opentext Artificial Intelligence at Machine
Binabago ng artificial intelligence (AI) ang paraan ng pakikipag-ugnayan natin sa mga makina at ang paraan ng pakikipag-ugnayan ng mga machine sa atin. Pinaghiwa-hiwalay ng gabay na ito kung paano gumagana ang AI, ang mga lakas at limitasyon ng iba't ibang uri ng machine learning, at ang ebolusyon ng patuloy na nagbabagong larangan ng pag-aaral na ito. Sinasaliksik din nito ang papel ng AI enabled security analytics o user at entity behaviorally analytics (UEBA) upang mas maprotektahan ang mga enterprise mula sa mga kumplikadong banta sa cybersecurity ngayon.
Machine vs Human Learning
Ang artificial intelligence (AI) ay nasa lahat ng dako—kahit papaano, ganyan ang hitsura Sa OpenText™, ang pagtaas ng AI ay parehong kapana-panabik at mapaghamong Ngunit habang nakikipag-ugnayan kami sa aming mga kapantay, customer, at kasosyo, napagtanto namin na ang Ang konsepto ng AI ay hindi laging madaling maunawaan Upang simulan ang AI at Machine Learning 101 na gabay na ito, aalisin namin ang AI puzzle sa pamamagitan ng pagsagot sa pangunahing tanong na itinatanong ng maraming tao: "Ano ba talaga ang artificial intelligence?"
Ang pinakamadaling paraan upang maunawaan ang artificial intelligence ay ang imapa ito sa isang bagay na naiintindihan na natin—ang ating sariling katalinuhan Paano gumagana ang hindi artipisyal, katalinuhan ng tao? Sa pinakapangunahing antas, ang aming katalinuhan ay sumusunod sa isang simpleng pag-unlad: kumukuha kami ng impormasyon, pinoproseso namin ito, at sa huli ang impormasyon ay tumutulong sa aming kumilos
Hatiin natin ito sa isang system diagram Sa figure sa ibaba, ang tatlong pangkalahatang hakbang ng katalinuhan ng tao mula kaliwa hanggang kanan: input, processing, at output Sa utak ng tao, ang input ay nagaganap sa anyo ng sensing at perceiving things Iyong mga mata, ilong, tainga, atbp , kumuha ng hilaw na input sa kaliwa, tulad ng mga photon ng liwanag o amoy ng mga pine tree, at pagkatapos ay iproseso ito Sa kanang bahagi ng system ay ang output Kabilang dito ang pananalita at mga aksyon, na parehong nakadepende sa kung paano pinoproseso natin ang hilaw na input na natatanggap ng ating utak Ang pagpoproseso ay nangyayari sa gitna, kung saan ang kaalaman o mga alaala ay nabuo at nakuha, mga desisyon at hinuha at ginawa, at nangyayari ang pagkatuto.
Larawan 1. Katalinuhan ng tao
Paano gumagana ang di-artipisyal, katalinuhan ng tao? Sa pinakapangunahing antas, ang aming katalinuhan ay sumusunod sa isang simpleng pag-unlad: kumukuha kami ng impormasyon, pinoproseso namin ito, at sa huli ang impormasyon ay tumutulong sa aming kumilos.
