如何才能減少安全風險，為云主機、終端主機帶來全方位的保護呢？ 杰思安全認為，機器學習（ML）是抵御當前威脅的一道高效防線。從種種網絡主機入侵事件中，不難發(fā)現惡意軟件通常是破壞性攻擊的先兆和跳板。在過去的一年里，40％的安全事件是由傳統防病毒（AV）方案沒有檢測到的惡意軟件造成的。這意味著依賴傳統安全方案的企業(yè)很容易受到未被檢測到的惡意軟件的入侵。而經過科學訓練的機器學習引擎則可以對這種未知惡意軟件說不。
惡意軟件為何會繞過傳統AV？
傳統的AV在很大程度上依賴于簽名庫或病毒特征碼來識別和阻止惡意軟件。這意味著要想攔截惡意軟件，首先需要發(fā)現新的惡意軟件并創(chuàng)建相應的特征簽名，將該簽名分發(fā)部署到端點。在此過程中，在惡意軟件首次出現、創(chuàng)建特征簽名并且使得特征簽名可用之間打開了時間窗口。這一時間差使得攻擊者有足夠的時間發(fā)起攻擊并得逞，或竊取以后可以加以利用的數據。
當下，攻擊者不斷利用新技術來繞過反惡意軟件的安全保護措施。比較常見的技術是將已知惡意軟件修改或變形為0day變體，沒有與之匹配的特征簽名。為了實現這一目標，攻擊者會不斷變化或混淆惡意軟件的真實面目，使用諸如打包程序之類的工具。通過這樣簡單的技術，就能輕而易舉地逃避檢測�，F在，每天都會出現大約390,000多個新的惡意軟件，傳統基于簽名的技術，根本無法應對數量如此龐大的新惡意軟件。
ML是對惡意軟件的更好防御
反惡意軟件解決方案能有效檢測已知惡意軟件，但是對于未知威脅或0day 攻擊則無能為力。要想防止未知或0day惡意軟件，則需要引入ML。這便是ML最有價值的地方。
ML是基于文件的屬性來理解和識別惡意意圖，不需要特征簽名，也不需要執(zhí)行文件來觀察其行為。經過精心設計，ML可以成為抵御惡意軟件的極為有效的武器，檢測率高達99.5％。這使得機器學習成為任何有效端點解決方案的最低要求。杰思安全旗下的獵鷹主機安全響應系統，成功將安全研究團隊的經驗與高級機器學習功能相結合，能幫助客戶自動識別威脅，并立即采取響應行動。
杰思安全認為：企業(yè)主機防范惡意軟件的能力是其安全策略是否有效的標志之一 。無論云中的主機還是終端主機都承載了大量的關鍵數據和關鍵應用，是不法分子覬覦的攻擊目標。而ML能夠增加主機的主動防御能力，有效抵御0day攻擊，增強主機安全免疫力。不過僅依靠ML來保護端點的安全策略稍顯單薄，需要綜合實施包括ML在內的立體端點安全解決方案，結合各種互補技術，例如漏洞利用預防、行為分析、意圖分析，才能提升用戶防御各種類型攻擊的綜合能力。
