机器学习如何帮助企业应对网络威胁？( 二 ) _网络威胁

决策树作为机器学习算法的一个例子，让我们来谈谈决策树算法。决策树是一种流行的机器学习算法，类似于树状图，节点表示属性，叶子表示输出或类标签。通过提出一系列问题，算法在数据中导航从而做出决策。决策树可以作为更先进技术的基础，如随机森林。

文章插图
决策树示例

集成学习集成学习将多个机器学习模型组合在一起以提高准确性。随机森林就是这样的技术，它可以根据数据样本训练每棵树，并根据票数多的做出决定。
另一种流行的集成学习是梯度提升。与独立建造和训练树木的随机森林不同，梯度提升会按照顺序建造树木，每一棵新树都是为了纠正前一棵树所犯的错误而设计的，从而逐步提高模型的性能。当我们需要较高的预测能力时，梯度提升非常有效。目前梯度提升已成功用于各种网络安全应用，例如识别钓鱼页面。
集成学习代表了机器学习应用程序先进的水平，展示了多个“较弱”的模型如何结合在一起形成一个“较强”的模型。

文章插图
渐变增强示例

机器学习用例虽然我们考虑了许多先进的机器学习方法，但它们如何在网络安全中应用和使用？让我们来看看一些案例。
恶意软件检测
机器学习是对抗恶意软件，或者简单地说，是对抗有害软件的强大工具。病毒、木马、勒索软件和间谍软件等破坏性软件可能会威胁数据安全、系统可靠性和隐私。
基于机器学习，随机森林和支持向量机（SVM）等算法构成了恶意软件检测的主干。这些算法深入研究软件二进制文件的微小细节，因为这些细节就像软件程序的DNA 。通过研究这些二进制信息，可以发现代码中隐藏的威胁；还可以发现可能被人类分析师忽视的模式和异常之处，从而加快检测速度。
网络钓鱼检测
网络钓鱼攻击是一种常见的网络安全威胁，旨在诱骗人们泄露登录信息、信用卡号或社会安全详细信息等敏感数据。这种攻击通常伪装成合法的电子邮件或网站，欺骗用户相信他们正在与一个值得信赖的网站交互。
机器学习模型由梯度提升和决策树等算法提供支持，可以以惊人的速度分析大量电子邮件内容和网站URL 。这些算法有能力检测网络钓鱼最微小的迹象，如可疑的电子邮件地址、细微的拼写错误、URL异常或对个人数据的异常请求。
通过在恶意软件和网络钓鱼检测中使用ML的预测能力，网络安全措施变得更加积极主动。配备ML的系统可以预先识别和减轻威胁，而不是在发生后对违规行为做出反应。
异常检测
异常检测是指发现行为异常的数据点，显示意外模式。想象一个具有简单一维值的数据集，其中大多数数据点都聚集在一个中心点的周围。假如一个数据点偏离了这个组，那么很容易将其标记为异常。在单个变量数据集中发现异常可能非常直接。
但是，随着数据变得越来越复杂，这项任务更具挑战性。例如，在有两个变量的数据集中，分别考虑每个变量时，异常可能不会显现；只有同时查看这两个变量时才能发现异常。当处理包含数百甚至数千个变量的数据集时，检测异常会变成一项复杂的任务，需要仔细检查变量组合，才能有效地发现潜在的异常情况。

文章插图
异常检测技术

异常检测在网络安全中有多种重要应用：

网络异常：网络是网络攻击者的主要目标，检测异常网络行为对于防止数据泄露和未经授权的访问至关重要。异常检测技术有助于识别异常网络流量，指出潜在的网络入侵或可疑活动。
信用卡欺诈：在金融部门，异常检测在检测欺诈性信用卡交易发挥着关键作用。它能够分析交易模式并识别异常活动，例如在短时间内从不同地点购买，或偏离持卡人消费习惯的大额购买。
可疑客户行为：

在电子商务和在线服务中，异常检测被用来发现可疑的客户行为。它有助于识别偏离用户典型交互的活动，例如异常登录位置或多次登录尝试失败，这可能表明有人在尝试未经授权的访问或帐户泄露。