Paghinto ng larawan sa intersection ng daanan Nakita ng iyong mga mata na naging berde ang traffic light sa harap mo Batay sa iyong natutunan mula sa karanasan (at edukasyon ng pagmamaneho), alam mo na ang berdeng ilaw ay nagpapahiwatig na dapat kang magmaneho pasulong Kaya, ikaw pindutin ang pedal ng gas Ang berdeng ilaw ay ang raw input, ang iyong acceleration ay ang output; lahat ng nasa pagitan ay pinoproseso
Para matalinong mag-navigate sa mundo sa paligid natin—pagsagot sa telepono, pagbe-bake ng chocolate chip cookies, o pagsunod sa mga traffic light—kailangan nating iproseso ang input na natatanggap natin. :
- Kaalaman at memorya. Nagkakaroon tayo ng kaalaman habang kumukuha tayo ng mga katotohanan (ibig sabihin, naganap ang Labanan sa Hastings noong 1066) at ang mga pamantayang panlipunan (ibig sabihin, ang pagsasabi ng "Pakiusap" at "Salamat" ay itinuturing na magalang) Bukod pa rito, binibigyang-daan tayo ng memorya na alalahanin at ilapat ang impormasyon mula sa ang nakaraan hanggang kasalukuyan na mga sitwasyon Para sa halample, naalala ni Edward na hindi siya pinasalamatan ni Jane para sa kanyang regalo sa kaarawan, kaya hindi niya inaasahan na magpapasalamat siya sa kanya kapag binigyan siya ng isang regalo sa Pasko.
- Desisyon at hinuha. Ang mga desisyon at hinuha ay ginawa batay sa raw input na sinamahan ng kaalaman at/o memorya Para sa halample, si Edward ay kumain ng jalapeno pepper noong nakaraang taon at hindi niya ito nagustuhan Nang mag-alok si Johnny ng paminta kay Edward, nagpasya siyang huwag kainin ito.
- Pag-aaral. Ang mga tao ay maaaring matuto sa pamamagitan ng example, pagmamasid, o algorithm Sa pag-aaral sa pamamagitan ng example, sinabihan tayo na ang isang hayop ay aso, ang isa ay pusa Sa pag-aaral sa pamamagitan ng pagmamasid, nalaman natin sa ating sarili na ang mga aso ay tumatahol at ang mga pusa ay ngiyaw Ang ikatlong paraan ng pag-aaral—algorithm—ay nagbibigay-daan sa atin upang makumpleto ang isang gawain sa pamamagitan ng pagsunod isang serye ng mga hakbang o isang partikular na algorithm (hal., gumaganap ng mahabang paghahati)
Ang mga aspetong ito ng katalinuhan ng tao ay kahanay ng artificial intelligence Kung paano tayo kumukuha ng impormasyon, nagpoproseso nito, at nagbabahagi ng output, gayundin ang mga makina Tingnan natin ang figure sa ibaba upang makita kung paano ito namamapa.
Larawan 2. Artipisyal na katalinuhan
Upang matalinong mag-navigate sa mundo sa paligid natin— pagsagot sa telepono, pagluluto ng chocolate chip cookies, o pagsunod sa mga traffic light—kailangan nating iproseso ang input na natatanggap namin.
Sa mga makina, ang input na bahagi ng artificial intelligence ay ipinakita ng natural na pagpoproseso ng wika, pagkilala sa pagsasalita, pagkilala sa visual, at higit pa Nakikita mo ang mga ganitong teknolohiya at algorithm sa lahat ng dako, mula sa mga self-driving na kotse na kailangang makadama ng mga daan at mga hadlang, hanggang kay Alexa o Siri kapag nakilala nito ang iyong pananalita Ang sumusunod na output ay mga paraan kung saan nakikipag-ugnayan ang mga makina sa mundo sa paligid natin. Maaaring ito ay nasa anyo ng mga robotics, navigation system (upang gabayan ang mga self-driving na sasakyan), pagbuo ng pagsasalita (hal. , Siri), atbp. sa pagitan, mayroon kaming iba't ibang paraan ng pagproseso na nagaganap
Katulad ng ating pag-iipon ng kaalaman at mga alaala, ang mga makina ay maaaring lumikha ng mga representasyon ng kaalaman (hal., mga database ng graph, mga ontologie) na makakatulong sa kanila na mag-imbak ng impormasyon tungkol sa mundo Tulad ng mga tao na gumagawa ng mga desisyon o gumuhit ng mga hinuha, ang mga makina ay maaaring gumawa ng hula, mag-optimize para sa isang target o kinalabasan, at tukuyin ang pinakamahusay na susunod na mga hakbang o desisyon upang matugunan ang isang partikular na layunin
