本文來自千家網(wǎng)。
深度學(xué)習(xí)(DL)是機(jī)器學(xué)習(xí)(ML)的一個高級子集，是當(dāng)今一些最具創(chuàng)新性和最復(fù)雜技術(shù)的背后。我們可以見證人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)在幾乎每個行業(yè)的快速發(fā)展，并體驗到在短短幾年前還被認(rèn)為是不可能的好處。
深度學(xué)習(xí)在機(jī)器學(xué)習(xí)的復(fù)雜性方面取得了飛躍。如果結(jié)果有錯誤或不理想，機(jī)器學(xué)習(xí)可能需要在輸出層進(jìn)行人工干預(yù)；而深度學(xué)習(xí)則不同，其可以在沒有人工干預(yù)的情況下不斷學(xué)習(xí)并提高準(zhǔn)確性。多層深度學(xué)習(xí)模型可以達(dá)到驚人的準(zhǔn)確性和性能水平。
深度學(xué)習(xí)模型的興起
研究人員多年來一直致力于創(chuàng)建能夠?qū)崿F(xiàn)更高級功能的復(fù)雜人工智能算法。密切模仿生物大腦的研究工作導(dǎo)致了更復(fù)雜的數(shù)學(xué)計算，從而產(chǎn)生了人工神經(jīng)網(wǎng)絡(luò)（ANN）。簡單來說，它由一個節(jié)點(diǎn)（或神經(jīng)元）系統(tǒng)組成，就像人腦一樣，可以在網(wǎng)絡(luò)中相互接收信息和發(fā)送信息。換言之，它會學(xué)習(xí)和適應(yīng)。
由于其要求，這項技術(shù)的發(fā)展一直很緩慢。實(shí)現(xiàn)這一成就需要三個要素：大量數(shù)據(jù)、更先進(jìn)的算法以及大幅提高的處理能力。這種能力以圖形處理單元（GPU）的形式出現(xiàn)。
GPU是可以顯著加速深度學(xué)習(xí)計算過程的計算機(jī)芯片，是人工智能基礎(chǔ)設(shè)施的核心組件。其可以同時執(zhí)行多個計算，大大加快機(jī)器學(xué)習(xí)學(xué)習(xí)過程，輕松處理海量數(shù)據(jù)。強(qiáng)大的GPU與云計算相結(jié)合，可以有效地將訓(xùn)練深度模型網(wǎng)絡(luò)所需的時間從數(shù)周減少到數(shù)小時。
GPU性能的缺點(diǎn)
此類高性能計算的GPU功耗是驚人且昂貴的。訓(xùn)練某些GPU模型的單個最終版本所需的功率，可能比80個家庭一年使用的功率還要多。
此外，由于能源和水的消耗以及溫室氣體排放，世界各地大型數(shù)據(jù)存儲中心所需的能源會對環(huán)境產(chǎn)生嚴(yán)重影響。解決這一困境的部分原因是深度學(xué)習(xí)要提高數(shù)據(jù)的質(zhì)量而不是大量數(shù)據(jù)。隨著人工智能的不斷發(fā)展，可持續(xù)發(fā)展計劃必須成為一個共享的全球平臺。
層數(shù)越多，潛得越深
對于人類而言，我們越深入地研究某個主題的研究數(shù)據(jù)和經(jīng)驗示例，就越能創(chuàng)建一個實(shí)用且全面的知識庫。人工神經(jīng)網(wǎng)絡(luò)由三種類型的層構(gòu)成。第一個輸入層為網(wǎng)絡(luò)提供初始數(shù)據(jù)池。最后一層是輸出層，它為給定的數(shù)據(jù)輸入生成所有結(jié)果。在這兩者之間是最重要的隱藏層。這些中間層是執(zhí)行所有計算過程的地方。
