物聯(lián)網(wǎng)安全存威脅 人工智能可否成定心法寶

　　目前網(wǎng)絡(luò)安全已經(jīng)進(jìn)入了一個嶄新的時代，面向各種新戰(zhàn)場，需要新的架構(gòu)、新的方法、新的編程語言來支撐我們應(yīng)對越來越艱巨的戰(zhàn)斗。新戰(zhàn)場以黑產(chǎn)對抗、反勒索軟件、反Insider-based APT、物聯(lián)網(wǎng)/車聯(lián)網(wǎng)這些新方向?yàn)榇?。比如很多攝像頭、智能門鎖、兒童手表，都是成批次的被攻破，車聯(lián)網(wǎng)與智能車的安全問題也引起業(yè)界的嚴(yán)重關(guān)注和顧慮。

　　網(wǎng)絡(luò)安全面臨嚴(yán)峻考驗(yàn)

　　“2016年全球互聯(lián)網(wǎng)用戶達(dá)到35億人，約占世界總?cè)丝诘囊话?。?020年，接入互聯(lián)網(wǎng)的終端設(shè)備預(yù)計將達(dá)到120億臺?！边@是來自國際電信聯(lián)盟于2017年7月發(fā)布的《全球網(wǎng)絡(luò)安全指數(shù)》中的數(shù)據(jù)。

　　而隨著智能設(shè)備的廣泛應(yīng)用，大規(guī)模普及的物聯(lián)網(wǎng)必將為攻擊者提供大量新機(jī)會，工作與生活的界限愈加模糊，一臺聯(lián)網(wǎng)設(shè)備，只要被攻陷，從銀行等財務(wù)信息到健康等個人信息，則可能全部泄露。而在互聯(lián)時代，只要攻克一臺設(shè)備，其他設(shè)備就可能瞬間被瓦解。

　　這樣的事情已有先例。2016年10月，一款名為Mirai的惡意軟件侵襲了大量存在漏洞的智能攝像頭、智能網(wǎng)關(guān)、智能家電等物聯(lián)網(wǎng)設(shè)備，被感染后的它們瞬間變成了網(wǎng)絡(luò)中的“肉雞”設(shè)備。在工控領(lǐng)域，2010年的Stuxnet蠕蟲病毒能夠針對西門子的監(jiān)控與數(shù)據(jù)采集(SCADA)系統(tǒng)進(jìn)行攻擊，并通過U盤和局域網(wǎng)進(jìn)行傳播。

　　萬物互聯(lián)，內(nèi)網(wǎng)和外網(wǎng)的邊界逐漸模糊，網(wǎng)絡(luò)泛化則成為大趨勢，比如特斯拉的汽車在各種場合都可以接入wifi，還可以接入3G/4G網(wǎng)絡(luò)，而在未來的交通中，無人駕駛車還將與交通燈、交通臺，甚至是和其他車互通互聯(lián)——這意味著更多的潛在攻擊點(diǎn)。

　　“一旦入網(wǎng)，有很多傳統(tǒng)的攻擊手段就能像攻擊電腦一樣攻擊無人駕駛車，WannaCry病毒同樣可以入侵車，這造成的問題將會更大?！钡聡诙骰舴驊?yīng)用集成信息安全研究所認(rèn)知信息安全研究組組長肖煌在接受機(jī)器之能的采訪時說。

　　這表明，無論是現(xiàn)在，還是將來，網(wǎng)絡(luò)安全將面臨著嚴(yán)峻的考驗(yàn)。隨著人工智能被應(yīng)用于各個垂直領(lǐng)域，網(wǎng)絡(luò)安全面臨的新的挑戰(zhàn)，也為人工智能的大展身手帶來了重要的契機(jī)。

　　在這個新興領(lǐng)域，巨頭已經(jīng)出現(xiàn)。用人工智能預(yù)測網(wǎng)絡(luò)攻擊的Cylance公司是估值10億美元以上的獨(dú)角獸，其人工智能反病毒軟件“Cylance PROTECT”可以預(yù)測威脅的發(fā)生。該公司曾在去年演示了一項(xiàng)技術(shù)，在沒有網(wǎng)絡(luò)連接的情況下，僅需60 MB內(nèi)存和1%的CPU就能保護(hù)計算機(jī)免受攻擊。

