人工智能会成为未来网络安全防御的神器吗？ | 互联网数据中心-199IT | 中文互联网数据研究资讯中心-199IT
扫描微信二维码,数据随身查添加微信公共帐号： i199it欢迎关注：欢迎关注：人工智能+人=强大的网络安全
麻省理工研究出一个新型混杂式系统，基于人工智能(AI)梳理数据，并将当前可疑行为提交给分析人员，能够检测85%的攻击。
既然人和AI都无法单独在网络安全维护工作上取得压倒性成功，为什么不试着把两者整合起来呢？麻省理工根据这一想法研发的项目，取得了非常令人满意的效果。
麻省理工计算机科学和人工智能实验室的研究人员，与机器学习初创公司PatternEX共同开发了一个称为“AI2”的平台，不仅可识别85%的攻击，还能够显著降低误报。
研究人员用AI2测试了由数百万用户在3个月内产生的36亿的数据碎片，并在最近的IEEE大数据安全国际研讨会上发布了结果。麻省理工的研究人员表示，AI2如同一个虚拟分析人员，可以在短时间内持续的改进模型，也就意味着能够极大地提升检测率，并且非常快速。
尽管有人在担心AI会取代人类的工作，但AI与人类协同工作可以取得更好效果的趋势越来越明显。比如上周，人工智能众包平台Spare5，发布了一个整合了人类判断和机器学习的系统，帮助企业理解非结构化数据。
在网络安全的世界里，以人为主的技术主要依赖专业人员建立的规则，因此不符合规则的攻击就被错过。机器学习则依赖于异常检测，因此容易误报，“狼来了”太多，最终导致不被信任。
建立融合了人类与计算机自动处理的网络安全系统并不容易，部分的因为手动归类网络安全数据的困难。因为具备肉眼识别“DDoS”、“数据泄露”等攻击行为，需要技能娴熟的安全专家，但这类人才的匮乏一直都是不争的事实。因此，使用人工智能来学习并找到最有可能是攻击的事件，然后交给人类专家去进行识别，是一个结合两者优势的办法。
在AI2的测试中，一天能发现200个“最异常”的事件，然后交给分析人员判断，之后系统再把判断结果整合到模型中，作为下一个数据集的检测标准。然后不断循环这个过程，分析人员需要判断的事件数量将会极大的减少。
“系统检测到的攻击越多，分析人员的反馈就越多，最终会导致未来预测精准率的极大提升。人机交互建立起一个‘美丽’的级联效应。”
第一时间获取面向IT决策者的独家深度资讯，敬请关注IT经理网微信号：ctociocom
&&&除非注明，本站文章均为原创或编译，转载请务必注明出处并保留： 文章来自
相关文章：
最牛的信息安全新媒体 ()
硬件成本只要200美元，距离达到1米（现实环境30cm内具有可用性），设备小巧可放入口袋
对于大多数的企业技术和业务决策者来说，制定符合自身需求的物联网技术和方案开发展战略非常困难
企业的安全运营中心到底应该具备哪些核心职能，新时期CISO的技能、职责领导力需要覆盖那些领域呢？
本论文介绍了IOActive在多个类型机器人中发现的网络安全问题，并对当前机器人网络安全技术现状、面临的威胁进行了分类介绍
本白皮书从硬件基础设施、服务部署、用户身份、存储服务、网络通讯和运营安全五个层面为我们系统介绍了Google基础设施的安全设计架构和方法
用一百万欧元，一个企业就可以拥有含一万六千个 x86 核的私有云架构基础，并且对成本，外来情报威胁拥有绝对控制权，这是任何国家的公有云供应商都无法提供的。
要使物联网真正成为主流，企业就需要遵循清晰的检查清单来确保其物联网计划的安全。
Ruckus Wireless今天宣布推出全面定制解决方案Ruckus服务提供商云，帮助服务提供商向其客户提供高价值托管服务。
针对不同类型的设备和使用场景，教育机构如何能够确保学生安全进入Wi-Fi网络并获得最佳质量的连接呢？
