网络安全任务和机器学习

让我们看看常见的网络安全任务和机器学习结合的机会，而不是查看ML任务并尝试将它们应用于网络安全。具体我们需要考虑三个维度（Why，What和How）。

第一个维度是目标或任务（例如，检测威胁，攻击预测等）。根据Gartner的PPDR模型，所有安全任务可分为五类：

1.        预测；

2.        预防；

3.        检测；

4.        响应；

5.        监测。

第二个维度是技术层和“什么”问题的答案（例如，在哪个级别监控问题），以下是此维度的图层列表：

1.        网络（网络流量分析和入侵检测）;

2.        端点（反恶意软件）;

3.        应用程序（WAF或数据库防火墙）;

4.        用户行为分析（UBA）;

5.        过程（反欺诈）。

每个图层都有不同的子类别。例如，网络安全可以是有线、无线或云。请放心，至少在不久的将来，你不能将具有相同超参数的相同算法应用于两个区域。因为缺少数据和算法来找到对这三个区域都很友好的方法，因此可以将一个算法更改为不同的算法。

第三个维度是“如何”的问题（例如，如何检查特定区域的安全性）：

1.        实时检测；

2.        静态检测；

3.        历史查看；

例如，如果你要查看端点保护，查找入侵，则可以监视可执行文件的进程，执行静态二进制分析，分析此端点中的操作历史记录等。

有些任务应该从三个方面解决。有时，对于某些任务，某些维度中没有值。我们需要从其他维度来找到解决方法。这些通常很难详细介绍它们，所以我们关注最重要的维度-技术层。从这个角度看网络安全解决方案。

用于网络保护的机器学习

网络保护不是单一领域，而是一系列不同的解决方案，专注于以太网、无线、SCADA甚至SDN等虚拟网络等协议。

网络保护是指众所周知的入侵检测系统（IDS）解决方案。网络安全中的ML意味着称为网络流量分析（NTA）的新解决方案，旨在深入分析每层的所有流量并检测攻击和异常。

ML如何在这里提供帮助？有一些例子：

1.        回归预测网络数据包参数并与正常数据包进行比较；

2.        分类以识别不同类别的网络攻击，例如扫描和欺骗；

3.        聚类数据用于分析；

你可以在学术研究论文中找到至少10篇描述不同方法的论文。

更多资源：

1.        入侵检测机器学习技术；

2.        用于时间序列异常检测的长短期记忆网络；

3.        基于规则提取的高效入侵检测异常检测框架；

4.        网络异常检测技术综述；

5.        浅层和深层网络入侵检测系统：分类与调查；

6.        深度数据包：一种利用深度学习进行加密流量分类的新方法；

7.        入侵检测系统的性能比较及机器学习在Snort系统中的应用；

8.        入侵检测系统机器学习算法评估；

9.        基于LSTM的一类集体异常检测；

10.     基于递归神经网络的网络流量异常检测；

11.     计算机网络流量异常检测的序列聚合规则；

12.     IDS所有方法的大集合；

用于端点保护的机器学习

新一代的反病毒是端点检测和响应，建议***学习可执行文件或进程行为中的特征。

请记住，如果你在端点层处理应用机器学习，你的解决方案可能会有所不同，具体取决于端点类型（例如工作站、服务器、容器、云端、移动设备、PLC、物联网设备）。每种端点都有自己的细节，常见任务类别：

1.        回归以预测可执行过程的下一个系统调用，并将其与实际过程进行比较；

2.        将程序划分为恶意软件、间谍软件和勒索软件等类别的分类；

3.        聚类在安全电子邮件网关上进行恶意软件保护（例如将法律文件附件与异常值分开）；

关于端点保护和恶意软件的学术论文特别受欢迎。这里有一些论文：

1.        通过侵蚀整个EXE进行恶意软件检测；

2.        浅层深度学习：非域专家的恶意软件分类；

3.        TESSERACT：消除跨空间和时间的恶意软件分类中的实验偏差；

用于应用程序安全的机器学习

在app安全性中使用ML？用于静态和动态的WAF或代码分析？不得不提醒你一下，应用程序安全性可能有所不同。因为他们有很多应用场景：比如说有Web应用程序、数据库、ERP系统、SaaS应用程序、微服务等。在不久的将来，几乎不可能建立一个通用的ML模型来有效地处理所有威胁。但是，你可以尝试解决某些任务。

