【中國(guó)安防展覽網(wǎng) 企業(yè)關(guān)注】目前網(wǎng)絡(luò)安全已經(jīng)進(jìn)入了一個(gè)嶄新的時(shí)代，面向各種新戰(zhàn)場(chǎng)，需要新的架構(gòu)、新的方法、新的編程語(yǔ)言來(lái)支撐我們應(yīng)對(duì)越來(lái)越艱巨的戰(zhàn)斗。新戰(zhàn)場(chǎng)以黑產(chǎn)對(duì)抗、反勒索軟件、反Insider-based APT、物聯(lián)網(wǎng)/車聯(lián)網(wǎng)這些新方向?yàn)榇怼?br />
目前網(wǎng)絡(luò)安全已經(jīng)進(jìn)入了一個(gè)嶄新的時(shí)代，面向各種新戰(zhàn)場(chǎng)，需要新的架構(gòu)、新的方法、新的編程語(yǔ)言來(lái)支撐我們應(yīng)對(duì)越來(lái)越艱巨的戰(zhàn)斗。新戰(zhàn)場(chǎng)以黑產(chǎn)對(duì)抗、反勒索軟件、反Insider-based APT、物聯(lián)網(wǎng)/車聯(lián)網(wǎng)這些新方向?yàn)榇?。比如很多攝像頭、智能門(mén)鎖、兒童手表，都是成批次的被攻破，車聯(lián)網(wǎng)與智能車的安全問(wèn)題也引起業(yè)界的嚴(yán)重關(guān)注和顧慮。
網(wǎng)絡(luò)安全面臨嚴(yán)峻考驗(yàn)
“2016年互聯(lián)網(wǎng)用戶達(dá)到35億人，約占世界總?cè)丝诘囊话?。?020年，接入互聯(lián)網(wǎng)的終端設(shè)備預(yù)計(jì)將達(dá)到120億臺(tái)。”這是來(lái)自電信聯(lián)盟于2017年7月發(fā)布的《網(wǎng)絡(luò)安全指數(shù)》中的數(shù)據(jù)。
而隨著智能設(shè)備的廣泛應(yīng)用，大規(guī)模普及的物聯(lián)網(wǎng)必將為攻擊者提供大量新機(jī)會(huì)，工作與生活的界限愈加模糊，一臺(tái)聯(lián)網(wǎng)設(shè)備，只要被攻陷，從銀行等財(cái)務(wù)信息到健康等個(gè)人信息，則可能全部泄露。而在互聯(lián)時(shí)代，只要攻克一臺(tái)設(shè)備，其他設(shè)備就可能瞬間被瓦解。
這樣的事情已有先例。2016年10月，一款名為Mirai的惡意軟件侵襲了大量存在漏洞的智能攝像頭、智能網(wǎng)關(guān)、智能家電等物聯(lián)網(wǎng)設(shè)備，被感染后的它們瞬間變成了網(wǎng)絡(luò)中的“肉雞”設(shè)備。在工控領(lǐng)域，2010年的Stuxnet蠕蟲(chóng)病毒能夠針對(duì)西門(mén)子的監(jiān)控與數(shù)據(jù)采集(SCADA)系統(tǒng)進(jìn)行攻擊，并通過(guò)U盤(pán)和局域網(wǎng)進(jìn)行傳播。
萬(wàn)物互聯(lián)，內(nèi)網(wǎng)和外網(wǎng)的邊界逐漸模糊，網(wǎng)絡(luò)泛化則成為大趨勢(shì)，比如特斯拉的汽車在各種場(chǎng)合都可以接入wifi，還可以接入3G/4G網(wǎng)絡(luò)，而在未來(lái)的交通中，無(wú)人駕駛車還將與交通燈、交通臺(tái)，甚至是和其他車互通互聯(lián)——這意味著更多的潛在攻擊點(diǎn)。
“一旦入網(wǎng)，有很多傳統(tǒng)的攻擊手段就能像攻擊電腦一樣攻擊無(wú)人駕駛車，WannaCry病毒同樣可以入侵車，這造成的問(wèn)題將會(huì)更大。”德國(guó)弗勞恩霍夫應(yīng)用集成信息安全研究所認(rèn)知信息安全研究組組長(zhǎng)肖煌在接受機(jī)器之能的采訪時(shí)說(shuō)。