第五届全球云计算大会暨国际网络通信展览会· 中国站将汇集6000名云生态链内企业CIO、CTO、技术开发者和企业级终端用户，交流云计算在金融、电商、制造业、快消、零售、教育等应用。
会议地点上海世博展览馆上海浦东新区国展路1099号
讨论时下汽车行业发展动向，如何借助信息化技术实行全产业链的优化升级，届时更有整车、零部件、经销商等全产业链CIO及汽车行业信息化解决方案供应商对信息化应用进行交流和分享，重点研讨大数据、物联网、云计算、移动应用等最新信息技术在汽车产业的应用发展，推动汽车行业转型升级。
会议地点上海
&Copyright (C) 2011,ctocio.cc - IT经理网物联网和人工智能之间是否存在很大的差异呢？
> 物联网和人工智能之间是否存在很大的差异呢？
物联网和人工智能之间是否存在很大的差异呢？
编者按：物联网和人工智能这两个概念之间有什么区别吗?或者，人们是不是认为物联网和人工智能代表折同样的事情。
　　我相信你已经听说过(IoT)和(AI)。但是，你知道这两个概念之间有什么区别吗?或者，人们是不是认为和代表折同样的事情，这两个词实际上是可以被交互使用的?本文引用地址：　　让我们先来谈谈。在英文中，人工智能(Artificial Intelligence)简称AI，AI能根据大量的历史资料和实时观察(real-time observation)找出对于未来预测性的洞察(predictive insights)。由于同时分析过去的和实时的数据，AI能容易注意到有哪些资料属于例外，并做出合理、合适的推断，而数据对于人工智能的重要性也就不言而喻了。因此，若要使AI引擎变得更聪明、更强大，方法及过程其实就如同在种植物(或甚至像是养小孩!)。唯一的区别在于： AI需要的是持续的数据流入，而不是水，肥料和食物。对于人工智能来说，它可以处理和从中学习的数据越多，其预测的准确率也会越高。　　谈了以上的内容，乍看之下，我们好像只需要人工智能就可以了。然而，(IoT)其实肩负了一个至关重要的任务：资料收集。概念上，物联网可连接大量不同的设备及装置，包括：家用电器和穿戴式设备。嵌入在各个产品中的传感器(sensor)便会不断地将新数据上传至云端。这些新的数据以后可以被人工智能处理和分析，以生成所需要的信息并继续积累知识。　　移动贝果(MoBagel)在IoT和AI的发展初期，便已经发现它们的庞大潜力。起初，我们向客户提供了仪表板，上面包含实时的信息，像是：冷气机的使用情况，或灯泡的每日用电量。然而，设备监控只是移动贝果解决方案中的一小部分而已。我们还有物联网人工智能引擎Decanter?，已经成功帮助我们的许多客户抓住重要的销售契机，并享受利润成长。透过Decanter?，我们用各式各样的方法来强化公司的营运绩效，例如：找出向消费者发送促销信息的最佳时机。　　在了解了AI和IoT之间的关系以及相关的应用后，我们可以了解到其实不需要把人工智能(AI)和物联网(IoT)这两个概念完全区分开来。 AI可以最大化IoT带来的价值，而IoT能为AI提供所需的数据流。只有它们被同时使用时，才能同时实现AI和IoT的利益及优势。
分享给小伙伴们：
我来说两句……
最新技术贴
微信公众号二
微信公众号一巨头转身物联网 物联网的下一站是人工智能
作者：云科技时代杂志
分类 : 比特网
　　当我在1995参加了计算机科学的时候，科学并不存在，但我们仍然在使用许多早已存在的算法。这不仅仅是因为神经的回归，也可能是从那时起，就已经没有发生太多根本性的变化。至少给我的感觉是这样的。有趣的是，从今年开始，人工智能似乎终于已经成为主流。
　　在机，，或聊天机器人出现之前，1995年听起来像是非常痛苦的时期。但在了解过去的几年时，如果你未身处其境，感觉起来就像是很久以前的事一样。就如自我延续一样，它将一切都贴在一起，虽然已经改变很多，但与现在相比，世界没有感觉到根本不同的。