　　人工智能于網(wǎng)絡(luò)安全：異常檢測和提升效率

　　在網(wǎng)絡(luò)安全領(lǐng)域，對威脅的識別，并非一蹴而就，而是漸進(jìn)發(fā)展的過程。亞信網(wǎng)絡(luò)安全產(chǎn)業(yè)技術(shù)研究院副院長童寧在7月初舉辦的C3安全峰會上介紹，安全廠商起初通過黑白名單技術(shù)，將目標(biāo)進(jìn)行好/壞定性，用這樣的一維特征來識別威脅。隨后是匹配字符串這樣的二維特征，如果請求里包含某一類型的數(shù)據(jù)，就會被認(rèn)定為非法。在這之后是多維特征，要辨別一個程序是好是壞，先讓它運(yùn)行，再監(jiān)督它的運(yùn)行過程，將運(yùn)行過程中的信息形成多維特征，用于判斷。但多維特征技術(shù)的致命缺點(diǎn)就是開銷太大，效率低下，因此無法達(dá)到客戶要求。

　　在2000年以后，隨著移動互聯(lián)網(wǎng)的發(fā)展，有大量設(shè)備產(chǎn)生各式各樣的日志，因此在日志管理和分析方面，有了長足的發(fā)展。而包括關(guān)聯(lián)分析等機(jī)器學(xué)習(xí)算法也被大量使用。

　　在機(jī)器學(xué)習(xí)中，童寧表示，監(jiān)督學(xué)習(xí)則是一個高效的多維度特征發(fā)現(xiàn)方法，適用于惡意程序、勒索病毒以及垃圾郵件的防治。但監(jiān)督學(xué)習(xí)也面臨著挑戰(zhàn)：一，模型的新鮮度，因?yàn)橥{每天都在變化，而監(jiān)督學(xué)習(xí)并不是每天都在學(xué)習(xí)，如果不每天學(xué)習(xí)，最新的威脅就識別不出來。二，模型的準(zhǔn)確率，學(xué)習(xí)是一回事，但真正使用時的精度又是另一回事。三，模型的召回率，也就是說漏掉了多少威脅，有多少威脅沒有抓住。

　　因此，監(jiān)督學(xué)習(xí)并不是萬能的，比如反欺詐、態(tài)勢感知、用戶行為分析則更適合無監(jiān)督學(xué)習(xí)。然而，無監(jiān)督學(xué)習(xí)也面臨著另外的挑戰(zhàn)，因?yàn)闊o監(jiān)督學(xué)習(xí)一般是在客戶的網(wǎng)絡(luò)環(huán)境中進(jìn)行，因而很有可能面臨投毒攻擊。

　　“機(jī)器學(xué)習(xí)技術(shù)的優(yōu)勢是它的多維識別能力，然而機(jī)器學(xué)習(xí)技術(shù)再強(qiáng)大也需要與其他手段綜合起來利用，效果才更好。”童寧說。

　　肖煌同樣指出，將機(jī)器學(xué)習(xí)用于網(wǎng)絡(luò)安全，在很多場景，預(yù)測精度并不能達(dá)到他們要求的0.000001的誤報標(biāo)準(zhǔn)。從這個角度來說，人工智能也只是輔助手段，還需要與傳統(tǒng)手段結(jié)合。

　　然而，肖煌認(rèn)為，將人工智能用于網(wǎng)絡(luò)安全則有另外的優(yōu)勢，那就是提高分析效率。人工智能的典型作用是代替人類做大量重復(fù)的勞動，比如用人工智能分析影像圖片，將影像醫(yī)生從低效率的重復(fù)勞動中解放了出來。

　　網(wǎng)絡(luò)安全行業(yè)，也同樣如此。

　　數(shù)據(jù)顯示，中國目前對網(wǎng)絡(luò)安全人才的總需求量超過70萬，每年增加的人才卻不過兩三萬，缺口高達(dá)95%。而且，一個分析師每天能分析的漏洞卻是非常有限的。

　　“如果不通過自動化的手段，將來物聯(lián)網(wǎng)連接設(shè)備數(shù)爆發(fā)的時候，大量的信息安全隱患只依賴人來分析是不太可能的?！毙せ捅硎?，一個信息安全分析師每天最多能看一兩千條log數(shù)據(jù)，或者一兩百個代碼片，而對人工智能來說，幾百萬條數(shù)據(jù)，只需花費(fèi)幾分鐘時間。

　　根據(jù)肖煌的觀察，信息安全和人工智能，領(lǐng)域不同，思維方式也有一定區(qū)別，前者更偏向于系統(tǒng)工程，后者則更偏向于數(shù)學(xué)思維。因此，肖煌的很多同事認(rèn)為人工智能解決的問題有限，更愿意使用傳統(tǒng)的方法，但也會朝著分析自動化的方向思考。

　　“我相信任何一個做信息安全的人必然要向這個方向靠攏?！毙せ拖Ｍ苡泌呌诔墒斓淖詣踊侄瓮瓿纱怪鳖I(lǐng)域的性能提升，包括分析的效率、時效性、規(guī)模和可解釋性。