Sa wakas, tulad ng natutunan namin ni example, obserbasyon, o algorithm, ang mga makina ay maaaring ituro gamit ang mga katulad na pamamaraan Ang pinangangasiwaang machine learning ay katulad ng pag-aaral ng datingample: ang computer ay binibigyan ng isang dataset na may "mga label" sa loob ng set ng data na nagsisilbing mga sagot, at kalaunan ay natututong sabihin ang pagkakaiba sa pagitan ng iba't ibang mga label (hal., ang dataset na ito ay naglalaman ng mga larawang may label na alinman sa "aso" o "pusa", at may sapat na examples, mapapansin ng computer na ang mga aso ay karaniwang may mas mahahabang buntot at mas matulis na tainga kaysa sa mga pusa)
Ang unsupervised machine learning, sa kabilang banda, ay tulad ng pag-aaral sa pamamagitan ng pagmamasid Ang computer ay nagmamasid sa mga pattern (ang mga aso ay tumatahol at ang mga pusa ay ngiyaw) at, sa pamamagitan nito, natututong makilala ang mga grupo at pattern sa sarili nitong (hal, mayroong dalawang grupo ng mga hayop na maaaring paghiwalayin ng tunog na kanilang ginagawa; ang isang grupo ay tumatahol—mga aso—at ang isa pang grupo ay umuungol— mga pusa) Ang hindi pinangangasiwaang pag-aaral ay hindi nangangailangan ng mga label at samakatuwid ay maaaring maging mas mabuti kapag ang mga set ng data ay limitado at walang mga label Panghuli, ang pag-aaral sa pamamagitan ng algorithm ay ano ang mangyayari kapag ang isang programmer ay nagtuturo sa isang computer nang eksakto kung ano ang gagawin, sunud-sunod, sa isang software program.
Sa totoo lang, ang pinakatumpak at kulang na mga resulta ng artificial intelligence ay nangangailangan ng kumbinasyon ng mga pamamaraan ng pag-aaral Parehong pinangangasiwaan at hindi pinangangasiwaang machine learning ay mga kapaki-pakinabang na pamamaraan— lahat ito ay tungkol sa paglalapat ng tamang diskarte o mga diskarte sa tamang kaso ng paggamit
Susunod, ilalagay natin ang machine learning sa ilalim ng mikroskopyo upang maunawaan kung paano sinasalamin ng bahaging ito ng AI ang mga neuron sa ating utak upang gawing pinakamainam na output ang input.
Sa isip, ang pinakatumpak at mahusay na mga resulta ng artificial intelligence ay nangangailangan ng kumbinasyon ng mga paraan ng pag-aaral. Ang parehong pinangangasiwaan at hindi pinangangasiwaang machine learning ay mga kapaki-pakinabang na pamamaraan—lahat ito ay tungkol sa paglalapat ng tamang diskarte o mga diskarte sa tamang kaso ng paggamit.
Ang Neural Network at Deep Learning
Ang machine learning ay isa lamang bahagi ng AI, bagama't mayroon itong napakalaking subset ng mga algorithm sa loob nito Isang paraan na madalas mong marinig ngayon ay ang "deep learning," isang algorithm na nakatanggap ng isang patas na bahagi ng atensyon sa balita sa mga nakaraang taon Upang maunawaan ang kasikatan at tagumpay nito, nakakatulong na maunawaan kung paano ito gumagana Ang malalim na pag-aaral ay isang ebolusyon ng isang machine learning algorithm na sikat noong 1980s na maaari mong makilala: mga neural network.
Ang mga neural network—isang programming paradigm kung saan sinasanay natin ang mga makina upang “matuto”—ay inspirasyon ng mga neuron, o mga espesyal na selula sa katawan ng tao na bumubuo sa pundasyon ng ating nervous system, at partikular sa mga utak Ang mga cell na ito ay nagpapadala ng mga signal sa ating katawan na nagti-trigger ng nerbiyos. mga tugon at proseso ng system Ang mga neuron ang nagbibigay-daan sa atin na makakita, makarinig, makaamoy, atbp.