　　坚持不懈从事计算机科学
　　计算机科学从未像现在一样未接近主流。后来，随着2000年左右的第一个网络泡沫。有些人甚至质疑我学习计算机科学的选择，因为编程计算机很显然变得非常容易，再也不需要专家了。
　　事实上，人工智能是我学习电脑科学的主要原因之一。将它作为一种建设性的方法来理解人类思想的想法，对我来说非常耐人寻味。前两年我都在训练，以确保自己有足够的数学水平来解决道路上的阻碍，且最终上了第一堂AI课(由JoachimBuhmann授课)，那时波恩大学的教授SebastianThrun正准备离开美国。我得查看我参加了他的哪一个演讲周期，他在计算机视觉中有两个讲座，一个是模式识别(多数是旧版本的Duda&Hart的书中知识)，一个是理论(类似于Cover和Thomas的书)。材料是非常有趣的，但也有点令人失望。正如我现在所知，人们停止了AI方面象征性的工作，不再坚持用更多的统计方法来学习，这种方法学习的本质是，基于有限数量的观察减少选择正确函数的问题。计算机视觉讲座，甚至学习的更少，且更依赖于明确的物理建模，以获得正确的估计，例如，从视频中重建运动。那时的方法比现在更加生理化和物理化。虽然神经网络存在，但每个人都很清楚，他们只是“另一种函数逼近。”除了RolfEckmiller，和另一个我曾经在其手下工作过的教授之外，每个人都这么想。Eckmiller在“神经计算”在某种程度上比传统的计算好得多前提下建立了他的整个实验室。这可以追溯到NIPS有着完整的路径于研究神经元的生理学和工作机制的日子，甚至有人认为在我们的大脑中有着本质性差异东西发生，也许是在量子水平，这增加了人的心灵，这种差异是研究真正智能机器的一大阻碍。
　　虽然Eckmiller很善于推销他的观点，但他的大部分工作人员都庆幸脚踏实地。也许这是一件非常德国化的事情，但每个人都很关心这些计算模型到底能不能做到，这也是研究中一直困扰我的问题。我毕业于2000十月，发表了相当牵强的硕士论文，试图在学习和努力优化问题之间建立联系，然后开始了我的博士论文，并坚守在该领域进行研究直到2015。
　　机器学习的研究方法很多，但解决的本质问题基本一样
　　虽然一直试图证明行业的相关性，当它是一个长时间的非常学术性的努力，且社区是相当封闭的。有一些个人成功的故事，例如手写字符识别，但许多公司在机器学习方面的研究失败了。我记得有一个公司叫BeowulfLabs和NIPS，他们用一个视频到处去招聘人才，承诺要成为下一个“mathtopia”。在本质上，这是DeepMind的故事，招聘一群优秀的研究人员，然后希望它会起飞。
　　整个社会也会围绕着一个时尚到下一个。有一件奇怪的事情是，机器学习作为一个整体，除了一大堆方法外，只有极少数本质不同的问题，如分类，回归，聚类等。它不像物理(我假设)或数学一样，一些普遍认为没有解决的疑难问题，存在可以推进出最好结果的解决。这意味着，进步经常是做横向的，通过用一个新的方法更换现有的方法，仍然以不同的方式解决同一个问题。例如，首先有神经网络。然后支持向量机出现了，声称其效果更好，因为相关的优化问题是凸面的。然后有boosting，randomforests，等等，直到回到神经网络。我记得，中国餐馆进程(ChineseRestaurantProcesses)“火”了两年，但没有人知道他们现在的意义是什么。
　　与数据科学
　　大数据与数据科学的时代已然到来了。当时立身于学术界，我总觉得大数据与数据科学肯定来自于外界，可能来自于像这样切实处理庞大数据的公司。大规模学习确实是存在的，例如，生物信息学中基因组数据，但是我们应当寻找更为有效的算法或近似算法来解决这些问题，而非蛮干。