這表明，無(wú)論是現(xiàn)在，還是將來(lái)，網(wǎng)絡(luò)安全將面臨著嚴(yán)峻的考驗(yàn)。隨著人工智能被應(yīng)用于各個(gè)垂直領(lǐng)域，網(wǎng)絡(luò)安全面臨的新的挑戰(zhàn)，也為人工智能的大展身手帶來(lái)了重要的契機(jī)。
在這個(gè)新興領(lǐng)域，巨頭已經(jīng)出現(xiàn)。用人工智能預(yù)測(cè)網(wǎng)絡(luò)攻擊的Cylance公司是估值10億美元以上的獨(dú)角獸，其人工智能反病毒軟件“Cylance PROTECT”可以預(yù)測(cè)威脅的發(fā)生。該公司曾在去年演示了一項(xiàng)技術(shù)，在沒(méi)有網(wǎng)絡(luò)連接的情況下，僅需60 MB內(nèi)存和1%的CPU就能保護(hù)計(jì)算機(jī)免受攻擊。
人工智能于網(wǎng)絡(luò)安全：異常檢測(cè)和提升效率
在網(wǎng)絡(luò)安全領(lǐng)域，對(duì)威脅的識(shí)別，并非一蹴而就，而是漸進(jìn)發(fā)展的過(guò)程。亞信網(wǎng)絡(luò)安全產(chǎn)業(yè)技術(shù)研究院副院長(zhǎng)童寧在7月初舉辦的C3安全峰會(huì)上介紹，安全廠商起初通過(guò)黑白名單技術(shù)，將目標(biāo)進(jìn)行好/壞定性，用這樣的一維特征來(lái)識(shí)別威脅。隨后是匹配字符串這樣的二維特征，如果請(qǐng)求里包含某一類型的數(shù)據(jù)，就會(huì)被認(rèn)定為非法。在這之后是多維特征，要辨別一個(gè)程序是好是壞，先讓它運(yùn)行，再監(jiān)督它的運(yùn)行過(guò)程，將運(yùn)行過(guò)程中的信息形成多維特征，用于判斷。但多維特征技術(shù)的致命缺點(diǎn)就是開(kāi)銷太大，效率低下，因此無(wú)法達(dá)到客戶要求。
在2000年以后，隨著移動(dòng)互聯(lián)網(wǎng)的發(fā)展，有大量設(shè)備產(chǎn)生各式各樣的日志，因此在日志管理和分析方面，有了長(zhǎng)足的發(fā)展。而包括關(guān)聯(lián)分析等機(jī)器學(xué)習(xí)算法也被大量使用。
在機(jī)器學(xué)習(xí)中，童寧表示，監(jiān)督學(xué)習(xí)則是一個(gè)的多維度特征發(fā)現(xiàn)方法，適用于惡意程序、*以及垃圾郵件的防治。但監(jiān)督學(xué)習(xí)也面臨著挑戰(zhàn)：一，模型的新鮮度，因?yàn)橥{每天都在變化，而監(jiān)督學(xué)習(xí)并不是每天都在學(xué)習(xí)，如果不每天學(xué)習(xí)，新的威脅就識(shí)別不出來(lái)。二，模型的準(zhǔn)確率，學(xué)習(xí)是一回事，但真正使用時(shí)的精度又是另一回事。三，模型的召回率，也就是說(shuō)漏掉了多少威脅，有多少威脅沒(méi)有抓住。
因此，監(jiān)督學(xué)習(xí)并不是的，比如反欺詐、態(tài)勢(shì)感知、用戶行為分析則更適合無(wú)監(jiān)督學(xué)習(xí)。然而，無(wú)監(jiān)督學(xué)習(xí)也面臨著另外的挑戰(zhàn)，因?yàn)闊o(wú)監(jiān)督學(xué)習(xí)一般是在客戶的網(wǎng)絡(luò)環(huán)境中進(jìn)行，因而很有可能面臨投毒攻擊。
