هوش مصنوعی در مقابل یادگیری ماشینی در امنیت سایبر

اولین چیزی که فکر می کنید وقتی می شنوید "هوش مصنوعی" ، "یادگیری ماشین" یا "یادگیری عمیق" چیست؟ اگر به فکر روبات های احساساتی هستید که از شهرها یا سوپر سایبورگ هایی که از هوش انسانی فراتر رفته اند ، تصور می کنید ، ممکن است تصورات غلطی در مورد اینکه هوش مصنوعی (AI) ، یادگیری ماشین (ML) و یادگیری عمیق (DL) و چگونگی آنها وجود دارد ، داشته باشید.

AI ، ML و DL قبلاً در ظرفیت های مختلفی استفاده می شوند و پتانسیل افزایش بهره وری را در این زمینه ها دارند. در امنیت سایبری ، ML رایج ترین اصطلاح برای کاربردهای عملی هوش مصنوعی عمومی است. در این قطعه ، ما به بررسی این برنامه های کاربردی فعلی و بالقوه در حوزه امنیت سایبر می پردازیم – نحوه عملکرد آنها و همچنین جوانب مثبت و منفی آنها. همچنین به طور خلاصه آنچه را که AI ، ML و DL را از یکدیگر جدا می کند ، پوشش خواهیم داد. شما می توانید از منوی زیر استفاده کنید تا از موضوعی خاص که مورد علاقه شماست پرش کنید.

تفاوت بین هوش مصنوعی و یادگیری ماشین چیست؟

AI ، ML و DL اغلب با یکدیگر اشتباه گرفته می شوند. آنها بسیاری از خصوصیات مشابه را به اشتراک می گذارند زیرا یادگیری عمیق زیر مجموعه یادگیری ماشینی است که زیر مجموعه ای از هوش مصنوعی است. بنابراین ، آنچه DL است نیز هوش مصنوعی است ، اما آنچه که هوش مصنوعی است لزوماً DL نیست. اصلاً گیج کننده نیست ، درست است؟ برای دیدن این ایده به نمودار زیر مراجعه کنید.

موضوع یا هدف اصلی هوش مصنوعی ایجاد برنامه های رایانه ای است که توانایی انجام عملکردهای هوشمند و شبیه انسان عناصری وجود دارد که ML و DL را از AI متمایز می کنند که در بخش های زیر به بررسی بیشتر آنها خواهیم پرداخت. در نظر داشته باشید که در جوامع فنی و علمی نظرات مختلفی وجود دارد. ما تمام تلاش خود را برای تلفیق این تئوری ها و عقاید انجام دادیم تا دیدگاه سطح بالایی (نه خیلی عمیق) درباره موضوع ارائه دهیم.

هوش مصنوعی چگونه کار می کند؟

همانطور که گفته شد ، هوش مصنوعی برنامه نویسی رایانه ای با توانایی کار به عنوان مغز انسان را دارد. این یک اتفاق فوق العاده دشوار است و بیشتر موافق هستند که ما از رسیدن به آن سطح برنامه نویسی دور هستیم. با توجه به مرزهای مه آلود که AI را تعریف می کند ، دشوار است که بگوییم چه زمانی اولین برنامه نویسی هوش مصنوعی ساخته شد ، اما علاقه به یافتن ارتباط بین هوش انسان و ماشین را می توان از اواخر دهه 1940 تا اوایل دهه 1950 جستجو کرد.

پیشرفت بزرگ در AI ایجاد زبان LISP (پردازش لیست) در سال 1957 بود. این زبان سطح بالا امروزه توسط کسانی که با AI کار می کنند ، مورد استفاده قرار می گیرد. تا کنون ، برنامه رایانه ای که برای دستیابی به این هدف نزدیکتر است و تجسم ایده یک انسان ساز برنامه ریزی شده است ، سوفیا است ، روبات هوش مصنوعی که وقتی در سال 2016 "اولین بار" خود را موج زد ، امواج ایجاد کرد.