　　诸如谷歌这样的公司最终证实了，我们可以运用庞大的数据完成一些事情，最终将改变人们对人工智能持有的主流观点。有一些技术，如和NoSQL，看似非常流行，能够娴熟地在市场上推广并不断革新，这些技术将免于现存体系中技术方面的限制。然而，这将对机器学习的研究者产生什么影响？给我的印象是，这些研究者感到高兴的是，大数据与数据科学时代的到来使他们最终得到认同，不过，他们也为自己得到认同的方式感到悲哀。要理解这一点，我们要意识到，多数ML研究者并不是计算机领域的科学家，或者非常擅长，对编码非常感兴趣。他们中许多人来主攻物理，数学或其他学科，在这些学科领域中，他们卓越的数学训练能力使其能够熟练运用各种算法，并为机器学习构建核心模型。
　　另一方面，Hadoop分布式系统基础架构偏科技性。用Java编写，这种语言在当时被认为专业性极强，与MatLab和Python两种计算机语言相比，Hadoop的语言不免显得复杂难懂。即使那些C++编程人员也会有相同的感觉，对他们来讲，Java语言也会显得冗杂，特别是在数值计算和模拟方面。但是，当前尚未找到解决这一问题的途径，因而，他们将自己所做的一切都重新命名为大数据，或者开始强调，大数据仅为大规模计算提供基础数据资源，而你需要专业的人才，方能弄懂这些数据信息。
　　这种解决方法应当是不会出错的。我认为，在一定程度上，这种区分依然是存在的。如果为数据分析选择合适的语言，Python当是最优之选，存在一些技术，如Spark，试图通过绑定来，不论该种方法在性能方面是否讲得通。
　　深度学习的回归
　　甚至在谷歌研发出人工智能技术DeepDream之前，神经网络已经掀起回归热潮了。有一些人，如YannLeCun，一直以来坚持这种方法，但是，大概在10年前，有一些研究显示如何使用分层训练及其他训练方法，训练“深层”网络，这种类型网络的规模超出人们之前所能设想的。
　　得根据训练实例进行评估，以训练神经网络，然后，调整所有权值进一步减小误差。倘若沿着权重下降的方向记录梯度值，那么将从最后一层开始把错误传播回来。不管怎样，可以这样理解，错误信息将逐层递减，如此将增加多层次训练网络的难度。就我所知，许多人依然采用背景法，我不确定这种观点是否依然正确。但是，可以肯定的是，可使用的数据量，工具及原始计算能力均发生了变化。因而，最初一些研究文献点燃了人们对神经网络的兴趣，人们随后开始继续使用这些神经网络，并在一些应用领域中取得了卓越的成就，这些神经网络最早成功应用于计算机视觉，随后在言语加工处理等领域。
　　我认为，这种类型的神经网络之所以能够吸引人是因为其多样化的用途。有了这种方法，人们可以免于理解多种不同途径的麻烦。此外，神经网络拥有一个化的结构，人们可以挑选出并组合不同层级和结构，将其用于解决各种各样的问题。
　　谷歌当时发表了一篇关于DeepDream人工智能技术的优秀论文，文中提到他们能够运用一个包含信息丰富的网络衍生出一些数据，而我们人类具备即时学习结构与属性的能力，很快便能学会运用这种网络。因而，如今谷歌可以称得上一家一流的人工智能公司。人工智能将拯救全世界。
　　尚待解决的一个基本问题
　　我曾经与许多学者交流过，他们对于深度学习的主导作用感到不满，原因是这种方法能够产生很好的效果，有时这种效果甚至过于理想化，但是，仍然不能帮助我们进一步理解人类大脑的工作原理。
　　我对此也持相同的看法，即这一基本问题仍未得到解决。我们是如何理解世界的？我们是如何创造出新概念的？深度学习依旧停留在模仿行为的层面，尽管对于一些人来讲，深度学习的效果已经相当不错了，但我对此还不太满意。此外，我认为将太多智能因素归功于这些系统，存在风险。对原始数据来讲，这些系统的性能可能很不错，但是，在其他方面，这些系统将以完全不同的方式运行。
