關於機器學習的 10 件事
機器學習 (ML) 工具可以成為動態且功能強大的安全平台的重要元素。ML 可用於網路安全領域中的各種任務，包括惡意軟體偵測、網路異常偵測、使用者行為分類、弱點優先排序等。最終，我們使用 ML 的目標是改善模型風險、簡化威脅分類，以及準確預測即時與未來的攻擊。以下是考慮在您的網路空間實作 ML 時需要注意的十大事項。
- 網路犯罪不斷地演進，我們必須保持領先一步
隨著技術持續快速發展，攻擊者也在不斷提升網路釣魚、贖金軟體攻擊、惡意攻擊活動 等技術。網路安全必須利用最先進的技術，而這些技術可以使用 ML 來加強。 - 監督學習和無監督學習是 ML 的兩個主要組成部分
監督學習涉及使用過去的資料來幫助演算法從欺詐資料中識別出好資料。它使用過去學習到的行為來預測遵循同一套準則的結果。
無監督學習使用聚類（clustering），也就是透過識別資料之間的相似性，將未標示的範例分組在一起。在網路安全方面，無監督學習可將欺詐或異常資料配對在一起。
有監督的學習有益於分類。當獲得有關潛在威脅外觀的資訊時，機器就能從資料中偵測並找出威脅。另一方面，無監督學習是在沒有特定指令集的情況下接收資料，並開始將類似的資料拼湊在一起。這表示它會將資料 (例如威脅) 聚類並組織成群組，因為這些威脅具有相似的特質。 - 資料是關鍵
為了讓 ML 演算法能正常運行並產生所需的結果，必須有大量的優質資料進行歸類。輸入大型資料集時，請務必記住您的資料需要代表預期會攻擊的威脅，才能讓 ML 工具正確執行工作。您也必須確保資料是最新的。 - 資料必須使用相同的語言，才能有效地與 ML 合作
如果資料來自不同的來源，但由於資料類型或分類的差異而彼此互動不佳，機器就很難篩選並判定哪些資料是相關的。資料應該來自一個連貫的來源，才能讓演算法發揮最佳效能。 - ML 是預測性的，不是決定性的
ML 處理的是概率和結果的可能性。這表示它會接受所給的資料，並使用這些先前的結果來預測未來的潛在結果。雖然這些都不是確定的，但通常都非常精確，而且可以比人類更快的速度完成。 - ML 可以提供特定的安全技術，以克服傳統方法無法解決的低效率或不可能的問題
ML 可以協助尋找人類無法發現的新穎洞察力。它還可以輕鬆維護檢測規則，從而減輕工人的負擔。ML 能以更快的速度自動維護安全規則，而不是手動確保資料遵循公司所制定的特定準則。它可以進行大規模擴充，這使它能夠增加能夠運行的資料，從而提高效率。 - 學習迴歸、分類、聚類和聯想的規則是一項重要且常見的任務
迴歸與監督學習相似，它會根據之前的結果預測下一個輸出。在網路安全方面，這可以用於詐欺偵測。
分類和聚類將資料分開為不同的群組或類別，而聚類是根據資料中呈現的相似性來進行特定的群組。透過 ML，分類可以將垃圾郵件從允許的資料和真實資料中區分出來。
關聯規則學習使用過去的資料經驗，以比人類快得多的速度推薦特定結果。如果網站發生事故，可以實作關聯規則學習，自動向使用者推薦解決方案。 - 雖然 ML 已經整合到網路安全的幾乎每個層面，但也必須認清其限制
ML 演算法在辨識模式和進行預測方面非常有效率。然而，ML 需要大量資源，而且仍有相對較高的錯誤易感性，因為所有資料集的範圍都是有限的。ML 也可能被媒體誇大，聲稱它比實際上更強大。 - 實作網路安全的人與演算法同樣重要
最大化以 ML 為基礎的網路安全演算法的輸出，需要人與機器的共同努力。儘管 ML 演算法可以執行粗暴的資料分析，但團隊必須隨時掌握最新的技術突破和可能的威脅，這一點非常關鍵。 - 用於網路安全的 ML 應輕鬆與現有軟體和架構整合
在您的企業實作新的 ML 技術時，請記住它應該簡化您的體驗，而不是造成緊張。選擇一個能與您目前的軟體和程式整合良好的 ML 解決方案，對於實作的最大效益是有助益的。
總而言之，網路安全的 ML 應該：- 針對特定的目標和目的
- 最小化錯誤預測
- 有評估其有效性的方法
- 擁有強大的團隊與之並肩作戰
Palo Alto Networks 如何利用 ML 來保護企業免受未來的威脅？我們的 ML-Powered NGFW 使用機器學習來防護常見的檔案和網頁威脅，成功率高達 95%。我們的防火牆可偵測到三倍以上的物聯網裝置，並利用 ML 建立少於十秒的簽章傳送，使受感染的系統減少 99.5%。ML 正協助我們為合作夥伴和客戶創造更安全、更有保障的環境。
在這篇 Cyberpedia 文章中，您可以瞭解 Palo Alto Networks 有關 ML 的更多資訊：什麼是機器學習？
全球網路安全領導廠商 Palo Alto Networks 正以技術塑造以雲端為中心的未來，改變人們和組織的運作方式。我們的使命是成為網路安全的首選合作夥伴，保護我們的數位生活方式。如需更多資訊，請造訪 www.paloaltonetworks.tw
