湛揚部落格

2018-05-29
Intercept X 結合了Deep Learning 深度學習 阻止當前和未來最廣泛的端點威脅
Intercept X 結合了深度學習與同級最佳漏洞利用攻擊防禦、CyptoGuard 防勒 索軟體、根本原因分析等,成為業界最全面的端點保護產品。這項獨特的技術 組合讓 Intercept X 得以阻止當前和未來最廣泛的端點威脅。
 
現今的許多安全措施都是被動式的, 而且太慢了。 隨著端點攻擊的數量和複雜度持續增 加,傳統方法一直在奮力掙扎才能勉強跟上腳步。例如,SophosLabs 每天分析超過 400,000 個新的惡意軟體樣本。讓因應此一挑戰更困難的是,SophosLabs 發現有 75% 的惡意軟體是針對單一組織而來的。
 
深度學習是一種先進的機器學習形式,有助於改變我們處理端點安全的方式,而引領變 革的正是 Intercept X。藉著整合深度學習,Intercept X 正在將端點安全從被動式轉變為 預防式,以防禦未知威脅。
 
深度學習對比其他機器學習類型
「Intercept X 使用了一個類似於人類大腦的深度學習神經 網路 ... 其對現有和零時差的惡意軟體都有很高的準確率, 並且誤報率更低。」
ESG Lab 報告,2017 年 12 月

 
雖然許多產品都聲稱使用機器學習,但並非所有機器學習的設計都一樣強大。在 Sophos,我們使用深度學習來偵測惡意軟體。深度學習亦稱為「深度學習神經網路」或「神 經網路」,其靈感來自於人類大腦運作方式。這也是臉孔辨識、自然語言處理、自動駕駛 汽車及其他電腦科學與研究先進領域中常用的同一種機器學習類型。

深度學習不斷超越其他機器學習模型,包括隨機森林 (random forest)、K-means 分群演 算法或貝氏網路 (Bayesian networks),但是需要大量資料和運算能力才能建立有效的模 型。在 Sophos,由於過去 30 年 SophosLabs 的惡意軟體收集和分析工作,以及我們每 天從 1 億多個端點收到的遙測數據,使得這一切變得很簡單。
 
相較於端點安全中常用的其他機器學習類型,深度學習具有一些先天優勢:
 
更聰明:深度學習透過多個分析層來處理資料,就像人類大腦中的神經元,每一層都讓 這個模型更加強大。它會分析不同輸入功能之間的複雜關係。這使它能夠自動發現最佳 的輸入組合和操控,而這是人類所無法做到的。這表示,Sophos 深度學習惡意軟體偵測 模型能夠偵測其他機器學習引擎忽略的惡意軟體。
 
更具可擴展性:深度學習可簡潔地擴展到數億個訓練樣本。有鑑於 SophosLabs 每週要 分析 280 萬個新惡意軟體樣本,這一點更形重要。因為能夠持續接收龐大的訓練資料,所以我們的模型可以「記住」整個可觀察到的威脅態勢,作 為訓練過程一部分。由於深度學習可處理更龐大的輸入,因 能夠更準確預測現今的威脅,並且隨著時間持續維持最新此狀態。
 
更輕巧:傳統的機器學習方式會導致龐大的模型,有時可能 需要好幾 GB 的磁碟空間;不過,Sophos 的深度學習方法 是高度壓縮的模型。Sophos 深度學習模型小得令人難以置 信,在端點上佔不到 20MB 空間,對效能幾乎毫無影響。
 
Sophos 深度學習功能
Sophos 採用業界最高效能的惡意程式偵測引擎,提供深度 學習專門範疇的產品與服務:
 
經驗豐富:與競爭對手不同,我們長期以來一直是網路安全 機器學習專家,而且多年來一直在生產環境中使用我們的惡 意軟件偵測深度學習模型。Sophos 惡意軟體偵測模型是由 我們資料科學家利用 DARPA 推動的技術所建立的。 2010 年,美國國防部高級研究計畫局 (DARPA) 建立了 Cyber Genome Program ( 網路基因組計畫 ),用以找出惡意軟體與 其他網路威脅的 “DNA”。這正是現在 Intercept X 內部演算法 的起源。
 
經過驗證:我們對自己的模型一直保持開放與透明。除了在 Black Hat 等業界會議上介紹我們方法的詳細資訊之外,我們 也不畏懼讓獨立的第三方測試我們的模型。我們的模型自 2016 年 8 月起,經過 VirusTotal 驗證,並且獲得第三方測 試者 ( 例如 NSS Labs) 的高評分。在所有情況下,它已經過 證明相當有效,而且誤報率很低。 
 
 「這是我們在效能測試中見過的最好成 績之一。」
AV-TEST 技術長 Mailk Morgenstern

 
 高效能:Sophos 深度學習技術快得令人難以置信。我們的 模型能夠在不到 20 毫秒內,從檔案中擷取數百萬個特徵、 進行深度分析,並確定其為良性還是惡意。這整個過程都在 檔案執行之前就完成。
 
SophosLabs:不論什麼模型,最重要的一點是用來訓練的 資料。我們的資料科學家團隊是 SophosLabs 小組的一部分, 他們可以存取數以億計的樣本。這讓他們能夠在我們模型中 建立最佳預測。這兩個小組的整合也造就了更好的資料標籤 ( 因此建立更優秀的模型 )。資料科學家團隊和威脅研究人員 之間,威脅情報與真實世界回饋的雙向共用,提升了我們模 型的準確性。

 「Intercept X 擋住了我們測試的每一 個複雜的進階型攻擊。」
ESG Lab 報告,2017 年 12 月
圖片


回上頁   |   下一則