的安全分析。
Gartner在2010年的一份報告中指出，「未來的信息安全將是情境感知的和自適應的」。所謂情境感知，就是利用更多的相關性要素信息的綜合研判來提升安全決策的能力，包括資產感知、位置感知、拓撲感知、應用感知、身份感知、內容感知，等等。情境感知極大地擴展了安全分析的縱深，納入了更多的安全要素信息，拉升了分析的空間和時間范圍，也必然對傳統的安全分析方法提出了挑戰。
同樣是在2010年，Gartner的另一份報告指出，要「為企業安全智能的興起做好准備」。在這份報告中，Gartner提出了安全智能的概念，強調必須將過去分散的安全信息進行集成與關聯，獨立的分析方法和工具進行整合形成交互，從而實現智能化的安全分析與決策。而信息的集成、技術的整合必然導致安全要素信息的迅猛增長，智能的分析必然要求將機器學習、數據挖據等技術應用於安全分析，並且要更快更好地的進行安全決策。
信息與網路安全需要大數據安全分析
安全數據的大數據化，以及傳統安全分析所面臨的挑戰和發展趨勢，都指向了同一個技術——大數據分析。正如Gartner在2011年明確指出，「信息安全正在變成一個大數據分析問題」。
於是，業界出現了將大數據分析技術應用於信息安全的技術——大數據安全分析（Big Data Security Analysis，簡稱BDSA），也有人稱做針對安全的大數據分析（Big Data Analysis for Security）。
藉助大數據安全分析技術，能夠更好地解決天量安全要素信息的採集、存儲的問題，藉助基於大數據分析技術的機器學習和數據挖據演算法，能夠更加智能地洞悉信息與網路安全的態勢，更加主動、彈性地去應對新型復雜的威脅和未知多變的風險。

Ⅵ 如何對社會安全事件進行預測和特徵提取

機器學習應用在安全領域，尤其是各種攻擊檢測（對外的入侵檢測與對內的內部威脅檢測）中，相信很多人早已習以為常。當前機器學習應用的焦點在於能夠及時檢測出系統/組織中發生的攻擊威脅，從而縮短攻擊發生到應急響應的時間差。
但是即便是最理想的威脅檢測系統，當發現威脅報警時，威脅大多已經發生，對系統/組織的危害已經造成，因此檢測永遠只能作為一種相對被動的安全機制。因此，學界和業界開始將目光投向攻擊威脅的事先防禦，即預測機制的研究。
基於安全態勢感知技術實現的網路安全事件預測方法，相信可以給感興趣的廣大攻城獅、程序猿們帶來啟發

Ⅶ 如何利用神經網路或者機器學習進行變數預測問題

現實生活中預測通常難做到精準，比如股市，自然災害， 長久的天氣預測。 在市場這種系統里， 有兩個關鍵要素， 一個是個體和個體之間的互相作用（博弈），一個是系統與外部環境（地球資源）之間的相互作用（反饋），因此而形成復雜模式

Ⅷ 網路安全未來發展怎麼樣

首先，從當前的發展趨勢來看，在工業互聯網的推動下，網路安全未來將受到越來越多的重視，一方面工業互聯網進一步推動了互聯網與實體領域的結合，這明顯拓展了傳統的網路應用邊界，也使得網路安全對於產業場景的影響越來越大，另一方面在新基建計劃的推動下，未來大量的社會資源和產業資源都將全面數據化，這必然會對網路安全提出更多的要求。
從當前的人才培養體系來看，網路安全人才的培養既有本科教育和專科教育，同時也有研究生教育，所以要想成為網路安全人才，途徑還是比較多的，可以根據自身的實際情況來選擇不同的教育方式。對於當前的職場人來說，如果在條件允許的情況下，通過讀研來進入網路安全領域是不錯的選擇，近些年網路安全方向研究生的就業情況還是不錯的。
相對於消費互聯網時代來說，在產業互聯網時代，網路安全的技術體系將全面拓展到物聯網、大數據和人工智慧等新興領域，而這些新興領域的技術還處在快速的發展過程中，所以這些領域對於安全的要求也比較迫切。以大數據為例，大數據會全面推動數據的價值化進程，大數據自身也會基於數據價值化，來打造一個龐大的價值空間，但是如果沒有安全作為保障，大數據必定走不遠。
由於網路安全與諸多技術體系都有聯系，所以涉及到的內容也比較多，比如物聯網的設備層、網路層、平台層、數據層和應用層都有相應的安全要求，所以學習網路安全往往需要一個系統的學習過程，學習難度也相對比較高。由於物聯網領域在5G時代的發展潛力非常大，而且物聯網作為一個重要的載體，能夠承載大數據、雲計算和人工智慧等一眾技術，所以向物聯網安全方向發展是一個不錯的選擇。
學習網路安全需要具有一個扎實的計算機基礎知識和網路基礎知識，如果未來要從事網路安全領域的研發崗位，還需要具有一個扎實的數學基礎。由於整體的知識量非常大，所以學習網路安全首先應該有一個自己的學習切入點，對於動手能力比較強的人來說，可以從網路基礎知識開始學起，然後逐漸了解各種網路安全設備的相關知識。
從物聯網領域的安全人才需求情況來看，在行業應用領域有大量的人才需求，這些崗位的從業門檻並不高，重點的工作內容在於網路安全方案的設計、部署和維護，比如各種防火牆設備的安全和調試等等，這些內容經過一個系統的學習過程，通常都能夠順利掌握，重點在於一定要多做實驗。
最後，在學習網路安全的過程中，並不建議在脫離實踐場景的情況下學習，一方面網路安全本身對於實驗環境有較高的要求，另一方面在實踐過程中積累的知識會有非常強的場景屬性。通常情況下，在掌握了基本的安全技術知識之後，應該找一個實習崗位繼續提升，在選擇實習崗位的時候，可以重點關注一下新興領域，比如大數據、物聯網等等。

