


Wie man maschinelles Lernen und künstliche Intelligenz in der Cybersicherheit nutzt
Cyberkriminelle suchen ständig nach neuen Möglichkeiten, Angriffe durchzuführen. Dank künstlicher Intelligenz (KI) und ihrer Teilmenge, dem maschinellen Lernen, ist es jedoch möglich, sich automatisch gegen diese Angriffe zu verteidigen.
Das Geheimnis liegt in der Fähigkeit des maschinellen Lernens, den Netzwerkverkehr zu überwachen und zu verstehen, was im System normal ist, und diese Informationen zu verwenden, um verdächtige Aktivitäten zu kennzeichnen. Wie der Name der Technologie schon sagt, ist sie in der Lage, die riesigen Mengen an Sicherheitsdaten, die Unternehmen täglich sammeln, zu nutzen und mit der Zeit immer effektiver zu werden.
Wenn die Maschine an diesem Punkt eine Anomalie erkennt, sendet sie eine Warnung an einen Menschen (normalerweise einen Sicherheitsanalysten), um zu entscheiden, ob Maßnahmen ergriffen werden müssen. Einige maschinelle Lernsysteme sind jedoch bereits in der Lage, selbstständig zu reagieren und beispielsweise den Zugriff auf bestimmte Benutzer zu beschränken.
Wird künstliche Intelligenz den Menschen im Sicherheitsbereich ersetzen?
Gespräche über Automatisierung und künstliche Intelligenz führen oft zu Arbeitsplatzverlusten, aber in der Sicherheitsbranche wird maschinelles Lernen eingesetzt, um bestehende zu ergänzen Es gibt Fachwissen, statt es zu ersetzen.
Diese Systeme sind nicht darauf ausgelegt, autonom zu arbeiten, sondern auf die Bewältigung von Aufgaben, die menschliche Arbeiter von der effektiven Arbeit ablenken. Beispielsweise ist KI sehr gut darin, Daten zu verarbeiten, die dann für weitere Analysen genutzt werden können, eine Aufgabe, die noch immer dringend von Menschen benötigt wird.
Laut Tash Norris, Leiter Cybersicherheit bei Moonpig, kann die KI-Datenanalyse jedoch auch andere Vorteile bieten. Als Mitglied des IT-Pro-Teams sagte er: „Analysten werden natürlich nach Korrelationen suchen, die sie schon einmal gesehen haben, oder nach Korrelationen, die sie erwarten.“
„Eine echte Implementierung von KI sollte in der Lage sein, „unvoreingenommene“ Korrelationen abzuleiten und so mehr Wert aus den vorhandenen Datensätzen zu ziehen.“
Die Diskussionsteilnehmer waren sich einig: Der intelligenteste Einsatzort KI- und maschinelle Lernsysteme gehören zur breiten Kategorie der Erkennungs- und Reaktionsfunktionen, einschließlich Aufgaben wie SIEM, SOAR und EDR. Durch die Automatisierung dieser eher manuellen Prozesse haben die Mitarbeiter mehr Zeit, sich mit gefährlicheren Bedrohungen auseinanderzusetzen, und nutzen KI als Kraftmultiplikator, um die Fähigkeiten der Sicherheitsteams zu erweitern.
Dave Palmer, technischer Direktor bei Darktrace, sagte: „Mit maschinellem Lernen können Unternehmen effektiver Prioritäten setzen. Wir schließen menschliche Risikoentscheidungen nicht aus, aber wir ermöglichen die taktische Brandbekämpfung, also Sicherheitsteams.“ können die Arbeit in ihrem eigenen Zeitrahmen erledigen. Der Schwerpunkt der Partnerschaft liegt auf der Lösung von Sicherheitsherausforderungen in „kritischen Bereichen“ wie E-Mail-Sicherheit, Datenintegration und optimierten Sicherheitsabläufen. Dazu gehört das Azure-Hosting von Antigena Email von Microsoft, das die Technologie der künstlichen Intelligenz von Darktrace nutzt, um die fortschrittlichsten E-Mail-Bedrohungen zu blockieren, und auch auf dem Azure Marketplace verfügbar ist.
