Page 7 - 防禦還是破口？辨識AI的安全威脅

2026年人工智慧網路安全市場規模預計將突破382億美元。。
的駭客與網路安全人員來說，這 個頗具規模的問題仍然是他們面 臨的最大挑戰。即使是惡意軟體 掃描器一般也無法在足夠大的資 料集上進行訓練，以克服訓練偏 差，這是因為一般組織無法取得 所需的全域資料集。
(資料來源:MarketsandMarkets Research)
識技術，而Google也正利用 機器學習演算法來掃描每秒 鐘所執行的各種新查詢。最 後，這二種技術途徑都將被 用來協助瞭解世界的行為如 何變化。因此，系統可以為 這兩個群體提供威脅情報， 但目前人工智慧工具的自主 性仍然極其受限制。
未來
法直接回應可疑的攻擊。 對於尋求使用機器學習技術
面臨的挑戰
這並不是說機器學習無法在 網路安全或駭客攻擊中找到更多 的應用。然而，目前機器學習系 統的效用仍然受到許多挑戰的 限制。
其中最重要的是訓練這些系 統所需的運算資源以及大量的資 料。最近的研究試圖評估機器學 習類型在檢測「洋蔥路由器」(The Onion Router;TOR)匿名流量方 面的價值，就是一個很好的說明。
•目前，人工智慧和機器學習 的主要應用(同樣地，對駭客 與網路安全專業人員而言) 是自動分析網路流量。諸如 Google與Facebook等主要 科技業者一直在利用機器學 習辨識大量資料集的趨勢和 類型，其目的就在於開發出 能夠隨著時間推移而進展的 演算法，並在未來的虛擬現 實中現實。 具體來說，Facebook一直 在利用機器學習開發臉部辨
鑒於以上所有的觀察，對於 人工智慧與機器學習系統所宣稱 的說法，讓人很容易抱持質疑的 態度。顯然地，一方面，這種系統 將變得更加普遍，特別是在IoT網 路中的應用。
這項研究顯示，部署機器學 習技術來分析所收到的請求，能 夠對於匿名流量的資料外流提供 良好的防護功能。然而，研究人 員也指出，這項研究中所使用的 資料集遠遠小於一般網路安全環 境中的典型資料集。
•
然而，目前這些系統在打擊 網路威脅的能力，或是執行新型 網路攻擊的能力方面仍然有其限 制。
COMMENT
www.edntaiwan.com 5