　　尽管谷歌翻译工具能够允许人们跳过外国网站上发布的内容，该种系统的性能仍有待改进，这一点是明白无误的。有时我觉得没有人会在意这一点，也许是因为没有人会因此受到伤害，不是吗？但是，也可能是由于我的德国文化背景的缘故，我希望我们能够以事物最初的模样来看待这些事物的发展。
[ 责任编辑：段晨濛 ]
比特网 15:38:30
带着朋友和机器人上月亮散步
软件信息化周刊
比特软件信息化周刊提供以数据库、操作系统和管理软件为重点的全面软件信息化产业热点、应用方案推荐、实用技巧分享等。以最新的软件资讯，最新的软件技巧，最新的软件与服务业内动态来为IT用户找到软捷径。
商务办公周刊
比特商务周刊是一个及行业资讯、深度分析、企业导购等为一体的综合性周刊。其中，与中国计量科学研究院合力打造的比特实验室可以为商业用户提供最权威的采购指南。是企业用户不可缺少的智选周刊！
比特网络周刊向企业网管员以及网络技术和产品使用者提供关于网络产业动态、技术热点、组网、建网、网络管理、网络运维等最新技术和实用技巧，帮助网管答疑解惑，成为网管好帮手。
服务器周刊
比特服务器周刊作为比特网的重点频道之一，主要关注x86服务器，RISC架构服务器以及高性能计算机行业的产品及发展动态。通过最独到的编辑观点和业界动态分析，让您第一时间了解服务器行业的趋势。
比特存储周刊长期以来，为读者提供企业存储领域高质量的原创内容，及时、全面的资讯、技术、方案以及案例文章，力求成为业界领先的存储媒体。比特存储周刊始终致力于用户的企业信息化建设、存储业务、数据保护与容灾构建以及数据管理部署等方面服务。
比特安全周刊通过专业的信息安全内容建设，为企业级用户打造最具商业价值的信息沟通平台，并为安全厂商提供多层面、多维度的媒体宣传手段。与其他同类网站信息安全内容相比，比特安全周刊运作模式更加独立，对信息安全界的动态新闻更新更快。
新闻中心热点推荐
新闻中心以独特视角精选一周内最具影响力的行业重大事件或圈内精彩故事，为企业级用户打造重点突出，可读性强，商业价值高的信息共享平台；同时为互联网、IT业界及通信厂商提供一条精准快捷，渗透力强，覆盖面广的媒体传播途径。
云计算周刊
比特云计算周刊关注云计算产业热点技术应用与趋势发展，全方位报道云计算领域最新动态。为用户与企业架设起沟通交流平台。包括IaaS、PaaS、SaaS各种不同的服务类型以及相关的安全与管理内容介绍。
CIO俱乐部周刊
比特CIO俱乐部周刊以大量高端CIO沙龙或专题研讨会以及对明星CIO的深入采访为依托，汇聚中国500强CIO的集体智慧。旨为中国杰出的CIO提供一个良好的互融互通 、促进交流的平台，并持续提供丰富的资讯和服务，探讨信息化建设，推动中国信息化发展引领CIO未来职业发展。
IT专家新闻邮件长期以来，以定向、分众、整合的商业模式，为企业IT专业人士以及IT系统采购决策者提供高质量的原创内容，包括IT新闻、评论、专家答疑、技巧和白皮书。此外，IT专家网还为读者提供包括咨询、社区、论坛、线下会议、读者沙龙等多种服务。
X周刊是一份IT人的技术娱乐周刊，给用户实时传递I最新T资讯、IT段子、技术技巧、畅销书籍，同时用户还能参与我们推荐的互动游戏，给广大的IT技术人士忙碌工作之余带来轻松休闲一刻。2016年国内投资人为VR狂热的氛围还未散尽，转眼，谷歌就用一场“历史重演”——围棋人机大赛将人们的目光聚焦在了人工智能。2017年AWE（中国家电及消费电子博览会）上，展馆以往满眼的VR眼镜体验区也已经被“人工智能”演示所占据。这是技术的魅力，也是技术的冷酷。就目前而言，人工智能所谓的智能依旧是关键词索引的方式，机械地去“理解”用户，并非是我们人类这样地认知理解。技术可以让机器处理大量的数据信息，但是要让机器学会像人一样理解语义，图像，知道人想要什么，这条路会非常艰辛，这也是人工智能面临的最大挑战与难点。