Larawan 3. Paano tumatanggap at nagpapadala ng mga mensahe ang mga neuron
Karamihan sa kung ano ang iniisip natin bilang pag-aaral ng tao ay maaaring ilarawan sa kung gaano kalakas ang koneksyon sa pagitan ng dalawang neuron sa ating utak, kasama ang lakas ng gilid ng ating mga synapses.
Sa unang bahagi ng gabay na ito, tinalakay namin ang pangunahing proseso ng katalinuhan ng tao: input sa kaliwa, at output sa kanan Ang neuron (nakalarawan sa itaas) ay gumaganap ng mahalagang papel dito. “input ” Kapag nakatanggap ito ng sapat na input o stimulation, ang axon ay fres, na nagpapadala ng impormasyon sa kanang bahagi—ang synapse Ang “output” ay ipinapadala sa ibang mga neuron.
Sa anumang naibigay na sandali, ang ating mga neuron ay nagpapasa ng mga mensahe sa pagitan ng bawat isa. Ang mga selulang ito ay may pananagutan sa ating kakayahang makita ang ating kapaligiran. kung gaano kalakas ang koneksyon sa pagitan ng dalawang neuron sa ating utak, kasama ang lakas ng palawit ng ating mga synapses
Ang neural network ay isang mathematical simulation ng isang koleksyon ng mga neuron cells Ang larawan sa ibaba ay kumakatawan sa isang basic neural network na may 3 layer at 12 node
Ang bawat pabilog na node ay kumakatawan sa isang artipisyal, biologically inspired na "neuron" Ang mga linya ay kumakatawan sa isang koneksyon mula sa output ng isang artipisyal na neuron sa kaliwa sa input ng isa pa sa kanan Ang mga signal sa pagitan ng mga neuron na ito ay dumadaloy sa mga linya mula kaliwa hanggang kanan Sa mga network na ito , input—gaya ng pixel data—ay dumadaloy mula sa input layer, sa gitnang "hidden" na mga layer, at sa huli sa output layer sa paraang inilarawan ng mathematical equation na maluwag na inspirasyon ng electrical activity sa aktwal na biological neurons.
Larawan 4. Simpleng neural network
Natututo ang mga neural network sa pamamagitan ng pagsubok na itugma ang mga set ng data na ipinakita sa input layer sa mga gustong resulta sa output layer. Ang mga mathematical equation ay kinakalkula ang mga output, ihambing ang simulate na output sa nais na resulta, at ang mga resultang pagkakaiba ay gumagawa ng mga tweak sa lakas ng mga koneksyon.
Natututo ang mga neural network sa pamamagitan ng pagsubok na itugma ang mga set ng data na ipinakita sa layer ng input sa nais na mga resulta sa layer ng output Ang mga mathematical equation ay kinakalkula ang mga output, ihambing ang simulate na output sa nais na resulta, at ang mga resultang pagkakaiba ay gumagawa ng mga pag-aayos sa lakas ng mga koneksyon Ang mga pag-aayos na ito ay paulit-ulit na binago hanggang sa ang nakalkulang output ay malapit nang sapat sa nais na resulta, kung saan sinabi namin na ang neural network ay "natutunan"
Larawan 5. Kumplikadong neural network
Ang mga "mas malalim" na neural network na ito ay maaaring gumawa ng mas kumplikadong mga hula Maaaring magkaroon ng libu-libong mga node at daan-daang mga layer, na nangangahulugang libu-libong iba't ibang mga kalkulasyon Ang mga modelo ng malalim na pag-aaral ay naging napakahusay sa mga partikular na problema, tulad ng pagkilala sa pagsasalita o imahe.