Ⅸ 工業互聯網時代的風險管理：工業4.0與網路安全

2009年，惡意軟體曾操控某核濃縮工廠的離心機，導致所有離心機失控。該惡意軟體又稱「震網」，通過快閃記憶體驅動器入侵獨立網路系統，並在各生產網路中自動擴散。通過「震網」事件，我們看到將網路攻擊作為武器破壞聯網實體工廠的可能。這場戰爭顯然是失衡的：企業必須保護眾多的技術，而攻擊者只需找到一個最薄弱的環節。

但非常重要的一點是，企業不僅需要關注外部威脅，還需關注真實存在卻常被忽略的網路風險，而這些風險正是由企業在創新、轉型和現代化過程中越來越多地應用智能互聯技術所引致的。否則，企業制定的戰略商業決策將可能導致該等風險，企業應管控並降低該等新興風險。

工業4.0時代，智能機器之間的互聯性不斷增強，風險因素也隨之增多。工業4.0開啟了一個互聯互通、智能製造、響應式供應網路和定製產品與服務的時代。藉助智能、自動化技術，工業4.0旨在結合數字世界與物理操作，推動智能工廠和先進製造業的發展 。但在意圖提升整個製造與供應鏈流程的數字化能力並推動聯網設備革命性變革過程中，新產生的網路風險讓所有企業都感到措手不及。針對網路風險制定綜合戰略方案對製造業價值鏈至關重要，因為這些方案融合了工業4.0的重要驅動力：運營技術與信息技術。

隨著工業4.0時代的到來，威脅急劇增加，企業應當考慮並解決新產生的風險。簡而言之，在工業4.0時代制定具備安全性、警惕性和韌性的網路風險戰略將面臨不同的挑戰。當供應鏈、工廠、消費者以及企業運營實現聯網，網路威脅帶來的風險將達到前所未有的廣度和深度。

在戰略流程臨近結束時才考慮如何解決網路風險可能為時已晚。開始制定聯網的工業4.0計劃時，就應將網路安全視為與戰略、設計和運營不可分割的一部分。

本文將從現代聯網數字供應網路、智能工廠及聯網設備三大方面研究各自所面臨的網路風險。3在工業4.0時代，我們將探討在整個生產生命周期中（圖1）——從數字供應網路到智能工廠再到聯網物品——運營及信息安全主管可行的對策，以預測並有效應對網路風險，同時主動將網路安全納入企業戰略。

數字化製造企業與工業4.0

工業4.0技術讓數字化製造企業和數字供應網路整合不同來源和出處的數字化信息，推動製造與分銷行為。

信息技術與運營技術整合的標志是向實體-數字-實體的聯網轉變。工業4.0結合了物聯網以及相關的實體和數字技術，包括數據分析、增材製造、機器人技術、高性能計算機、人工智慧、認知技術、先進材料以及增強現實，以完善生產生命周期，實現數字化運營。

工業4.0的概念在物理世界的背景下融合並延伸了物聯網的范疇，一定程度上講，只有製造與供應鏈/供應網路流程會經歷實體-數字和數字-實體的跨越（圖2）。從數字回到實體的跨越——從互聯的數字技術到創造實體物品的過程——這是工業4.0的精髓所在，它支撐著數字化製造企業和數字供應網路。

即使在我們 探索 信息創造價值的方式時，從製造價值鏈的角度去理解價值創造也很重要。在整個製造與分銷價值網路中，通過工業4.0應用程序集成信息和運營技術可能會達到一定的商業成果。

