人工智能和機器學(xué)習(xí)并不能解決所有IT世界的安全問題，盡管一些宣傳和炒作可能會暗示這一點。但是，謹(jǐn)慎使用這些技術(shù)可以使安全團隊在大規(guī)模運營時更加輕松。

人工智能和機器學(xué)習(xí)已經(jīng)成為IT行業(yè)的流行術(shù)語，有時會被納入安全性營銷信息中。許多宣傳其算法能力的產(chǎn)品已經(jīng)投放市場，但有些產(chǎn)品的能力讓人質(zhì)疑。

機器學(xué)習(xí)包括收集數(shù)據(jù)、提取數(shù)據(jù)中的特定功能以訓(xùn)練模型，以及對這些模型的應(yīng)用和不斷調(diào)整以確保期望的結(jié)果。很多企業(yè)現(xiàn)在使用這些技術(shù)，但在安全性方面，當(dāng)維度相對較小時最有效。機器學(xué)習(xí)在自動化技術(shù)方面尤其有用，這對于云計算的大規(guī)模部署至關(guān)重要。

照片打印零售商Shutterfly公司計劃將其業(yè)務(wù)從本地數(shù)據(jù)中心遷移到云平臺，并與AWS公司開展合作。但面臨的最大挑戰(zhàn)是AWS身份和訪問管理（IAM），這是云計算模型中最復(fù)雜的部分，這與企業(yè)內(nèi)部部署數(shù)據(jù)中心使用的控制有著很大不同。

Shutterfly公司首席信息安全官Aaron Peck表示，“容器和Lambda函數(shù)并沒有大規(guī)模管理身份和訪問管理（IAM）的指示，這是因為大規(guī)模的身份和訪問管理（IAM）意味著每個公司都有不同的東西。”

Peck例舉了一個擁有100個用戶和200個不同組的公司的例子。在AWS的實例中，這些服務(wù)中有100多個服務(wù)和4，000個角色，如果該公司實現(xiàn)了最少權(quán)限的最佳實踐，則可以轉(zhuǎn)化為大約100，000個策略決策。

Peck說：“在沒有任何自動化或機器學(xué)習(xí)或人工智能幫助的情況下，大規(guī)模地做到這一點是不現(xiàn)實的。”

Shutterfly公司將AWS CloudTrail日志直接發(fā)送到其Splunk部署，但最終采用Avid Secure公司的產(chǎn)品以實現(xiàn)可見性和合規(guī)性檢查。這有助于監(jiān)控持續(xù)集成和持續(xù)交付 （CI／CD）管道中的任何問題。Avid Secure是初創(chuàng)公司之一，他們在有限和有針對性的基礎(chǔ)上使用機器學(xué)習(xí)技術(shù)來確保合規(guī)性。

新的開發(fā)模型需要新的安全方法

人工智能和機器學(xué)習(xí)在安全領(lǐng)域的應(yīng)用與軟件開發(fā)的更廣泛的轉(zhuǎn)變相吻合。構(gòu)建微服務(wù)的公司已經(jīng)推動開發(fā)人員和運營團隊之間的更大合作，并且安全性更早地進入了這個過程，即所謂的DevSecOps。

451 Research公司分析師Fernando Montenegro說，“云交付模型現(xiàn)在依賴于從事分布式工作的人員。如果企業(yè)擁有DevOps團隊，安全的角色更多的是建立這些安全護欄。”

持續(xù)集成和持續(xù)交付 （CI／CD）管道意味著開發(fā)人員可能每天都會編寫新代碼，這使得冗長的人工安全審查技術(shù)變得過時。而且，在API驅(qū)動的世界中，現(xiàn)在生成的數(shù)據(jù)遠(yuǎn)遠(yuǎn)多于私有數(shù)據(jù)中心處理所有內(nèi)容時的數(shù)據(jù)。大量數(shù)據(jù)提高了對自動化的需求。

超大規(guī)模云計算和第三方添加人工智能技術(shù)

如今，主要的云計算提供商都在其安全服務(wù)中添加了一定程度的人工智能，但最突出的兩個例子來自于AWS的安全產(chǎn)品組合。Amazon Macie用于發(fā)現(xiàn)、分類和保護敏感數(shù)據(jù)，而亞馬遜GuardDuty則添加持續(xù)監(jiān)控，以防止未經(jīng)授權(quán)的行為。

雖然AWS公司繼續(xù)增加功能，但這些工具已經(jīng)因其在后臺工作并增加保護層而贏得贊譽。這些類型的服務(wù)非常適合超大規(guī)模云計算提供商，因為他們在網(wǎng)絡(luò)中擁有大量數(shù)據(jù)，可以更輕松地發(fā)現(xiàn)惡意行為模式。

盡管如此，還是有一些限制。例如，亞馬遜Macie和GuardDuty只能在本地部署的數(shù)據(jù)中心工作。由于大多數(shù)組織將應(yīng)用程序分布在多個公共云和私有數(shù)據(jù)中心，因此可能會放棄在大多數(shù)或所有環(huán)境中都不起作用的任何工具。

IDC公司分析師Abhi Dugar說，到目前為止，人工智能和機器學(xué)習(xí)主要局限于本地化環(huán)境。然而，為了真正有效應(yīng)用，這些工具必須超越這些參數(shù)。

Dugar說：“當(dāng)企業(yè)開始跨越數(shù)據(jù)中心或可用性區(qū)域時可能會出現(xiàn)一些威脅，而這些威脅尚未被考慮過。”

此外，AWS和其他公共云提供商似乎也不太愿意深入研究應(yīng)用程序級的安全性。由AWS公司首創(chuàng)的共享責(zé)任模型提出一個規(guī)則，規(guī)定了供應(yīng)商的職責(zé)在哪里結(jié)束，客戶的職責(zé)從哪里開始。用戶可以訪問大量的日志數(shù)據(jù)，這些數(shù)據(jù)可以用于內(nèi)部跟蹤工作負(fù)載，或者他們可以求助于第三方供應(yīng)商來為他們處理這些數(shù)據(jù)。

一些第三方安全供應(yīng)商擔(dān)心這可能會過度夸大機器學(xué)習(xí)在云安全中的作用。他們說，最好由二進制決策來決定，在惡意軟件檢測或敏感信息掃描中已經(jīng)有了成功的實施。

安全廠商云計算研究副總裁Mark Nunnikhoven表示，TrendMicro多年來在內(nèi)部部署數(shù)據(jù)中心使用機器學(xué)習(xí)技術(shù)，但只限于有意義的應(yīng)用。例如，運行一個更簡單的統(tǒng)計分析比訓(xùn)練和安裝人工智能模型要花費更少的成本和時間。

Nunnikhoven說，“這可能是非常昂貴的計算。當(dāng)需要確定某個操作是好是壞時，可能會有更好的方法。”

Rackspace公司網(wǎng)絡(luò)安全和運營高級主管Daniel Clayton說，“網(wǎng)絡(luò)攻擊者為了避免被發(fā)現(xiàn)，經(jīng)常會找到應(yīng)對這些算法的創(chuàng)新方法。這就是為什么在行為分析中使用人工智能還有一段路要走，以及安全分析人員在威脅識別和響應(yīng)中仍將發(fā)揮重要作用的原因。”

Clayton說，“這是企業(yè)解決安全問題的一種努力，但也面臨一些主要的問題，因為根本不存在萬能的解決方案。”

【來源：企業(yè)網(wǎng)】