Gayunpaman, nararapat na tandaan na ang malalim na pag-aaral ay hindi isang pilak na bala para sa pag-aaral ng makina— lalo na hindi sa cybersecurity, kung saan kung minsan ay walang malaking dami ng malinis na data na perpekto para sa malalim na pamamaraan ng pag-aaral Mahalagang piliin ang tamang algorithm, data, at mga prinsipyo para sa trabaho Ito ang pinakamahusay na paraan para sa mga makina na mangalap ng ebidensya, ikonekta ang mga tuldok, at gumawa ng konklusyon
Ang mga neural network ay maaaring mukhang bagay sa hinaharap, ngunit ito ay matagal na Sa katunayan, ang mga neural network ay batay sa mga ideya na nagsimulang umikot noong 1940s. kung paano lumaganap ang mga neural network at machine learning sa maraming bahagi ng modernong buhay.
Ang mga neural network ay maaaring mukhang ang mga bagay sa hinaharap, ngunit ito ay nasa paligid para sa isang habang. Sa katunayan, ang mga neural network ay batay sa mga ideya na nagsimulang umikot noong 1940s.
Isang Maikling Kasaysayan ng Artipisyal na Katalinuhan
Para sa ilang mga tao, ang terminong artificial intelligence (AI) ay maaaring magdulot ng mga larawan ng mga futuristic na lungsod na may mga lumilipad na sasakyan at mga robot sa bahay. traced back to antiquity (ibig sabihin, Greek god Hephaestus's talking mechanical handmaidens) ¹ Mula noong 1930s, ang mga siyentipiko at mathematician ay parehong sabik na tuklasin ang paglikha ng tunay na katalinuhan na hiwalay sa mga tao
Ang tiyak na sandali ng AI sa kalagitnaan ng ika-20 siglo ay isang masayang pagsasama-sama ng matematika at biology, kung saan ang mga mananaliksik tulad nina Norbert Wiener, Claude Shannon, at Alan Turing ay natanggal na sa intersection ng mga electrical signal at computation Noong 1943, sina Warren McCulloch at Walter Pitts ay lumikha ng isang modelo para sa mga neural network Ang mga neural network ay nagbigay daan para sa isang matapang na bagong mundo ng computing na may higit na lakas ng kabayo, at, noong 1956, ang larangan ng AI research ay opisyal na itinatag bilang isang akademikong disiplina
Ang huling kalahati ng siglo ay isang kapana-panabik na edad para sa pananaliksik at pag-unlad ng AI, na naantala paminsan-minsan ng "mga taglamig ng AI" sa kalagitnaan ng dekada 70 at huling bahagi ng dekada 80 kung saan nabigo ang AI na matugunan ang mga inaasahan ng publiko, at ang pamumuhunan sa larangan ay nabawasan Ngunit sa kabila ng mga pag-urong, iba't ibang mga application para sa AI at machine learning ang lumilitaw kaliwa't kanan Isang partikular na anekdota ng naturang application ay naging isang tanyag na talinghaga sa loob ng siyentipikong komunidad, na nagsasalita nang lubos sa mga pagsubok at paghihirap ng pananaliksik at pagpapatupad ng AI
Ang kwento ay ganito:
Noong 1980s, ang Pentagsa nagpasya na gumamit ng neural network para matukoy ang mga naka-camouflaged tank Gumagawa gamit ang isang mainframe lamang (mula sa 1980s, tandaan), ang neural net ay sinanay na may 200 larawan—100 tank at 100 puno Sa kabila ng medyo maliit na neural network (dahil sa 1980's mga limitasyon sa pag-compute at memorya), ang pagsasanay sa lab ay nagresulta sa 100% na katumpakan Sa ganoong tagumpay, nagpasya ang koponan na subukan itong lumabas sa feld Ang mga resulta ay hindi maganda.
