人工智能技术增强了安全分析师的能力，缓解了安全人才短缺的情况。这些激素和可以给初级分析人员提供诊断技能和资源辅助，而这些资源通常需要多年的实战经验才可以积累下来。接下来，我们从防御、检测和响应这三个角度来看看机器学习可以如何帮到我们。
为什么说机器学习是我们预防网络威胁的最佳武器
防御
这些年所发生的一些大规模数据泄露事件，都是因为那些已经被修复了的漏洞依然能够被攻击者利用所导致的。比如说，2014年的Heartbleed漏洞里用的就是OpenSSL协议中的一个设计缺陷，但这个漏洞的补丁却早就已经发布出来了。而去年还发生过一次严重的数据泄露事件，此次事件中攻击者利用的是Apache Struts框架中的已知漏洞，而这个漏洞早在事件发生的两个月前就已经被修复了。
补丁管理对于企业安全专家来说是非常重要的，他们不仅要对企业IT资产的安全状态进行持续性的监控，而且还需要对更新补丁进行跟踪。但是，由机器学习驱动的IT运营管理可以让这些操作以自动化的方式进行。
机器学习还可以解决安全防御环节中人类的影响因素，比如说网络钓鱼攻击现在越来越复杂了，而且也很难被人类一眼察觉。而且网络犯罪分子还可以使用脚本来将用户重定向到恶意网站，并且去他们的凭证信息。攻击成功之后，他们就可以迅速将钓鱼页面删除。实际上，一次钓鱼攻击中70%的凭证都是在攻击发起后的1小时之内窃取到的。虽然人类无法快速发现这些钓鱼页面，但是计算机可以通过训练来寻找钓鱼页面的特性，并在一瞬间屏蔽这些页面。除此之外，它们还可以通过网络来分享自己的“经验”，并提升其他设备的检测能力。
检测
行为分析是机器学习的一种，它需要通过搜索大量的系统、网络和数据库信息来寻找异常活动。行为分析可以显著降低（减少75%）网络内部的安全威胁，比如说，检测设备可以发现来自未知IP地址的访问尝试，重复登录失败和下载大量关键数据等行为。
机器学习可以帮助安全团队处理由不当权限所带来的漏洞。计算机设备可以扫描网络上数以百万计的文件夹，并从中寻找警告标识，比如说某些特殊权限或特殊用户等等。除此之外，它们还可以搜索出那些已离职人员的登录凭证。
响应
一旦检测到了入侵行为，安全团队就需要以最快的速度尽量减少损失，并将攻击者“赶出”自己的网络系统。此时的当务之急就是了解数据泄露事件发生的根本原因、了解受感染程度、并确定受影响的范围。
在机器学习的帮助下，安全团队可以快速建立一份“知识图”来描述攻击的波及范围。它们可以精确定位IP地址、设备以及个人用户，而且比手动分析要来得更加快速和精准。这使得团队能够迅速移除所有受感染的元素，并实现安全事件的自动化响应，而这些自动化过程包括将入侵者隔离在单独的子网、关闭端口、隔离设备或对数据进行加密等等。
另一种有趣的新型响应技术就是移动威胁防御，这种技术会不断改变网络中的资源状态，比如IP地址和数据位置等等，并通过这种方式来迷惑并影响攻击者的活动。对于人类来说，手动实现这种技术几乎是不可能的，但机器学习就非常适合这种类型的任务。
人工智能、大数据、云计算和物联网的未来发展值得重视，均为前沿产业，多智时代专注于人工智能和大数据的入门和科谱，在此为你推荐几篇优质好文：
人工智能，机器学习和深度学习之间，主要有什么差异？
http://www.duozhishidai.com/article-15858-1.html
从线性模型到神经网络，机器学习的入门算法
http://www.duozhishidai.com/article-15383-1.html
机器学习已经被广泛应用，但是入行机器学习主要难在哪里？
http://www.duozhishidai.com/article-15300-1.html
多智时代-人工智能和大数据学习入门网站|人工智能、大数据、物联网、云计算的学习交流网站