هنوز هم بخش هایی از مغز انسان وجود دارد که ما در حال تلاش برای درک هستیم ، که تکثیر کامل در این زمان غیرممکن است. موارد مفید و روزمره هوش مصنوعی شامل مواردی مانند:

• زبان های تشخیص و فهم گفتار
• دستگاه های خانه هوشمند مانند دستگاههایی که می توانند به صورت مستقل عملکرد داشته باشند
• کمکهای سفر با به روزرسانی در سیستمهای نقشه برداری که از AI برای اسکن استفاده می کنند. جاده ها و کارآمدترین مسیر ممکن را ایجاد می کنند

چگونه یادگیری ماشین کار می کند؟

یادگیری ماشینی رویکردی برای علم هوش مصنوعی است. برخی از جنبه هایی که ML را از سایر برنامه نویسان جدا می کند ، توانایی یادگیری مقادیر زیادی از داده ها با استفاده از الگوریتم های ساخته شده توسط انسان برای انجام وظایف است. این الگوریتم ها به آنها کمک می کند تا با داده های جدید یاد بگیرند و سازگار شوند تا دستگاه بتواند بیشتر مانند یک انسان فکر کند و عمل کند. همچنين مي توان از آن به عنوان يك نوع داده كاوي استفاده كرد ، زيرا پردازش مقادير زيادي از داده ها.

الگوريتم هاي مختلفي كه مورد استفاده قرار مي گيرند مي توانند زير گروه بندي كنند:

• يادگيري نظارت شده – در كامپيوتر پارامترها يا مثال هايي براي مقايسه داده ها وجود دارد.
• یادگیری بدون نظارت – کامپیوتر از داده ها تغذیه می کند و روابط بین داده ها را به تنهایی پیدا می کند.

یکی از تریلرها در ML ، آرتور ساموئل ، در مقاله IBM خود در سال 1959 اظهار داشت که "برنامه نویسی کامپیوترها برای یادگیری. برنامه های ML بر اساس ورودی داده های جدید و الگوهای داده های گذشته به طور مستقل بهبود می یابند اما به برخی راهنمایی های انسانی نیاز دارند تا غیرممکن بودن کلی آنها را برانگیزد.

برخی از نمونه های یادگیری ماشین شامل موارد زیر است:

• الگوریتم های امنیت سایبری که دسترسی غیرضروری و سایر خطرات امنیتی را پرچم گذاری می کنند
• الگوریتم های تولید موسیقی که بهترین انتخاب آهنگ برای یک کاربر را بر اساس ir preferences
• برنامه قدرت GE که پیش بینی نیازهای نگهداری و سایر معیارهای بهینه سازی برای کمک به مشاغل راحت تر در اجرای هرچه سریعتر

پایتون و یادگیری ماشینی

برای درک بهتر یادگیری ماشین ، همچنین مهم است که درک کنید که زبان های برنامه نویسی در رابطه با ML مانند Python و C ++ استفاده می شوند. پایتون یکی از محبوب ترین زبان های برنامه نویسی است که به دلیل بخش عمده ای از نقش آن در یادگیری ماشین است و C ++ اغلب در پروژه های یادگیری ماشین نیز مورد استفاده قرار می گیرد.

پایتون به دلیل محبوبیت گسترده ، منابع موجود ، ساده ، انتخاب خوبی است. نحو و چقدر شهودی آن با سایر زبانها مقایسه می شود. هنگامی که شما اصطلاحات اساسی و عملکردهای داخلی Python یا C ++ را درک کردید ، می توانید از آنها در پروژه های مختلف ML در سازمان استفاده کنید. پایتون همچنین دارای مجموعه بزرگی از کتابخانه ها است که روند ایجاد را آسان تر می کند – بخش عمده ای از کارهای ML عملی در اطراف کتابخانه هایی است که توسط گروه های مختلف ایجاد و منتشر می شوند ، مانند: [

Machine Learning vs Statistics

برخی از افراد سوال می کنند که آیا فرایندهای ML انقلابی هستند یا فقط از ریاضیات و آمارهای پایه استفاده می کنند. شکی نیست که یادگیری ماشین و علم داده به صورت دستی انجام می شود ، اما اگر هر دو از الگوی داده استفاده کنند تا احتمال یا عدم اطمینان از موقعیت های مختلف را نشان دهند ، چه چیزی ML را از آمار جدا می کند؟

اعتیاد به مواد مخدره بازاریابی واقعیت عملی مصنوعی را نشان می دهد. شعور به معنای واقعی کلمه چندین دهه به عنوان ترکیبی از سخت افزار سریعتر ، مدل های بهتر و درک قوی تر از آنچه سیستم های یادگیری ماشین برای ما مناسب است ، شاهد تغییر در چرخه اعتیاد به مواد مخدر هستیم. برنامه های نرم افزاری Mundane که از ریاضیات آمار 101 استفاده نمی کنند ، خود را به عنوان "هوش مصنوعی رانده می شوند" به عنوان ابزاری برای تمایز خود در بازار معرفی می کنند.