AI让物联网更智能
人工智能可以应用于智能家居、智能家电、智能楼宇、工业制造、新能源、煤改电等领域，产生巨大的商业价值。目前，机智云与人工智能最实际的应用便是对接
两会人工智能首次被写入政府工作报告， 科技部部长万钢表示，中国人工智能创新发展规划即将出台，同时国内外巨头在相关领域的布局案例不胜枚举。受数据、信息化、需求、政策
目前我国物联网产业发展相对平稳和理性，与过去相比，人工智能技术的突飞猛进让物联网变得更智慧，业务更丰富，这是与过去相比最大的区别也是最有意义之处。
物联网凸显ＡI价值
科技物联网是一个非常重要连接多个领域的颠覆性。以前的科技我们通常不会像物联网这样将这么多领域链接以前产生巨大的资料处理与智能化的变革。根据Gartner的说明，每一天有五百五十万个新事物被链接;到2020年将有两百一十亿的元件链接以前分享数据。其中的关键就是物联网智能相关技术，它也是业内专家认为的工业4.0的驱动科技。虽然在中国不缺理论，但是至今为止还缺乏实际智能化应用物联网的清楚架构与说明，本文的目的就是提供一个清楚的架构，智能化的核心技术的需求与应用。若要真实实现工业4.0、中国制造2025、智能零售、智能健康保健等境界当然还得由在ABC(AI人工智能、Big data大数据、云计算)领域有多年前沿科技产品设计与开发经验的团队来接地气来帮助成就尔等伟大的梦想。
从AlphaGo到Master，人工智能（AI）再次被推上了科技界的风口浪尖。在人工智能成为全球IT巨头最新角斗场的今天，家电行业也掀起了人工智能的热潮，几乎所有的家电厂商都立足“Smart Home”，将人工智能和智慧家庭更紧密的结合在一起。然而，厂商的蜂拥并不代表产业已经成熟，在人工智能这条路上，家电厂商仍在摸索中前行。尽管初期人工智能家电的用户体验很难做到完美，但通过不断的更新迭代，2017年人工智能在家庭中的应用有望走向爆发的临界点。
在某个物联网场景下，人工智能可以帮助企业处理数十亿数据点，将数据分析归纳，提炼出有意义的信息。人工智能在零售业的应用也是如此——整理并分析收集的数据，从中找出可供学习的规律和共同点以做出更好的决策。为了找出潜在问题，要根据数据是否为常态数据进行分析。基于实时数据流，数据间的共同点、联系和异常都必须尽快识别。将收集的数据，利用人工智能的分析，在智能自动化、预测分析和积极干预的帮助下，使得生活更加轻松。到2018年，将有60亿部联网的设备需要物联网的支持，这意味着届时战略、技术和流程必须给予必要的反馈。到那个时候，连接的设备已经更像是消费者或消费者服务，本身而非「物」。而在大量联网设备和传感器的压力下，物联网对人工智能的需求会更加突出。
AI+IOT给人无限想象
我告诉人们要相信这事一定会发生。在座没有举手的人，你们要知道，这一天的到来就意味着电脑，或者说人工智能要超过人脑。我相信在未来30年这一天就会到来，就会成为现实。当这种超级智能嵌入机器人之中，就是智能机器人。尽管我们现在也有很多智能的东西，比如电脑、智能手机等，但这些东西都不能动。如果超级人工智能嵌入到可动的设备中，也就是机器人，那么我们的生活将发生巨大的改变。
有了AI，这些设备将能改变它们应用的范围。就像人类可以慢慢适应陌生的环境，即使较小的物联网设备也可以与AI机器相适应。两只相近的智能手机可以相互学习，它们能够运行自己的AI机器，并能分享自己程序的逻辑块，来加速学习。比如，它们可以相互学习如何保持电池的寿命。
Copyright(C)2005- 版权所有 未经许可 请勿转载