不斷演變的供應鏈和網路風險

有關材料進入生產過程和半成品/成品對外分銷的供應鏈對於任何一家製造企業都非常重要。此外，供應鏈還與消費者需求聯系緊密。很多全球性企業根據需求預測確定所需原料的數量、生產線要求以及分銷渠道負荷。由於分析工具也變得更加先進，如今企業已經能夠利用數據和分析工具了解並預測消費者的購買模式。

通過向整個生態圈引入智能互聯的平台和設備，工業4.0技術有望推動傳統線性供應鏈結構的進一步發展，並形成能從價值鏈上獲得有用數據的數字供應網路，最終改進管理，加快原料和商品流通，提高資源利用率，並使供應品更合理地滿足消費者需求。

盡管工業4.0能帶來這些好處，但數字供應網路的互聯性增強將形成網路弱點。為了防止發生重大風險，應從設計到運營的每個階段，合理規劃並詳細說明網路弱點。

在數字化供應網路中共享數據的網路風險

隨著數字供應網路的發展，未來將出現根據購買者對可用供應品的需求，對原材料或商品進行實時動態定價的新型供應網路。5由於只有供應網路各參與方開放數據共享才可能形成一個響應迅速且靈活的網路，且很難在保證部分數據透明度的同時確保其他信息安全，因此形成新型供應網路並非易事。

因此，企業可能會設法避免信息被未授權網路用戶訪問。 此外，他們可能還需對所有支撐性流程實施統一的安全措施，如供應商驗收、信息共享和系統訪問。企業不僅對這些流程擁有專屬權利，它們也可以作為獲取其他內部信息的接入點。這也許會給第三方風險管理帶來更多壓力。在分析互聯數字供應網路的網路風險時，我們發現不斷提升的供應鏈互聯性對數據共享與供應商處理的影響最大（圖3）。

為了應對不斷增長的網路風險，我們將對上述兩大領域和應對戰略逐一展開討論。

數據共享：更多利益相關方將更多渠道獲得數據

企業將需要考慮什麼數據可以共享，如何保護私人所有或含有隱私風險的系統和基礎數據。比 如，數字供應網路中的某些供應商可能在其他領域互為競爭對手，因此不願意公開某些類型的數據，如定價或專利品信息。此外，供應商可能還須遵守某些限制共享信息類型的法律法規。因此，僅公開部分數據就可能讓不良企圖的人趁機獲得其他信息。

企業應當利用合適的技術，如網路分段和中介系統等，收集、保護和提供信息。此外，企業還應在未來生產的設備中應用可信的平台模塊或硬體安全模塊等技術，以提供強大的密碼邏輯支持、硬體授權和認證（即識別設備的未授權更改）。

將這種方法與強大的訪問控制措施結合，關鍵任務操作技術在應用點和端點的數據和流程安全將能得到保障。

在必須公開部分數據或數據非常敏感時，金融服務等其他行業能為信息保護提供範例。目前，企業紛紛開始對靜態和傳輸中的數據應用加密和標記等工具，以確保數據被截獲或系統受損情況下的通信安全。但隨著互聯性的逐步提升，金融服務企業意識到，不能僅從安全的角度解決數據隱私和保密性風險，而應結合數據管治等其他技術。事實上，企業應該對其所處環境實施風險評估，包括企業、數字供應網路、行業控制系統以及聯網產品等，並根據評估結果制定或更新網路風險戰略。總而言之，隨著互聯性的不斷增強，上述所有的方法都能找到應實施更高級預防措施的領域。

供應商處理：更廣闊市場中供應商驗收與付款

由於新夥伴的加入將使供應商體系變得更加復雜，核心供應商群體的擴張將可能擾亂當前的供應商驗收流程。因此，追蹤第三方驗收和風險的管治、風險與合規軟體需要更快、更自主地反應。此外，使用這些應用軟體的信息安全與風險管理團隊還需制定新的方針政策，確保不受虛假供應商、國際制裁的供應商以及不達標產品分銷商的影響。消費者市場有不少類似的經歷，易貝和亞馬遜就曾發生過假冒偽劣商品和虛假店面等事件。

區塊鏈技術已被認為能幫助解決上述擔憂並應對可能發生的付款流程變化。盡管比特幣是建立貨幣 歷史 記錄的經典案例，但其他企業仍在 探索 如何利用這個新工具來決定商品從生產線到各級購買者的流動。7創建團體共享 歷史 賬簿能建立信任和透明度，通過驗證商品真實性保護買方和賣方，追蹤商品物流狀態，並在處理退換貨時用詳細的產品分類替代批量分揀。如不能保證產品真實性，製造商可能會在引進產品前，進行產品測試和鑒定，以確保足夠的安全性。

