以毒攻毒 利用自動化對抗自動化
自治惡意軟件造成的破壞，可能會帶來毀滅性影響。
公司企業和消費者，都想能夠更方便更及時地，從越來越復雜的互聯設備及網絡，獲取個性化的信息及服務。這是這種需求，驅動了我們經濟的數字化轉型。
訪問個人及財務信息的在線設備增加，虛擬及多云環境蔓延，以及萬物互聯的膨脹——從車輛、家居、辦公及工業中的IoT設備軍團和關鍵基礎設施，到智慧城市的興起，共同為網絡罪犯創建了新的破壞機會。想要獲得成功的公司，不僅僅需要領先消費者和雇員一步，還得走在想要利用這些新機會的犯罪分子前頭。
黑帽自動化
網絡罪犯已經開始在其攻擊戰術、技術和規程(TTP)中利用自動化和機器學習了。利用自動化前端挖掘信息和漏洞，結合基于人工智能(AI)的分析在后端關聯盜取的結構化及非結構化大數據的攻擊，已經進入我們的視野。此類數據密集型攻擊策略的問題，在于需要大量計算能力。為什么網絡罪犯要利用盜取的云服務和公共基礎設施，來發起并管理其攻擊行動，精煉其惡意軟件工具?這就是原因。
安全提供商和研究人員也在用機器學習和沙箱工具分析惡意軟件。所以，網絡罪犯沒有任何理由不用同樣的方法來自動標定網絡、發現目標、確定設備或系統弱點、執行虛擬滲透測試，然后使用指紋識別和曬圖之類的技術，建立并發起定制攻擊。事實上，我們正在見證第一波自動化產生基于此類信息的定制代碼，以更高效攻擊脆弱目標的攻擊嘗試。
這并非科幻小說。數年前，多態惡意軟件就已經在用學習模型繞過安全控制了，且每天能產生百萬個病毒變種。但截至目前，這些變體并不怎么高端，也不怎么受控。然而，下一代多態惡意軟件，就將能夠打造定制攻擊，而不僅僅是基于靜態算法的簡單變形了。他們將引入自動化和機器學習，針對特定目標建立上千個定制攻擊。
以毒攻毒
對惡意軟件及網絡犯罪技術發展的一大關鍵響應，就是“專家系統”的開發。專家系統，就是使用AI技術解決復雜問題的一系列集成軟件及經編程設備的集合。當前就有專家系統使用知識數據庫來提供建議、進行醫療診斷，或者做出關于證券交易的明智決策。
專家系統的成功，取決于不同系統協作解決復雜問題的能力。它們要能夠共享關鍵情報，支持可自動協同工作的安全架構，以鑒別并阻止高級威脅。除了在通用安全協議下集成多云及移動設備，未分隔網絡及不安全網絡也需要同時主動監視并保護起來。這意味著，需要識別出孤立的安全設備，并用可組成更復雜更集成更自動化的系統的設備替換之。
最大的挑戰往往是安全中的最后一公里——找出自動化關鍵安全功能的意愿和方法，比如庫存管理、補丁及替換、強化系統、實現雙因子身份驗證(2FA)。問題就在于，該復雜、多云生態系統，以及橫跨物理及虛擬環境的超級集成網絡，讓上述基本安全操作極端難以達成。因此，使用集成專家安全系統和自動化過程，替代當前靠人工完成的日常工作及基本安全功能，就顯得非常重要了。而這項工作，顯然落在了AI及自動化技術上。它們需要能夠做到：
- 對當前接入網絡的所有設備保有庫存清單，分析并確定設備漏洞，對設備應用補丁和更新，標記需替換的設備，在更新或替換可用前自動對脆弱設備應用安全協議或IPS策略。還要能夠隔離被感染設備，以阻止感染蔓延，并啟動緩解修復過程。
- 設備錯誤配置，是公司企業面臨的另一個巨大問題。專家系統需能自動審查并更新安全設備及網絡設備，監視它們的配置，在無需人工干預的情況下，隨網絡環境變化而做出恰當的改變。
- 自動化系統還需能夠根據信任等級和入侵指標(IoC)來劃分設備，并動態分隔流量，尤其是來自日漸增多的IoT設備的流量。且即便在最靈活多變的環境中，該操作也要能近實時達成。很快，自動化就可使入侵時間與防護時間的差距縮小到毫秒級，而不是目前的小時級或天級，并能成功應對攻擊的進化演變，人類應該可以解脫了。
未來幾年，隨著自動化和可作出自治或半自治決策的工具的使用，我們將看到攻擊界面的延伸擴展。一旦AI和自動化無需人工交互就可自主發展，自治惡意軟件導致的大規模破壞，就可能造成災難性后果，永久重塑我們的未來。
為滿足這些變化的需求，安全速度及規模將要求自動化安全響應和人工智能的應用，發展并精煉自學習，以便網絡可有效地做出自治決策。我們當前偶然產生的網絡架構，就可以被特意設計的版本所替代，不僅能頂住重大持續攻擊，還能自動適應現在和未來的發展。