این گلایه از آنچه سیستم ها انجام می دهند استدلال در مورد تأثیر آنها و چگونگی رویکرد استراتژیک است.

سیستم های یادگیری ماشین و هوش مصنوعی باید آخرین گزینه ای باشد که فقط در صورت عدم موفقیت روش های سنتی سازماندهی ، تطبیق الگوها و آمار مورد استفاده قرار گیرد.

چگونه عمیق یادگیری کار می کند. ؟

یادگیری عمیق زیر مجموعه خاصی از یادگیری ماشین یا تکنیک هایی است که برای اجرای ML استفاده می شود. این تقریباً به همان روش ML عمل می کند اما قادر به اصلاح خود است در حالی که ML برای ایجاد تنظیمات خاص نیاز به مداخله انسان دارد. این کمی قدیمی است اما درک نحوه کارکرد آن می تواند به افزودن متن به AI و ML کمک کند.

DL مبتنی بر شبکه های عصبی است که DeepAI آن را تعریف می کند ، "یک سیستم یادگیری محاسباتی است که از شبکه توابع برای فهم و ترجمه استفاده می کند. ورودی داده های یک فرم به یک خروجی مورد نظر ، معمولاً به شکل دیگری. [This] مفهوم … از زیست شناسی انسان و نحوه عملکرد سلول های عصبی مغز انسان برای درک ورودی از حواس انسان الهام گرفته شده است. "

برخی از نمونه های یادگیری عمیق عبارتند از:

• تصویر ، فیلم و شناخت الگوی
• اتومبیل های خود رانندگی و مسیرهای آنها
• تشخیص پزشکی با استفاده از تشخیص تصویر برای تعیین سلول های بیماری زایی

نقش AI و ML در امنیت سایبری

وقتی صحبت از امنیت سایبری و علم هوش مصنوعی می شود ، یادگیری ماشینی است. متداول ترین اصطلاح و اصطلاح مورد استفاده در توصیف کاربرد آن در امنیت سایبر. اگرچه برخی از تکنیک های یادگیری عمیق نیز در زیر چتر ML وجود دارد ، اما بسیاری می گویند که DL در برنامه های امنیت سایبری منسوخ شده است. یادگیری ماشین نوید بزرگی را در امنیت سایبر نشان می دهد ، اگرچه دارای اشکالاتی است. ما کشف خواهیم کرد که این فناوری در امنیت سایبری ، جوانب مثبت و منفی آن ، و همچنین امکانات آینده به چه عواملی می تواند دست یابد.

آموزش ماشین و امنیت سایبر

مهم است. درک این نکته که یادگیری ماشینی یک نوسانی نیست ، اما می تواند پشتیبانی زیادی از امنیت سایبری یا تیم فناوری اطلاعات کند. اگرچه ML ممکن است مسیری طولانی را طی کند تا بتواند بدون دخالت انسان برای شناسایی تهدیدات به کار رود ، بسیاری از وظایف برای ارتقاء امنیت وجود دارد. برخی از مزایای ML عبارتند از:

• طبقه بندی – برنامه ها داده ها را براساس پارامترهای از پیش تعیین شده طبقه بندی می كنند.
• خوشه بندی – برای داده هایی كه متناسب با پارامترهای از پیش تعیین نشده نیستند ، گروه های ML مبتنی بر
• توصیه ها – برنامه ها از گزینه های گذشته ، ورودی ها و انجمنها برای توصیه به رویکردها و تصمیم گیری ها یاد می گیرند.
• چارچوب های تولیدی – بر اساس ورودی های داده های گذشته ، برنامه ها امکاناتی را ایجاد می کنند که می توانند در مورد داده هایی که قبلاً با آن ورودی های خاص روبرو نشده اند ، به کار روند.
• پیش بینی ها – پیش بینی برنامه ها بر اساس مجموعه داده ها و نتایج گذشته.