信任是數據共享與供應商處理之間的關聯因素。企業從事信息或商品交易時，需要不斷更新其風險管理措施，確保真實性和安全性；加強監測能力和網路安全運營，保持警惕性；並在無法實施信任驗證時保護該等流程。

在這個過程中，數字供應網路成員可參考其他行業的網路風險管理方法。某些金融和能源企業所採用的自動交易模型與響應迅速且靈活的數字供應網路就有諸多相似之處。它包含具有競爭力的知識產權和企業賴以生存的重要資源，所有這些與數字供應網路一樣，一旦部署到雲端或與第三方建立聯系就容易遭到攻擊。金融服務行業已經意識到無論在內部或外部演算法都面臨著這樣的風險。因此，為了應對內部風險，包括顯性風險（企業間諜活動、蓄意破壞等）和意外風險（自滿、無知等），軟體編碼和內部威脅程序必須具備更高的安全性和警惕性。

事實上，警惕性對監測非常重要：由於製造商逐漸在數字供應網路以外的生產過程應用工業4.0技術，網路風險只會成倍增長。

智能生產時代的新型網路風險

隨著互聯性的不斷提高，數字供應網路將面臨新的風險，智能製造同樣也無法避免。不僅風險的數量和種類將增加，甚至還可能呈指數增長。不久前，美國國土安全部出版了《物聯網安全戰略原則》與《生命攸關的嵌入式系統安全原則》，強調應關注當下的問題，檢查製造商是否在生產過程中直接或間接地引入與生命攸關的嵌入式系統相關的風險。

「生命攸關的嵌入式系統」廣義上指幾乎所有的聯網設備，無論是車間自動化系統中的設備或是在第三方合約製造商遠程式控制制的設備，都應被視為風險——盡管有些設備幾乎與生產過程無關。

考慮到風險不斷增長，威脅面急劇擴張，工業4.0時代中的製造業必須徹底改變對安全的看法。

聯網生產帶來新型網路挑戰

隨著生產系統的互聯性越來越高，數字供應網路面臨的網路威脅不斷增長擴大。不難想像，不當或任意使用臨時生產線可能造成經濟損失、產品質量低下，甚至危及工人安全。此外，聯網工廠將難以承受倒閉或其他攻擊的後果。有證據表明，製造商仍未准備好應對其聯網智能系統可能引發的網路風險： 2016年德勤與美國生產力和創新製造商聯盟（MAPI）的研究發現，三分之一的製造商未對工廠車間使用的工業控制系統做過任何網路風險評估。

可以確定的是，自進入機械化生產時代，風險就一直伴隨著製造商，而且隨著技術的進步，網路風險不斷增強，物理威脅也越來越多。但工業4.0使網路風險實現了迄今為止最大的跨越。各階段的具體情況請參見圖4。

從運營的角度看，在保持高效率和實施資源控制時，工程師可在現代化的工業控制系統環境中部署無人站點。為此，他們使用了一系列聯網系統，如企業資源規劃、製造執行、監控和數據採集系統等。這些聯網系統能夠經常優化流程，使業務更加簡單高效。並且，隨著系統的不斷升級，系統的自動化程度和自主性也將不斷提高（圖5）。

從安全的角度看，鑒於工業控制系統中商業現貨產品的互聯性和使用率不斷提升，大量暴露點將可能遭到威脅。與一般的IT行業關注信息本身不同，工業控制系統安全更多關注工業流程。因此，與傳統網路風險一樣，智能工廠的主要目標是保證物理流程的可用性和完整性，而非信息的保密性。

但值得注意的是，盡管網路攻擊的基本要素未發生改變，但實施攻擊方式變得越來越先進（圖5）。事實上，由於工業4.0時代互聯性越來越高，並逐漸從數字化領域擴展到物理世界，網路攻擊將可能對生產、消費者、製造商以及產品本身產生更廣泛、更深遠的影響（圖6）。

結合信息技術與運營技術：

當數字化遇上實體製造商實施工業4.0 技術時必須考慮數字化流程和將受影響的機器和物品，我們通常稱之為信息技術與運營技術的結合。對於工業或製造流程中包含了信息技術與運營技術的公司，當我們探討推動重點運營和開發工作的因素時，可以確定多種戰略規劃、運營價值以及相應的網路安全措施（圖7）。

首先，製造商常受以下三項戰略規劃的影響：

健康 與安全： 員工和環境安全對任何站點都非常重要。隨著技術的發展，未來智能安全設備將實現升級。

生產與流程的韌性和效率： 任何時候保證連續生產都很重要。在實際工作中，一旦工廠停工就會損失金錢，但考慮到重建和重新開工所花費的時間，恢復關鍵流程可能將導致更大的損失。