Dan Feinat, Direktor für E-Mail-Sicherheitsprodukte bei Darktrace, warnte, dass das Startup für künstliche Intelligenz täglich „Angreifer sieht, die sich als CEOs ausgeben oder Anbieterkonten kompromittieren und gezielte Nachrichten versenden, die legitim aussehen.“
„Da diese Angriffe immer ausgefeilter werden, reicht die Schulung und Sensibilisierung der Mitarbeiter nicht mehr aus. Die Antwort liegt in der Technologie“, fügte er hinzu.
Stuart Laidlaw, CEO des britischen Cybersicherheits-Startups Cyberlytic, plädiert ebenfalls dafür, maschinelles Lernen einzusetzen, um die Arbeitsbelastung von Sicherheitsanalysten zu verringern. „Es geht darum, den Lärm zu reduzieren: Diese Leute sind mit ihrer täglichen Arbeit beschäftigt und können nicht auf alles reagieren. Wir nutzen maschinelles Lernen, um Triage durchzuführen.“
Mitbegründer des Cloud-Sicherheitsunternehmens ProtectWise Gene Stevens sagte, dass maschinelles Lernen sein größtes Potenzial darin zeigt, die Ergebnisse vieler verschiedener Expertensysteme zu interpretieren und sie miteinander zu integrieren. „Menschen verbringen viel Zeit damit, es zu rationalisieren. Maschinelles Lernen ist gut darin, diese Muster zu nutzen und die Daten so zu organisieren, dass Menschen einen hohen Grad an Integration des Datenverkehrs im Netzwerk erreichen können.“
Maschine Lernen kann auch zur Analyse des Benutzerverhaltens verwendet werden. Jamal Elmellas, Chief Technology Officer bei Auriga Consulting, sagte beispielsweise: „Wenn sich jemand jeden Tag um 08:55 Uhr anmeldet und die Zeit dann auf 01:00 Uhr wechselt, markiert das System dies als verdächtiges Verhalten.“
Wie man maschinelles Lernen in der Cybersicherheit einsetzt Mit der Weiterentwicklung der Technologie wächst auch die Anzahl realisierbarer Anwendungsfälle. Ein Beispiel ist die Anomalieerkennung, die durch Automatisierung verändert wird. Dies ist vor allem auf die relativ einfache Anwendung der Technologie auf die Aufgabe zurückzuführen, da Sie das System mit relativ minimalem Schulungsaufwand starten können. Steven Murdoch, ein Sicherheitsarchitekt am VASCO Innovation Centre in Cambridge, sagte: „Sie füttern es mit einer Reihe von Daten und zeichnen auf, wie es aussieht. Etwas Ungewöhnliches.“ „Dies kann dann zum Schutz vor Eindringlingen genutzt werden.“ Auch maschinelles Lernen ist kostengünstig verfügbar: Wie die Cloud sind Produkte oft kostenlos zum Ausprobieren. Darüber hinaus sagte Laidlaw, dass Unternehmen wie Amazon Web Services (AWS) KI-Komponenten bereitstellen. „Manche Lösungen schließen sie einfach an und schon können ein paar Datenwissenschaftler Anomalien entdecken.“Palmer rät: „Verstehen Sie, wie es zu Ihrem Unternehmen passt. Künstliche Intelligenz ist ein sehr umfassender Bereich; Bücher und Schulungen sind online verfügbar.
Natürlich gibt es wie bei jeder neuen Technologie einige Dinge, die Sie zur Überwindung von Mängeln benötigen.“ . Nicht jeder Experte ist davon überzeugt, dass maschinelles Lernen eine große Zukunft in der Cybersicherheit hat, da Cyberkriminelle auch künstliche Intelligenz nutzen können, um Unternehmen anzugreifen. Dazu gehört auch die Möglichkeit, dass Hacker ein Abwehrsystem austricksen und gegen seinen Besitzer wenden können.