　　人工智能時代的攻與防

　　網(wǎng)絡(luò)安全是道高一尺魔高一丈的世界。安全人員使用人工智能技術(shù)阻擋黑客攻擊，反過來這也會使黑客使用人工智能技術(shù)發(fā)起更復(fù)雜的攻擊。而隨著大量人工智能模型開源，黑客入侵的工具也愈發(fā)多樣化。

　　肖煌表示，只要稍加學(xué)習(xí)，黑客就可以利用開源工具欺騙識別系統(tǒng)，而技術(shù)難度的降低會促使很多人成為黑客，或者是進(jìn)行一些此前做不到的攻擊。

　　這并非杞人憂天。

　　在網(wǎng)絡(luò)釣魚電子郵件中已有這樣的案例，黑客通過模仿人類的說話習(xí)慣和內(nèi)容，使得企業(yè)或個人被入侵時更加難以識別。

　　肖煌認(rèn)為，以后的病毒變種會越來越多，檢測越來越難，規(guī)模越來越大，生成的時間越來越短。

　　疊加在典型圖片輸入上的對抗輸入會讓分類器產(chǎn)生錯覺，誤將熊貓識別為長臂猿

　　2017年2月，OpenAI在發(fā)表的最新研究中，指出人工智能安全領(lǐng)域的另一大隱憂：對抗樣本。在圖像識別問題中，攻擊者將對抗樣本輸入機(jī)器學(xué)習(xí)模型，讓機(jī)器在視覺上產(chǎn)生幻覺，從而讓系統(tǒng)產(chǎn)生誤判。而在論文《解釋并馴服對抗樣本》(Explaining and Harnessing Adversarial Examples)中有一個例子：一張熊貓圖片，被加入人為設(shè)計的微小噪聲后，就導(dǎo)致系統(tǒng)將熊貓識別為長臂猿。

　　多年來，肖煌一直在研究對抗性機(jī)器學(xué)習(xí)，致力于攻克機(jī)器學(xué)習(xí)算法本身的缺陷。他分析道，依賴于數(shù)據(jù)的機(jī)器學(xué)習(xí)算法、深度學(xué)習(xí)算法本身存在很大的缺陷。對抗性生成網(wǎng)絡(luò)，則利用這種缺陷，設(shè)計新的架構(gòu)去生成模型。

　　“因?yàn)槟壳暗臋C(jī)器學(xué)習(xí)嚴(yán)重依賴于數(shù)據(jù)的分布，如果數(shù)據(jù)分布本身很復(fù)雜，或者是人為地把它變得復(fù)雜，黑客如果有手段去生成惡意的樣本，就會導(dǎo)致識別不出來，或者識別錯誤?！毙せ瓦M(jìn)一步解釋。

　　肖煌表示，如果干擾被用在無人駕駛領(lǐng)域，后果則不堪設(shè)想。比如，在無人駕駛測試路段德國A9高速公路上，有專門的標(biāo)識引導(dǎo)無人駕駛車。如果路邊的標(biāo)識被惡意修改，誤導(dǎo)依賴標(biāo)識的無人駕駛車，則會造成極度危險的情況。

　　肖煌認(rèn)為，因?yàn)樗惴ū旧淼娜毕荩诖笠?guī)模使用人工智能之后，網(wǎng)絡(luò)安全則需要更換思路，設(shè)計新的方法。

　　對此，他提供了以下路徑。

　　一，增加分析端的可解釋性。肖煌分析，如果是病毒威脅入侵，用機(jī)器學(xué)習(xí)檢測的方法，很難解決，因此希望能在信息安全泄露事故時，用統(tǒng)計學(xué)的方法理解其中的關(guān)聯(lián)，黑客如何入侵系統(tǒng)，攻擊的路徑是什么，又是哪個環(huán)節(jié)出現(xiàn)了問題，找出這些關(guān)聯(lián)，或者從因果關(guān)系圖譜角度進(jìn)行分析，從而增加分析端的可解釋性。

　　二，目前的機(jī)器學(xué)習(xí)算法模型太復(fù)雜，需要使用大量的數(shù)據(jù)，就存在Tradeoff(權(quán)衡取舍)的情況。肖煌認(rèn)為，降低算法復(fù)雜度的方法有很多，比如，引入先驗(yàn)的知識，引導(dǎo)模型往一個方向?qū)W習(xí)。這樣學(xué)習(xí)的模型復(fù)雜度會降低，需要的數(shù)據(jù)也比較少。

　　三，信息安全情報的共享也非常重要。比如，模型存在某個缺陷，把這個缺陷提取出來，用一種高效的手段，編譯到另一種模型中去，另外的模型則無此缺陷。肖煌認(rèn)為，這類似遷移學(xué)習(xí)(Transfer learning)，只是遷移學(xué)習(xí)是遷移中間的學(xué)習(xí)結(jié)果，實(shí)際上中間學(xué)習(xí)出來的異常也可以遷移，從而增加算法的安全性。