檢測並主動解決問題： 企業品牌與聲譽在全球商業市場中扮演著越來越重要的角色。在實際工作中，工廠的故障或生產問題對企業聲譽影響很大，因此，應採取措施改善環境，保護企業的品牌與聲譽。

第二，企業需要在日常的商業活動中秉持不同的運營價值理念：

系統的可操作性、可靠性與完整性： 為了降低擁有權成本，減緩零部件更換速度，站點應當采購支持多個供應商和軟體版本的、可互操作的系統。

效率與成本規避： 站點始終承受著減少運營成本的壓力。未來，企業可能增加現貨設備投入，加強遠程站點診斷和工程建設的靈活性。

監管與合規： 不同的監管機構對工業控制系統環境的安全與網路安全要求不同。未來企業可能需要投入更多，以改變環境，確保流程的可靠性。

工業4.0時代，網路風險已不僅僅存在於供應網路和製造業，同樣也存在於產品本身。 由於產品的互聯程度越來越高——包括產品之間，甚至產品與製造商和供應網路之間，因此企業應該明白一旦售出產品，網路風險就不會終止。

風險觸及實體物品

預計到2020年，全球將部署超過200億台物聯網設備。15其中很多設備可能會被安裝在製造設備和生產線上，而其他的很多設備將有望進入B2B或B2C市場，供消費者購買使用。

2016年德勤與美國生產力和創新製造商聯盟（MAPI）的研究結果顯示，近一半的製造商在聯網產品中採用移動應用軟體，四分之三的製造商使用Wi-Fi網路在聯網產品間傳輸數據。16基於上述網路途徑的物聯通常會形成很多漏洞。物聯網設備製造商應思考如何將更強大、更安全的軟體開發方法應用到當前的物聯網開發中，以應對設備常常遇到的重大網路風險。

盡管這很有挑戰性，但事實證明，企業不能期望消費者自己會更新安全設置，採取有效的安全應對措施，更新設備端固件或更改默認設備密碼。

比如，2016年10月，一次由Mirai惡意軟體引發的物聯網分布式拒絕服務攻擊，表明攻擊者可以利用這些弱點成功實施攻擊。在這次攻擊中，病毒通過感染消費者端物聯網設備如聯網的相機和電視，將其變成僵屍網路，並不斷沖擊伺服器直至伺服器崩潰，最終導致美國最受歡迎的幾家網站癱瘓大半天。17研究者發現，受分布式拒絕服務攻擊損害的設備大多使用供應商提供的默認密碼，且未獲得所需的安全補丁或升級程序。18需要注意的是，部分供應商所提供的密碼被硬編碼進了設備固件中，且供應商未告知用戶如何更改密碼。

當前的工業生產設備常缺乏先進的安全技術和基礎設施，一旦外圍保護被突破，便難以檢測和應對此類攻擊。

風險與生產相伴而行

由於生產設施越來越多地與物聯網設備結合，因此，考慮這些設備對製造、生產以及企業網路所帶來的安全風險變得越來越重要。受損物聯網設備所產生的安全影響包括：生產停工、設備或設施受損如災難性的設備故障，以及極端情況下的人員傷亡。此外，潛在的金錢損失並不僅限於生產停工和事故整改，還可能包括罰款、訴訟費用以及品牌受損所導致的收入減少（可能持續數月甚至數年，遠遠超過事件實際持續的時間）。下文列出了目前確保聯網物品安全的一些方法，但隨著物品和相應風險的激增，這些方法可能還不夠。

傳統漏洞管理

漏洞管理程序可通過掃描和補丁修復有效減少漏洞，但通常仍有多個攻擊面。攻擊面可以是一個開放式的TCP/IP或UDP埠或一項無保護的技術，雖然目前未發現漏洞，但攻擊者以後也許能發現新的漏洞。

減少攻擊面

簡單來說，減少攻擊面即指減少或消除攻擊，可以從物聯網設備製造商設計、建造並部署只含基礎服務的固化設備時便開始著手。安全所有權不應只由物聯網設備製造商或用戶單獨所有；而應與二者同樣共享。

更新悖論

生產設施所面臨的另一個挑戰被稱為「更新悖論」。很多工業生產網路很少更新升級，因為對製造商來說，停工升級花費巨大。對於某些連續加工設施來說，關閉和停工都將導致昂貴的生產原材料發生損失。

很多聯網設備可能還將使用十年到二十年，這使得更新悖論愈加嚴重。認為設備無須應用任何軟體補丁就能在整個生命周期安全運轉的想法完全不切實際。20 對於生產和製造設施，在縮短停工時間的同時，使生產資產利用率達到最高至關重要。物聯網設備製造商有責任生產更加安全的固化物聯網設備，這些設備只能存在最小的攻擊表面，並應利用默認的「開放」或不安全的安全配置規劃最安全的設置。