Larawan 6. Lab vs field pictures (Pinagmulan: Neural Network Follies, Neil Fraser, Setyembre 1998)
Sa pagkakaroon ng malawak na mapagkukunan ng pag-compute na hindi pinangarap noong 1980's, ang mga malalim na neural network ay mabilis na naging isang tanyag na lugar para sa pananaliksik. Ang malalim na pag-aaral ay nagbibigay sa isang sistema ng kakayahang awtomatikong "matuto" sa pamamagitan ng bilyun-bilyong kumbinasyon at mga obserbasyon, na binabawasan ang dependency sa human resources.
Bakit napakahusay na ginawa ng neural network sa mga larawan sa lab, ngunit ganap na nabigo sa feld? Ito ay lumabas na ang mga hindi tangke na larawan ay kinunan lahat sa mga araw kung saan maulap ang kalangitan; ang lahat ng mga larawan ng mga puno ay kinuha sa mga araw kung saan ang araw ay sumisikat Ang neural net ay sinanay na kilalanin ang sunniness, hindi mga tangke
Sa kalaunan, gayunpaman, ang visual na pagkilala sa pamamagitan ng malalim na pag-aaral—na pinadali ng mga neural network na mas kumplikado kaysa sa Pentagnoong 1980s mainframe sana ay kayang hawakan—naging realidad Noong 2012, ang propesor ng Stanford na si Andrew Ng at ang kapwa Google na si Jef Dean ay lumikha ng isa sa mga unang deep neural network gamit ang 1000 computer na may 16 na core bawat isa Ang gawain: pag-aralan ang 10 milyong video sa YouTube Ang resulta : nakahanap ito ng mga pusa ² Salamat sa "deep learning" algorithm nito, nakilala ng network ang mga pusa sa paglipas ng panahon, at may napakahusay na katumpakan
Sa pagkakaroon ng malawak na mapagkukunan ng computing na hindi pinangarap noong 1980's, ang mga malalim na neural network ay mabilis na naging sikat na lugar para sa pananaliksik Ang malalim na pag-aaral ay nagbibigay sa isang sistema ng kakayahang awtomatikong "matuto" sa pamamagitan ng bilyun-bilyong kumbinasyon at mga obserbasyon, na binabawasan ang dependency sa human resources Sa loob ng domain ng cybersecurity, ang pamamaraan ay naging partikular na maaasahan para sa pag-detect ng malware—mga sitwasyon kung saan mayroon kaming malalaking dataset na may maraming dating.ampkaunting malware kung saan maaaring matuto ang network
Sa kasamaang palad, kasalukuyang hindi gaanong epektibo ang mga pamamaraan ng malalim na pag-aaral pagdating sa ilang partikular na kaso ng paggamit, tulad ng pagbabanta ng tagaloob, dahil wala lang kaming tamang uri ng data sa mga ganitong uri ng pag-atake, sa dami ng kinakailangan Kadalasan, ang impormasyong mayroon kami. on insider threats ay anecdotal, na hindi magagamit nang mahusay ng mga ganitong uri ng neural network.
Hanggang sa makakalap tayo ng mas epektibong mga dataset (at bawasan ang gastos at pagiging kumplikado ng mga deep learning system), hindi tamang pagpipilian ang malalim na pag-aaral para sa lahat ng kaso ng paggamit At okay lang Ang deep learning ay isa lamang sa maraming machine learning algorithm, at ang mga approach na ito ay maaaring parang hindi mas mahalaga—depende ang lahat sa trabahong nasa kamay
Nakita namin ang napakalaking potensyal ng mga teknolohiya ng AI sa loob ng anim na dekada mula noong opisyal na “kapanganakan” nito, at ngayon pa lang namin nabasag ang ibabaw, lalo na sa seguridad. paraan upang makilala at tumugon tayo sa mga banta sa seguridad.
Ang predictive analytics ay isang piraso lamang ng isang mas malaking puzzle na maaaring magbigay sa amin ng mas kapaki-pakinabang na insight para sa mga security team.
Nakita namin ang napakalaking potensyal ng mga teknolohiya ng AI sa loob ng anim na dekada mula noong opisyal na "kapanganakan" nito, at ngayon pa lang kami nangungulit, lalo na sa seguridad.