Auch maschinelles Lernen hat seine Grenzen. Charl van der Walt, Chief Security Strategy Officer bei SecureData, sagte, dass viele Cyberangriffe nicht den Mustern entsprechen, die maschinelles Lernen erkennen soll. „Gegner sind flexibel und verändern sich ständig. Daher ist es schwierig, Datensätze mit gegnerischen Mustern zu finden.“ ist die größte Herausforderung. Darüber hinaus sagte er: „Mit maschinellem Lernen können Unternehmen mit früheren Angriffen umgehen, aber wie werden sie mit neuen Angriffen umgehen? Eine wichtige Frage in der Cybersicherheit ist die Vorhersage zukünftiger Angriffe.“ „
Die Zukunft des maschinellen Lernens in der Cybersicherheit
Trotz der Herausforderungen glauben Cybersicherheitsexperten, dass maschinelles Lernen von Dauer sein wird. Mit fortschreitender Technologie gibt es möglicherweise Programme, die erkennen, wann sie angegriffen werden, und Maßnahmen ergreifen, um sich zu schützen.
In der Zwischenzeit sagte Palmer: „Maschinen könnten untersuchen, wie Menschen auf verschiedene Arten von Angriffen reagieren und wie sie diese untersuchen. Sie könnten beispielsweise Empfehlungen abgeben wie: „Was würde eine Person in Ihrer Situation als nächstes tun?“ als Coach oder Resonanzboden in einer kontextuell nützlichen Weise.“
Darüber hinaus wurde vorgeschlagen, dass maschinelle Lernsysteme bald eingesetzt werden, um Gegner zu täuschen, anstatt sie nur zur Vorhersage zu verwenden, was schlecht ist.
„Dies erfordert eine künstliche Umgestaltung Ihrer Umgebung, um sie zu einem beweglichen Ziel zu machen und Gegner dazu zu ermutigen, eine Vielzahl von Ablenkungsmanövern zu verfolgen“, sagte Vanderwalt.
Dazu gehört unter anderem die Schaffung gefälschter Ziele für den Angreifer, etwa Dateien und Systeme, die echt aussehen, es aber nicht sind. „Hier ist eine andere Möglichkeit, über maschinelles Lernen nachzudenken: Täuschung als Verteidigungsstrategie.“
Wie konnten KI und maschinelles Lernen früher Teil der Cybersicherheitsstrategie eines Unternehmens sein, die Technologie jedoch nicht? Es ist das einzige Sicherheitsmittel eines Unternehmens und Teil einer ganzheitlichen Verteidigung. Laidlaw rät vorerst: „Wissen Sie, wo Ihre Kronjuwelen sind, schützen Sie, was am wertvollsten ist, und nutzen Sie KI als Teil Ihres Schutzes.“
Das obige ist der detaillierte Inhalt vonWie man maschinelles Lernen und künstliche Intelligenz in der Cybersicherheit nutzt. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen

Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

In der Welt der Front-End-Entwicklung ist VSCode mit seinen leistungsstarken Funktionen und seinem umfangreichen Plug-in-Ökosystem für unzählige Entwickler zum Werkzeug der Wahl geworden. In den letzten Jahren sind mit der rasanten Entwicklung der Technologie der künstlichen Intelligenz KI-Code-Assistenten auf VSCode entstanden, die die Codierungseffizienz der Entwickler erheblich verbessert haben. KI-Code-Assistenten auf VSCode sind wie Pilze nach einem Regen aus dem Boden geschossen und haben die Codierungseffizienz der Entwickler erheblich verbessert. Es nutzt Technologie der künstlichen Intelligenz, um Code intelligent zu analysieren und eine präzise Code-Vervollständigung, automatische Fehlerkorrektur, Grammatikprüfung und andere Funktionen bereitzustellen, wodurch Entwicklerfehler und mühsame manuelle Arbeit während des Codierungsprozesses erheblich reduziert werden. Heute werde ich 12 KI-Code-Assistenten für die Frontend-Entwicklung von VSCode empfehlen, die Sie bei Ihrer Programmierreise unterstützen.