製造設施中聯網設備所面臨的挑戰通常也適用基於物聯網的消費產品。智能系統更新換代很快，而且可能使消費型物品更容易遭受網路威脅。對於一件物品來說，威脅可能微不足道，但如果涉及大量的聯網設備，影響將不可小覷——Mirai病毒攻擊就是一個例子。在應對威脅的過程中，資產管理和技術戰略將比以往任何時候都更重要。

人才缺口

2016年德勤與美國生產力和創新製造商聯盟（MAPI）的研究表明，75%的受訪高管認為他們缺少能夠有效實施並維持安全聯網生產生態圈的技能型人才資源。21隨著攻擊的復雜性和先進程度不斷提升，將越來越難找到高技能的網路安全人才，來設計和實施具備安全性、警覺性和韌性的網路安全解決方案。

網路威脅不斷變化，技術復雜性越來越高。搭載零日攻擊的先進惡意軟體能夠自動找到易受攻擊的設備，並在幾乎無人為參與的情況下進行擴散，並可能擊敗已遭受攻擊的信息技術/運營技術安全人員。這一趨勢令人感到不安，物聯網設備製造商需要生產更加安全的固化設備。

多管齊下，保護設備

在工業應用中，承擔一些非常重要和敏感任務——包括控制發電與電力配送，水凈化、化學品生產和提純、製造以及自動裝配生產線——的物聯網設備通常最容易遭受網路攻擊。由於生產設施不斷減少人為干預，因此僅在網關或網路邊界採取保護措施的做法已經沒有用（圖8）。

從設計流程開始考慮網路安全

製造商也許會覺得越來越有責任部署固化的、接近軍用級別的聯網設備。很多物聯網設備製造商已經表示他們需要採用包含了規劃和設計的安全編碼方法，並在整個硬體和軟體開發生命周期內採用領先的網路安全措施。22這個安全軟體開發生命周期在整個開發過程中添加了安全網關（用於評估安全控制措施是否有效），採用領先的安全措施，並用安全的軟體代碼和軟體庫生產具備一定功能的安全設備。通過利用安全軟體開發生命周期的安全措施，很多物聯網產品安全評估所發現的漏洞能夠在設計過程中得到解決。但如果可能的話，在傳統開發生命周期結束時應用安全修補程序通常會更加費力費錢。

從聯網設備端保護數據

物聯網設備所產生的大量信息對工業4.0製造商非常重要。基於工業4.0的技術如高級分析和機器學習能夠處理和分析這些信息，並根據計算分析結果實時或近乎實時地做出關鍵決策。這些敏感信息並不僅限於感測器與流程信息，還包括製造商的知識產權或者與隱私條例相關的數據。事實上，德勤與美國生產力和創新製造商聯盟（MAPI）的調研發現，近70%的製造商使用聯網產品傳輸個人信息，但近55%的製造商會對傳輸的信息加密。

生產固化設備需要採取可靠的安全措施，在整個數據生命周期間，敏感數據的安全同樣也需要得到保護。因此，物聯網設備製造商需要制定保護方案：不僅要安全地存放所有設備、本地以及雲端存儲的數據，還需要快速識別並報告任何可能危害這些數據安全的情況或活動。

保護雲端數據存儲和動態數據通常需要採用增強式加密、人工智慧和機器學習解決方案，以形成強大的、響應迅速的威脅情報、入侵檢測以及入侵防護解決方案。

隨著越來越多的物聯網設備實現聯網，潛在威脅面以及受損設備所面臨的風險都將增多。現在這些攻擊面可能還不足以形成嚴重的漏洞，但僅數月或數年後就能輕易形成漏洞。因此，設備聯網時必須使用補丁。確保設備安全的責任不應僅由消費者或聯網設備部署方承擔，而應由最適合實施最有效安全措施的設備製造商共同分擔。

應用人工智慧檢測威脅

2016年8月，美國國防高級研究計劃局舉辦了一場網路超級挑戰賽，最終排名靠前的七支隊伍在這場「全機器」的黑客競賽中提交了各自的人工智慧平台。網路超級挑戰賽發起於2013年，旨在找到一種能夠掃描網路、識別軟體漏洞並在無人為干預的情況下應用補丁的、人工智慧網路安全平台或技術。美國國防高級研究計劃局希望藉助人工智慧平台大大縮短人類以實時或接近實時的方式識別漏洞、開發軟體安全補丁所用的時間，從而減少網路攻擊風險。