Isang Bagong Pananaw para sa Security Analytics
Sa ngayon, sinuri ng gabay na ito ang machine learning, nauunawaan ang mga limitasyon at kalakasan nito. Napakalaking potensyal para sa machine learning para mapadali ang AI, ngunit nararapat na tandaan na ang mas malawak na laro ng pagtukoy ng pagbabanta ay hindi lamang tungkol sa malalim na pag-aaral o machine learning. gaya ng alam natin ngayon Ang mga bagong pamamaraan ng analitikal na sinamahan ng mga bagong uri ng data ay maaaring magbigay sa atin ng ganap na bagong mga balangkas kung saan masusuri at aaksyunan ang mga banta sa seguridad.
| Mga Bagong Paraan | Adaptive Analysis Continual Analysis Optimization sa ilalim ng Kawalang-katiyakan | Pagtugon sa konteksto Pagtugon sa lokal na pagbabago/feedback Pagbibilang o pagpapagaan ng panganib |
| Tradisyonal | Optimization Predictive Modeling Simulation Forecasting Alerto Query/Drill Down Ad hoc Reporting Standard na Pag-uulat | Ang pagiging kumplikado ng desisyon, bilis ng solusyon Kaswal, probabilistiko, mga antas ng kumpiyansa Mataas na katapatan, laro, pagsasaka ng data Mas malalaking set ng data, nonlinear regression Mga Panuntunan/trigger, sensitibo sa konteksto, kumplikadong mga kaganapan Sa data ng memorya, malabo na paghahanap, geo spatial na Query ni example, user defend reports Real time, visualizations, user interaction |
| Bagong Data | Relasyon sa Resolusyon ng Entity, Anotasyon ng Pagkuha ng Feature at Tokenization | Mga tao, tungkulin, lokasyon, bagay Mga Panuntunan, semantic inferencing, pagtutugma ng Automated, crowd sourced |
Nakita namin kung ano ang magagawa ng analytics para sa iba pang mga industriya, at may potensyal para sa analytics na magkaroon ng malalim na epekto sa cybersecurity, masyadong nakikita namin ito na nagkakaroon ng hugis sa isang bagong larangan na tinutukoy namin bilang analytics ng seguridad, na mahalagang sinusubok sa labanan. ang mga algorithm at metodolohiya na aming tinalakay (at higit pa) at inilalapat ang mga ito ay nakakatulong na malutas ang talagang mahihirap na problema sa seguridad
Ang pinakakaraniwang analytics na nakikita natin sa seguridad ngayon ay nagsasangkot ng mga predictive na modelo, na nagbibigay-daan sa amin na tukuyin kung saan ang mga panganib ay maaaring nasa loob ng malaking halaga ng data (dito nagkakaroon ng anomalya detection fts in) Sa madaling sabi, ang predictive modeling ay pinagsasama ang makasaysayang data sa real-time na gawi upang maunawaan o mahulaan ang pag-uugali sa hinaharap Sa pamamagitan nito, masasagot natin ang tanong na, "Ano ang susunod na mangyayari?"
Ngunit ang aming pananaw para sa analytics ng seguridad ay hindi tumitigil dito Ang predictive analytics ay isang piraso lamang ng isang mas malaking puzzle na maaaring magbigay sa amin ng mas kapaki-pakinabang na insight para sa mga security team Ang perpektong paradigm ng analytics ay pinagsasama ang matalinong sensor at lahat ng pinagmumulan ng data—mga desktop at server, mobile , cloud, mga social network, open data, atbp —na may maraming advanced na analytical approach sa behavioral at threat analysis, kabilang ang forensic analysis, risk modelling, anomalya detection, behavioral at response optimization, at higit pa
Nangangahulugan ito na higit pa ang magagawa natin kaysa hulaan o tukuyin ang isang banta Nagbibigay-daan ito sa amin na pumunta pa upang mag-alok hindi lamang ng advanced na pagtuklas kundi ng insight sa kung paano tumugon nang pinakamabisang Binibigyan kami ng analytics ng seguridad ng kapangyarihan na sagutin ang iba pang mahahalagang tanong, tulad ng "Paano maraming banta diyan?" at "Ano ang pinakamahusay na posibleng reaksyon?"