چگونه می توان از امنیت سازمان شما بهره برد [19659004]

یادگیری ماشینی می تواند به شیوه های امنیت سایبری شما باشد که باید جزو اولویت های اصلی هر سازمان باشد. نقض داده ها ، سرقت ها و حملات دیگر بسیار رایج است و می تواند فشارهای مالی عظیمی و از دست رفتن تجارت ایجاد کند. بسته به اندازه و نیاز سازمان شما ، نرم افزار امنیتی مبتنی بر ML می تواند استفاده بسیار خوبی از بودجه امنیت سایبری شما باشد. اگر تیم امنیتی شما احساس نرمی دراز کرده است ، به علاوه برای حفظ مدیریت داده های داخلی و محیط امنیتی شما مشکل دارد ، این نوع راه حل ها می توانند گزینه های خوبی باشند.

ویژگی توصیه های مجوزهای Varonis نمونه ای عالی از یادگیری ماشین در امنیت داده ها است. این نرم افزار با نقشه برداری و نظارت بر انواع داده هایی که به آنها دسترسی پیدا می کند ، یک مبنای رفتاری برای هر کاربر در سازمان ایجاد می کند. پس از مدت زمانی سیستم وقتی شخصی دیگر نیازی به دسترسی به اطلاعات حساس ندارد به طور خودکار شناسایی می کند و توصیه به ابطال می کند. این توصیه‌ها نه تنها به این دلیل که آنها از آن داده ها استفاده نکرده اند بلکه به این دلیل است که آنها دیگر به سایر کاربران در این شرکت شباهت ندارند.

Learning Machine Azure Machine مایکروسافت نمونه دیگری عالی از یادگیری ماشینی است که هم اکنون در امنیت سایبر اعمال می شود. . این امکان را به سازمان ها می دهد تا مدل های ML خود را بسازند ، آموزش دهند و مدیریت کنند.

اگر مجهز نیستید یا وقت لازم برای مدیریت سیستم عامل های مبتنی بر ML خود را ندارید ، راه حل هایی با مدیریت بیرونی برای طبقه بندی داده ها وجود دارد ، امنیت داده ها ، ممیزی های امنیتی و تشخیص و پاسخ تهدیداتی که برای پاسخگویی به نیازهای شما شخصی سازی شده اند.

در اینجا چند مثال از چگونگی استفاده از مزایای ذکر شده در بالا برای کارهای مربوط به امنیت سایبری ذکر شده است:

• فیشینگ و فیلتر کردن اسپم. با طبقه بندی . این می تواند به تیم شما کمک کند تا داده های داخلی ، اسپم و فعالیت مخرب را با پارامترهای از پیش تعیین شده طبقه بندی کند.
• تجزیه و تحلیل پزشکی قانونی از خوشه بندی زیرا به شما کمک می کند تا روش حمله و آنچه مورد سازش قرار گرفته است را روشن کند. خوشه بندی داده ها را بدون نیاز به دانستن کلاس ها و گروه بندی کردن آنها جمع آوری می کند تا تیم شما بتواند عناصر نقض یا حمله را جمع کند.
• پاسخ حوادث و مدیریت ریسک از روش های توصیه که از یادگیری قانون ارتباط است. این برنامه از اقدامات مختلفی که در مورد انواع مختلفی از حوادث اجرا می شود ، یاد می گیرد. همانطور که الگوهای و انجمن ها را ترسیم می کند ، می تواند توصیه هایی را برای کاهش ریسک و نحوه پاسخگویی به حوادث ارائه دهد.
• Pentesting با چارچوب های تولیدی . برنامه هایی که می توانند ضعفها را بررسی کنند ، می تواند ورودی را برای آزمایش نقاط ضعف تولید کند.
• پیشگیری و مدل سازی تهدید با استفاده از پیش بینی ها . ML برای جمع آوری داده ها برای کمک به پیش بینی فعالیت های کلاهبرداری که می تواند به تیم امنیتی شما کمک کند مسئولیت رسیدگی به مسئولیت را قبل از نقض هزینه های سرقت یا سرقت داده ها به کار ببرد ، مورد استفاده قرار می گیرد.

جوانب

همانطور که در بالا مشاهده می شود ، بسیاری از کارهای امنیت سایبری وجود دارد که می تواند با اجرای الگوریتم های ML آسان تر یا کارآمد تر می شوند. در صورت استفاده بهینه ، این فناوری می تواند وزن یک کار سنگین در امنیت سایبر را سبک کرده و خطای و نظارت های انسانی را کاهش دهد. امتیاز دیگر این رویکردها و تکنیکهای انطباقی این است که می توان آنها را مطابق با نیازهای خاص یک شرکت یا سازمان اصلاح کرد.