真正意義上警覺的威脅檢測能力可能需要運用人工智慧的力量進行大海撈針。在物聯網設備產生海量數據的過程中，當前基於特徵的威脅檢測技術可能會因為重新收集數據流和實施狀態封包檢查而被迫達到極限。盡管這些基於特徵的檢測技術能夠應對流量不斷攀升，但其檢測特徵資料庫活動的能力仍舊有限。

在工業4.0時代，結合減少攻擊面、安全軟體開發生命周期、數據保護、安全和固化設備的硬體與固件以及機器學習，並藉助人工智慧實時響應威脅，對以具備安全性、警惕性和韌性的方式開發設備至關重要。如果不能應對安全風險，如「震網」和Mirai惡意程序的漏洞攻擊，也不能生產固化、安全的物聯網設備，則可能導致一種不好的狀況：關鍵基礎設施和製造業將經常遭受嚴重攻擊。

攻擊不可避免時，保持韌性

恰當利用固化程度很高的目標設備的安全性和警惕性，能夠有效震懾絕大部分攻擊者。然而，值得注意的是，雖然企業可以減少網路攻擊風險，但沒有一家企業能夠完全避免網路攻擊。保持韌性的前提是，接受某一天企業將遭受網路攻擊這一事實，而後謹慎行事。

韌性的培養過程包含三個階段：准備、響應、恢復。

准備。企業應當准備好有效應對各方面事故，明確定義角色、職責與行為。審慎的准備如危機模擬、事故演練和戰爭演習，能夠幫助企業了解差異，並在真實事故發生時採取有效的補救措施。

響應。應仔細規劃並對全公司有效告知管理層的響應措施。實施效果不佳的響應方案將擴大事件的影響、延長停產時間、減少收入並損害企業聲譽。這些影響所持續的時間將遠遠長於事故實際持續的時間。

恢復。企業應當認真規劃並實施恢復正常運營和限制企業遭受影響所需的措施。應將從事後分析中汲取到的教訓用於制定之後的事件響應計劃。具備韌性的企業應在迅速恢復運營和安全的同時將事故影響降至最低。在准備應對攻擊，了解遭受攻擊時的應對之策並快速消除攻擊的影響時，企業應全力應對、仔細規劃、充分執行。

推動網路公司發展至今日的比特（0和1）讓製造業的整個價值鏈經歷了從供應網路到智能工廠再到聯網物品的巨大轉變。隨著聯網技術應用的不斷普及，網路風險可能增加並發生改變，也有可能在價值鏈的不同階段和每一家企業有不同的表現。每家企業應以最能滿足其需求的方式適應工業生態圈。

企業不能只用一種簡單的解決方法或產品或補丁解決工業4.0所帶來的網路風險和威脅。如今，聯網技術為關鍵商業流程提供支持，但隨著這些流程的關聯性提高，可能會更容易出現漏洞。因此，企業需要重新思考其業務連續性、災難恢復力和響應計劃，以適應愈加復雜和普遍的網路環境。

法規和行業標准常常是被動的，「合規」通常表示最低安全要求。企業面臨著一個特別的挑戰——當前所採用的技術並不能完全保證安全，因為干擾者只需找出一個最薄弱的點便能成功入侵企業系統。這項挑戰可能還會升級:不斷提高的互聯性和收集處理實時分析將引入大量需要保護的聯網設備和數據。