以下是使用机器学习实现应用程序安全性的示例：

1.        回归以检测HTTP请求中的异常（例如，XXE和s-s-rF攻击以及auth旁路）;

2.        用于检测已知类型的攻击（如注入（SQLi，XSS，RCE等））的分类;

3.        集中用户活动以检测DDOS攻击和大规模利用。

更多资源：

1.        自适应检测Web攻击中的恶意查询；

2.        恶意脚本的神经分类：使用JavaScript和VBScript进行的研究；

3.        URLNet：通过深度学习学习URL表示以进行恶意URL检测；

用于用户行为的机器学习

这类任务需求始于安全信息和事件管理（SIEM）。如果配置正确，SIEM能够解决许多任务，包括用户行为搜索和ML。然后，UEBA解决方案宣称SIEM无法处理新的，更高级的攻击类型和持续的行为更改。

如果从用户层面考虑威胁，市场已经接受了需要特殊解决方案的观点。

但是，即使***的UEBA工具也不包括与不同用户行为相关的所有内容。（域用户、应用程序用户、SaaS用户、社交网络、信使和其他应该监控的帐户）。

与常见攻击的恶意软件检测和训练分类器的可能性不同，用户行为属于无监督学习问题之一。通常，没有标记数据集以及要查找的内容。因此，为所有类型的用户创建通用算法的任务在用户行为区域中是棘手的。以下是公司在ML的帮助下解决的任务：

1.        回归以检测用户操作中的异常（例如，在异常时间登录）;

2.        分类以将不同用户分组以进行对等组分析;

3.        聚类以分离用户组并检测异常值。

更多资源：

• 使用扩展隔离算法检测异常用户行为；

用于进程行为的机器学习

进程区域是最后但并非最不重要的，在处理它时，有必要知道一个大致的业务流程，以便找到异常值。注意不同行业的业务流程可能有很大差异。你可以在银行和零售系统或制造厂中查找欺诈行为。两者完全不同，找到它们的不同需要很多领域知识。机器学习特征工程（将数据表示为算法的方式）对于实现结果至关重要。同样，特征在所有进程中都不同。

通常，进程行为也有任务示例：

1.        回归：预测下一个用户行为并检测信用卡欺诈等异常值;

2.        分类：检测已知类型的欺诈;

3.        聚类：比较业务流程和检测异常值。

更多资源：

• 信用卡欺诈检测技术综述：面向数据和技术的视角；
• 异常检测，工业控制系统：卷积神经网络；

机器学习网络安全书籍

如果你想了解有关网络安全中机器学习的更多信息，可以阅读以下书籍：

1.        Cylance的网络安全AI（2017）-对网络安全ML的基础知识的简短，而且有很好的实际例子。

2.        O'reilly的机器学习和安全（2018）-迄今为止关于这个主题的***书籍，但很少关于深度学习的例子，大多是一般的ML。

3.        Packt的渗透测试机器学习（2018）-不像前一个那么优秀，但有很多的深度学习方法。

4.        恶意软件数据科学：攻击检测和归因（2018）-从标题中可以看出，这本书主要关注恶意软件。它刚刚在撰写本文时发布，所以到目前为止我无法给出任何反馈。但我相信，这对端点保护团队的每个人来说都是必须的。 

结论

如果你想保护你的系统，机器学习绝对不是一个银弹解决方案。毫无疑问，可解释性存在许多问题（特别是对于深度学习算法）。另一方面，随着数据量的增加和网络安全专家数量的减少，ML是唯一的补救措施。它现在有效，很快就会执行。现在***开始做这些。因为请记住，黑客也开始在攻击中使用ML。

本文由阿里云云栖社区组织翻译。

文章原标题《machine-learning-for-cybersecurity-101》

作者：Alexander Polyakov 译者：乌拉乌拉，审校：。

文章为简译，更为详细的内容，请查看原文。