• حجم کار را برای تیم امنیتی کاهش می دهد
• خطای انسانی را کاهش می دهد. و نظارت ها
• می تواند شکل گیرد تا متناسب با نیازهای خاص سازمان شما سازمان شما

منفی

بیشتر روش ها در حال حاضر نیاز به مداخله انسان دارند زیرا هکرهایی وجود دارند که سعی در موفقیت دارند ) پایین آوردن برنامه های ML از طریق ورودی داده های فریبنده. از طریق الگوریتم ها ، به ماشین آلات آموزش داده می شود که یک فایل یا کد مخرب را تشکیل می دهد ، که معمولاً می تواند حملات مفصلی ایجاد کند. برخی از هکرها راه هایی برای پنهان کردن بدافزار خود و فریب دادن ML در فکر کردن یک پرونده یا پوشه معمولی پیدا می کنند. سایر هکرها از ML برای انجام کارهای ناخواسته خود استفاده می کنند.

• ML و AI شکست ناپذیر هستند
• برخی از الگوریتم ها را می توان فریب داد
• be مورد سوء استفاده قرار گرفت

آینده هوش مصنوعی و یادگیری ماشین در فضای مجازی

با قانون های بیشتری مانند مقررات عمومی حفاظت از داده ها ( GDPR) و قانون حمایت از مصرف کننده كالیفرنیا (CCPA) كه به تصویب رسیده و به تصویب قانون می رسد ، ضروری است كه امنیت و داده های خود را كنترل كنید. این به سازمان ها کمک می کند تا قوانین مربوط به انطباق را رعایت کرده و از جلوگیری از جریمه های گران قیمت و آسیب های شهرت جلوگیری کنند. برخاستن از GDPR از سال اول خود نشان داد كه تشخيص و گزارش زودرس كليدي است ، امري كه ML مي تواند به آن كمك كند.

يكي از جنبه هاي GDPR ، CCPA و ساير قوانين انطباقي كه با AI ، ML و DL درگير مي شود حقي است كه فراموش شود. طبق حقوق کاربران برای حفظ حریم خصوصی و پاک کردن داده ها ، داده های مربوط به آن کاربر باید از پایگاه داده های کنترل کننده (سازمان) از جمله برنامه نویسی AI ، ML و DL حذف شوند. به نظر می رسد این مسئله موضوعی خواهد بود که با تصویب قانونگذاری حفظ حریم خصوصی داده ها و هوش مصنوعی رواج بیشتری پیدا می کند.

کلید تنظیم خود برای آینده انطباق در رابطه با هوش مصنوعی ، حاکمیت داده های محکم است – روش هایی که شما طبقه بندی می کنید و داده های خود را مدیریت کنید در صورت سخت تر شدن قوانین حفظ حریم خصوصی کاربر ، شما باید راهی برای مرتب کردن داده های حساس و "خصوصی" از پایگاه داده خود داشته باشید تا در صورت درخواست حذف شود. هرچه زمان بیشتری را برای طبقه بندی داده ها قرار دهید ، در آینده چابک تر خواهید بود و تکنیک های طبقه بندی ML می توانند از پشتیبانی کنند.

برای مشاهده تصویری با بینش ها و نکات مربوط به قطعه ، روی دکمه زیر کلیک کنید.

کلیک کنید و AI و ML در امنیت سایبری یکپارچه می شوند و در حال حاضر از جهات مختلفی هستند. در حالی که آنها می توانند در سطوح و ظرفیت های مختلف مورد استفاده قرار گیرند ، الگوریتم ها و تکنیک هایی وجود دارد که می تواند باعث شود امنیت سازمان شما با سرعت بیشتری اجرا شود و زمان تیم امنیتی شما را برای انجام سایر کارهای مهم آزاد کند.

اگر علاقه مندید ببینید امنیت سایبری شما در کجا قرار دارد. رویه ها ایستاده اند ، ارزیابی ریسک داده رایگان را امتحان کنید و ببینید که چگونه امنیت شما از طریق مطالعه گزارش ریسک داده ما با دیگران در صنعت شما مقایسه می کند. این ارزیابی به کشف داده های در معرض خطر ، مشکلات دسترسی ، داده های قدیمی ، مجوزهای متناقض و خطرات بیشتر برای امنیت شما کمک می کند. با اقدام امروز ، برای آینده امنیت سایبری آماده باشید.

منابع اضافی: BuiltIn | فوربس | به سمت علوم داده