“機(jī)器學(xué)習(xí)技術(shù)的優(yōu)勢(shì)是它的多維識(shí)別能力，然而機(jī)器學(xué)習(xí)技術(shù)再?gòu)?qiáng)大也需要與其他手段綜合起來(lái)利用，效果才更好。”童寧說(shuō)。肖煌同樣指出，將機(jī)器學(xué)習(xí)用于網(wǎng)絡(luò)安全，在很多場(chǎng)景，預(yù)測(cè)精度并不能達(dá)到他們要求的0.000001的誤報(bào)標(biāo)準(zhǔn)。從這個(gè)角度來(lái)說(shuō)，人工智能也只是輔助手段，還需要與傳統(tǒng)手段結(jié)合。
然而，肖煌認(rèn)為，將人工智能用于網(wǎng)絡(luò)安全則有另外的優(yōu)勢(shì)，那就是提高分析效率。人工智能的典型作用是代替人類做大量重復(fù)的勞動(dòng)，比如用人工智能分析影像圖片，將影像醫(yī)生從低效率的重復(fù)勞動(dòng)中解放了出來(lái)。
網(wǎng)絡(luò)安全行業(yè)，也同樣如此。數(shù)據(jù)顯示，中國(guó)目前對(duì)網(wǎng)絡(luò)安全人才的總需求量超過(guò)70萬(wàn)，每年增加的人才卻不過(guò)兩三萬(wàn)，缺口高達(dá)95%。而且，一個(gè)分析師每天能分析的漏洞卻是非常有限的。
“如果不通過(guò)自動(dòng)化的手段，將來(lái)物聯(lián)網(wǎng)連接設(shè)備數(shù)爆發(fā)的時(shí)候，大量的信息安全隱患只依賴人來(lái)分析是不太可能的。”肖煌表示，一個(gè)信息安全分析師每天多能看一兩千條log數(shù)據(jù)，或者一兩百個(gè)代碼片，而對(duì)人工智能來(lái)說(shuō)，幾百萬(wàn)條數(shù)據(jù)，只需花費(fèi)幾分鐘時(shí)間。
根據(jù)肖煌的觀察，信息安全和人工智能，領(lǐng)域不同，思維方式也有一定區(qū)別，前者更偏向于系統(tǒng)工程，后者則更偏向于數(shù)學(xué)思維。因此，肖煌的很多同事認(rèn)為人工智能解決的問(wèn)題有限，更愿意使用傳統(tǒng)的方法，但也會(huì)朝著分析自動(dòng)化的方向思考。
“我相信任何一個(gè)做信息安全的人必然要向這個(gè)方向靠攏。”肖煌希望能用趨于成熟的自動(dòng)化手段完成垂直領(lǐng)域的性能提升，包括分析的效率、時(shí)效性、規(guī)模和可解釋性。
人工智能時(shí)代的攻與防
網(wǎng)絡(luò)安全是道高一尺魔高一丈的世界。安全人員使用人工智能技術(shù)阻擋黑客攻擊，反過(guò)來(lái)這也會(huì)使黑客使用人工智能技術(shù)發(fā)起更復(fù)雜的攻擊。而隨著大量人工智能模型開(kāi)源，黑客入侵的工具也愈發(fā)多樣化。肖煌表示，只要稍加學(xué)習(xí)，黑客就可以利用開(kāi)源工具欺騙識(shí)別系統(tǒng)，而技術(shù)難度的降低會(huì)促使很多人成為黑客，或者是進(jìn)行一些此前做不到的攻擊。
這并非杞人憂天。在網(wǎng)絡(luò)釣魚(yú)電子郵件中已有這樣的案例，黑客通過(guò)模仿人類的說(shuō)話習(xí)慣和內(nèi)容，使得企業(yè)或個(gè)人被入侵時(shí)更加難以識(shí)別。肖煌認(rèn)為，以后的病毒變種會(huì)越來(lái)越多，檢測(cè)越來(lái)越難，規(guī)模越來(lái)越大，生成的時(shí)間越來(lái)越短。
疊加在典型圖片輸入上的對(duì)抗輸入會(huì)讓分類器產(chǎn)生錯(cuò)覺(jué)，誤將熊貓識(shí)別為長(zhǎng)臂猿