企業需要採用具備安全性、警惕性和韌性的方法，了解風險，消除威脅：

安全性。採取審慎的、基於風險的方法，明確什麼是安全的信息以及如何確保信息安全。貴公司的知識產權是否安全？貴公司的供應鏈或工業控制系統環境是否容易遭到攻擊？

警惕性。持續監控系統、網路、設備、人員和環境，發現可能存在的威脅。需要利用實時威脅情報和人工智慧，了解危險行為，並快速識別引進的大量聯網設備所帶來的威脅。

韌性。隨時都可能發生事故。貴公司將會如何應對？多久能恢復正常運營？貴公司將如何快速消除事故影響？

由於企業越來越重視工業4.0所帶來的商業價值，企業將比以往任何時候更需要提出具備安全性、警惕性和韌性的網路風險解決方案。

報告出品方：德勤中國

獲取本報告pdf版請登錄【遠瞻智庫官網】或點擊鏈接：「鏈接」

Ⅹ 機器學習與人工智慧將應用於哪些安全領域

機器學習正在不斷加的加快前進的步伐，是時候來探討這個問題了。人工智慧真的能在未來對抗網路攻擊，自主地保護我們的系統嗎？
如今，越來越多的網路攻擊者通過自動化技術發起網路攻擊，而受到攻擊的企業或組織卻仍在使用人力來匯總內部安全發現，再結合外部威脅信息進行對比。利用這種傳統的方式部署的入侵檢測系統往往需要花費數周，甚至幾個月的時間，然而就在安全人員修復的這段時間內，攻擊者依然能夠利用漏洞侵入系統，肆意掠奪數據。為了應對這些挑戰，一些先行者開始利用人工智慧來完成日常的網路風險管理操作。
根據Verizon Data Breach的報告，超過70%的攻擊是通過發現補丁利用已知漏洞完成的。同時，調查結果表明，一個黑客可以在漏洞公布出來的幾分鍾內利用該漏洞嘗試入侵。修復速度的重要性可見一斑。然而，由於安全專業人員的短缺再加上大數據集需要在安全的狀態下處理，因此漏洞補救措施無法跟上網路攻擊者並不奇怪。
近期，工業調查表明組織機構平均需要146天的時間才能修復致命漏洞。這些發現無疑給我們敲響了警鍾，重新思考現有的企業安全勢在必行。
攻擊者長期利用機器和自動化技術來簡化操作。那我們又未嘗不可？
2016年，業界開始將人工智慧和機器學習視為聖杯，提高了組織機構的檢測和響應能力。 利用反復學習數據的方式得到的演算法，來保證發現威脅，而這個過程不需要操作者考慮「要找什麼東西」的問題。最終，人工智慧能夠在三個特定事件中幫助人類自動化解決問題。
大數據識別威脅
當出現網路安全這一概念的時候，所有的組織機構就面臨了一個難題。
在過去，關注網路和終端的保護就可以了，而如今應用程序，雲服務和移動設備（例如平板電腦，手機，藍牙設備和智能手錶）的加入，使得組織機構的發展這些項目的同時，必須針對它們做好足夠的防禦。然而需要防禦的攻擊面在不斷擴大，在將來會變得更大。
這種「更廣泛和更深層」的攻擊面只會增加如何管理組織中無數IT和安全工具生成的數據的數量，速度和復雜性等現有問題。分析、歸一化、優先處理被攻破的系統顯得尤為重要。工具越多，挑戰的難度越大；攻擊面越廣，要做的數據分析也就越多。 傳統上，手工修復需要大量的工作人員梳理大量的數據連接點和發現潛在的威脅。在安全人員在努力修復幾個月時間內，攻擊者就能利用漏洞提取數據。
突破現有的思維方式、自動化執行傳統的安全操作已成為補充稀缺的網路安全運營人才的頭等大事。 就是在這種大環境下，使用人機互動式機器學習引擎可以達到自動化跨不同數據類型的數據聚合、 搜集評估數據到合規要求、規范化信息以排除誤報，重復報告以及大量的數據屬性的效果。
更具關聯性的風險評估
一旦發現內部安全情報與外部威脅數據（例如，漏洞利用，惡意軟體，威脅行為者，聲譽智能）相匹配，那麼首先要確定的就是這些發現是否與關鍵業務相關聯，否則無法確定真正存在的風險及其對業務的最終影響。 打個比方，假設在某次機器的處理過程中，由於機器不知道「coffee伺服器」相比「email務器」對業務的影響，最終導致了補救措施無法集中在真正需要補救的事件中。在這個例子中，人機交互的機器學習和高級演算法起了適得其反的效果，這不是我們願意看到的現象。
自學習的應急響應
增加負責確定安全漏洞的安全團隊和專注於補救這些團隊的IT運營團隊之間的協作仍然是許多組織面臨的挑戰。 使用基於風險的網路安全概念作為藍圖，可以實施主動安全事件通知和人機交互環路干預的自動化過程。 通過建立閾值和預定義的規則，企業、機構還可以通過編制補救措施來的方式及時修復安全漏洞。
雖然機器學習可以幫助減少修復時間，但它是否能夠自主地保護組織免受網路攻擊？
很多時候，無人監督的機器學習會因為疲於警報以及注意力的原因降導致誤報和警報頻發。 對於攻擊者來說，這個結果無疑給他們帶來了破壞機器學習的新思路。 但是不得不承認的是，如今已經達到了一個臨界點，人類已經無法繼續處理大量的安全數據。 這才引出了所謂的人機互動式機器學習。
人機互動式機器學習系統分析內部安全智能，並將其與外部威脅數據相關聯，幫助人類在海量的數據中發現威脅數據。 然後人類通過標記最相關的威脅向系統提供反饋。 隨著時間的推移，系統會根據人類輸入調整其監測和分析，優化發現真實網路威脅和最小化誤報的可能性。
讓機器學習在一線安全數據評估中取得重大進展，使分析人員能夠專注於對威脅進行更高級的調查，而不是執行戰術性的數據處理。