Hindi pa namin nakikita ang iba pang mga klase ng analytics tulad ng mga paraan ng pag-optimize na inilapat sa cybersecurity, ngunit may napakalaking potensyal ang mga ito Ang mga diskarteng ito ay tumitingin sa lahat ng posibleng reaksyon sa isang panganib sa seguridad at tinutukoy ang pinakamahusay na tugon Oo, may mga paraan upang gawin ito sa matematika
Para kay example, ginagamit ang mga paraan ng pag-optimize kapag tumawag ka sa iyong service provider ng cell phone na may isyu. umaasa sila sa isang set ng matematika sa background na tumitingin sa iyong mga log ng tawag, ang bilang ng mga bumabang tawag, kung paano maihahambing ang iyong kasaysayan sa iba pang mga user, atbp. Kinakalkula pa nito ang posibilidad na maaari kang lumipat sa ibang service provider Pagkatapos, lumabas sa lahat ng posibleng susunod na hakbang, kinukuwenta nito ang pinakamahusay na susunod na hakbang para ma-maximize ang pagpapanatili ng customer
Ang parehong matematika ay maaaring ilapat sa isang pangkat ng seguridad upang matukoy ang isang panganib, magbigay ng ilang paraan kung saan magre-react, at matukoy sa matematika ang pinakamahusay na tugon upang mapakinabangan ang pagpigil sa partikular na panganib na ito
Ang mabilis na pagtaas at pag-unlad ng mga banta sa seguridad ay ginagawang kritikal ang ganitong uri ng kahusayan sa pagtugon Mas marami kaming data ngayon kaysa dati. Sa kabutihang palad, mayroon din kaming higit na kapangyarihan sa pag-compute, mas mahusay na mga algorithm, at mas malawak na pamumuhunan sa pananaliksik at mga teknolohiya upang matulungan kaming maunawaan ang data na ito sa pamamagitan ng matematika Sa lahat ng mga account, naniniwala kami na nagsisimula pa lang ang analytics ng seguridad.
Mas marami kaming data ngayon kaysa dati. Sa kabutihang palad, mayroon din kaming higit na kapangyarihan sa pag-compute, mas mahusay na mga algorithm, at mas malawak na pamumuhunan sa pananaliksik at mga teknolohiya upang matulungan kaming maunawaan ang data na ito sa pamamagitan ng matematika. Sa lahat ng mga account, naniniwala kami na nagsisimula pa lang ang analytics ng seguridad.
Suporta sa Customer
Kumonekta sa Amin
www.opentext.com
Nagbibigay ang OpenText Cybersecurity ng mga komprehensibong solusyon sa seguridad para sa mga kumpanya at kasosyo sa lahat ng laki Mula sa pag-iwas, pagtuklas at pagtugon sa pagbawi, pagsisiyasat at pagsunod, ang aming pinag-isang end-to-end na platform ay tumutulong sa mga customer na bumuo ng cyber resilience sa pamamagitan ng isang holistic na portfolio ng seguridad Pinapatakbo ng mga naaaksyunan na insight mula sa aming real-time at contextual threat intelligence, ang mga customer ng OpenText Cybersecurity ay nakikinabang mula sa mataas na kahusayan ng mga produkto, isang nakakasunod na karanasan at pinasimpleng seguridad upang makatulong na pamahalaan ang panganib sa negosyo
762-000016-003 | O | 01/24 | © 2024 Buksan ang Teksto
Mga Dokumento / Mga Mapagkukunan
 |
opentext Artificial Intelligence at Machine Learning [pdf] Mga tagubilin Artificial Intelligence at Machine Learning, Intelligence at Machine Learning, Machine Learning |