至少有三層符合深度學(xué)習(xí)的條件，但層數(shù)越多，學(xué)習(xí)就越深入，以通知輸出層。深度學(xué)習(xí)層具有不同的功能，當(dāng)數(shù)據(jù)按特定順序流經(jīng)每個層時，這些功能會對數(shù)據(jù)起作用。每增加一層，就可以從數(shù)據(jù)集中逐步提取更多細(xì)節(jié)和特征。其最終導(dǎo)致網(wǎng)絡(luò)輸出預(yù)測或陳述潛在的結(jié)果、預(yù)測和結(jié)論。
深度學(xué)習(xí)對于準(zhǔn)確性和預(yù)防的重要性
人工智能自動化和深度學(xué)習(xí)模型是打擊網(wǎng)絡(luò)犯罪的關(guān)鍵要素，并提供抵御勒索軟件升級的重要功能。深度學(xué)習(xí)模型可以識別和預(yù)測可疑行為，并了解潛在的攻擊是什么樣的，以防止任何有效負(fù)載執(zhí)行或數(shù)據(jù)加密。
與機(jī)器學(xué)習(xí)相比，人工神經(jīng)網(wǎng)絡(luò)生成的入侵檢測和防御系統(tǒng)更智能，準(zhǔn)確性更高，誤報率也明顯更低。人工神經(jīng)網(wǎng)絡(luò)不需要依賴攻擊特征或記住已知常見攻擊序列的列表，其持續(xù)學(xué)習(xí)和更新可以識別任何顯示惡意行為或惡意軟件存在的系統(tǒng)活動。
外部攻擊一直是網(wǎng)絡(luò)安全團(tuán)隊關(guān)注的主要焦點(diǎn)，但內(nèi)部惡意活動正在增加。《Ponemon 2022年內(nèi)部威脅成本：全球報告》顯示，在過去兩年中，內(nèi)部威脅事件增加了44%，每起事件的成本增加了三分之一以上，達(dá)到1538萬美元。
安全團(tuán)隊越來越多地利用用戶和實(shí)體行為分析(UEBA)來阻止內(nèi)部威脅。深度學(xué)習(xí)模型可以隨著時間的推移分析和學(xué)習(xí)員工的正常行為模式，并檢測何時出現(xiàn)異常。例如，其可以檢測任何非工作時間的系統(tǒng)訪問或數(shù)據(jù)泄露，并發(fā)送警報。
主動網(wǎng)絡(luò)安全與被動網(wǎng)絡(luò)安全
網(wǎng)絡(luò)檢測和響應(yīng)與保護(hù)和消除之間存在很大差異。響應(yīng)式方法在威脅進(jìn)入網(wǎng)絡(luò)以利用系統(tǒng)并竊取數(shù)據(jù)后進(jìn)行防御。通過深度學(xué)習(xí)，可以在利用漏洞和惡意活動之前識別并消除漏洞和惡意活動，從而實(shí)現(xiàn)主動預(yù)防和消除威脅的目標(biāo)。
雖然自動化和多層深度學(xué)習(xí)的網(wǎng)絡(luò)安全解決方案大大提高了安全防御水平，但該技術(shù)可以被網(wǎng)絡(luò)犯罪戰(zhàn)斗的雙方利用。
不斷升級的人工智能創(chuàng)新需要保護(hù)性立法
在網(wǎng)絡(luò)安全方面，為了抵御復(fù)雜的網(wǎng)絡(luò)敵人，像深度學(xué)習(xí)這樣的人工智能解決方案的發(fā)展速度超過了監(jiān)管機(jī)構(gòu)能夠遏制和控制其能力。企業(yè)防御者的好處也可能被惡意攻擊者利用和操縱。
未來無節(jié)制的人工智能技術(shù)在全球范圍內(nèi)的后果可能是毀滅性的。如果我們的技術(shù)失控，而沒有立法來維持秩序、人權(quán)和國際安全，這可能會成為一場升級的善惡戰(zhàn)場。
最終，網(wǎng)絡(luò)安全的目標(biāo)是超越被動檢測和響應(yīng)，轉(zhuǎn)向主動保護(hù)和威脅消除。自動化和多層深度學(xué)習(xí)是朝這個方向邁出的關(guān)鍵一步。挑戰(zhàn)在于保持合理的控制，并領(lǐng)先我們的網(wǎng)絡(luò)敵人一步。