2017年2月，OpenAI在發(fā)表的新研究中，指出人工智能安全領(lǐng)域的另一大隱憂：對(duì)抗樣本。在圖像識(shí)別問(wèn)題中，攻擊者將對(duì)抗樣本輸入機(jī)器學(xué)習(xí)模型，讓機(jī)器在視覺(jué)上產(chǎn)生幻覺(jué)，從而讓系統(tǒng)產(chǎn)生誤判。而在論文《解釋并馴服對(duì)抗樣本》(Explaining and Harnessing Adversarial Examples)中有一個(gè)例子：一張熊貓圖片，被加入人為設(shè)計(jì)的微小噪聲后，就導(dǎo)致系統(tǒng)將熊貓識(shí)別為長(zhǎng)臂猿。
多年來(lái)，肖煌一直在研究對(duì)抗性機(jī)器學(xué)習(xí)，致力于攻克機(jī)器學(xué)習(xí)算法本身的缺陷。他分析道，依賴于數(shù)據(jù)的機(jī)器學(xué)習(xí)算法、深度學(xué)習(xí)算法本身存在很大的缺陷。對(duì)抗性生成網(wǎng)絡(luò)，則利用這種缺陷，設(shè)計(jì)新的架構(gòu)去生成模型。
“因?yàn)槟壳暗臋C(jī)器學(xué)習(xí)嚴(yán)重依賴于數(shù)據(jù)的分布，如果數(shù)據(jù)分布本身很復(fù)雜，或者是人為地把它變得復(fù)雜，黑客如果有手段去生成惡意的樣本，就會(huì)導(dǎo)致識(shí)別不出來(lái)，或者識(shí)別錯(cuò)誤。”肖煌進(jìn)一步解釋。
肖煌表示，如果干擾被用在無(wú)人駕駛領(lǐng)域，后果則不堪設(shè)想。比如，在無(wú)人駕駛測(cè)試路段德國(guó)A9高速公路上，有專門(mén)的標(biāo)識(shí)引導(dǎo)無(wú)人駕駛車。如果路邊的標(biāo)識(shí)被惡意修改，誤導(dǎo)依賴標(biāo)識(shí)的無(wú)人駕駛車，則會(huì)造成極度危險(xiǎn)的情況。
肖煌認(rèn)為，因?yàn)樗惴ū旧淼娜毕?，在大?guī)模使用人工智能之后，網(wǎng)絡(luò)安全則需要更換思路，設(shè)計(jì)新的方法。
對(duì)此，他提供了以下路徑。一，增加分析端的可解釋性。肖煌分析，如果是病毒威脅入侵，用機(jī)器學(xué)習(xí)檢測(cè)的方法，很難解決，因此希望能在信息安全泄露事故時(shí)，用統(tǒng)計(jì)學(xué)的方法理解其中的關(guān)聯(lián)，黑客如何入侵系統(tǒng)，攻擊的路徑是什么，又是哪個(gè)環(huán)節(jié)出現(xiàn)了問(wèn)題，找出這些關(guān)聯(lián)，或者從因果關(guān)系圖譜角度進(jìn)行分析，從而增加分析端的可解釋性。
二，目前的機(jī)器學(xué)習(xí)算法模型太復(fù)雜，需要使用大量的數(shù)據(jù)，就存在Tradeoff(權(quán)衡取舍)的情況。肖煌認(rèn)為，降低算法復(fù)雜度的方法有很多，比如，引入先驗(yàn)的知識(shí)，引導(dǎo)模型往一個(gè)方向?qū)W習(xí)。這樣學(xué)習(xí)的模型復(fù)雜度會(huì)降低，需要的數(shù)據(jù)也比較少。
三，信息安全情報(bào)的共享也非常重要。比如，模型存在某個(gè)缺陷，把這個(gè)缺陷提取出來(lái)，用一種的手段，編譯到另一種模型中去，另外的模型則無(wú)此缺陷。肖煌認(rèn)為，這類似遷移學(xué)習(xí)(Transfer learning)，只是遷移學(xué)習(xí)是遷移中間的學(xué)習(xí)結(jié)果，實(shí)際上中間學(xué)習(xí)出來(lái)的異常也可以遷移，從而增加算法的安全性。
移動(dòng)版
智慧城市網(wǎng)APP
智慧城市網(wǎng)小程序
微信公眾號(hào)
