来自 资讯 2021-07-17 10:06 的文章

高防IP_韩国高防服务器_免费测试

高防IP_韩国高防服务器_免费测试

我最近参加了一个安全小组,会上有人问小组成员,如果有的话,哪些领域或方法被夸大了。小组成员之一,有效的ddos防御方案有哪些,硅谷一家知名初创企业的首席信息官,说"机器学习"。如果一个供应商进来,开始谈论他们如何使用机器学习,我就开始退出。"之后不久,我向一位知名分析师介绍了Agari的新企业保护产品。正如我描述我们利用机器学习的方法时,山石防火墙防御内网ddos,他说"好像你在煮沸大海。为什么不使用一套简单的规则?"我相信CISO和分析师都对营销安全解决方案中"机器学习"一词的过度使用,有时甚至被滥用做出了反应。许多供应商使用机器学习或更广泛的数据科学领域,试图将一定程度的复杂性和复杂性与其产品联系起来,有时利用行话来掩盖其方法的约束或限制。虽然与机器学习相关的底层技术可能很复杂,cc防御多少ip每小时,但主要目标相对简单-使用一组已知示例(例如已识别的攻击)来训练一个通用模型,该模型可以估计先前未知示例(例如新攻击)的值或判决。今年早些时候,我在伦敦的eCrime大会上做了一个演讲,重点是揭开机器学习(ML)在安全解决方案中的应用,并帮助安全购买者做出明智的决策。演讲的第一部分集中讨论了任何(有监督的)机器学习过程的核心部分:特征-一组识别特征,最能代表你试图建模的东西…或者有时你试图区分的东西。如果您正在查看网络流量,这些特性可能包括吞吐量、端口使用稳定性、平均数据包大小以及其他许多特性。选择用于机器学习的特性,以及它们区分不同类的能力(例如合法流量和恶意流量)是ML过程的关键部分。训练集-你想要识别的不同类的例子集合(或语料库)。例如,传统的反垃圾邮件解决方案将有大量的"垃圾邮件"(坏邮件)和"火腿"(好邮件)用于培训。大多数ML算法的一个关键要求是训练集被"标记"——每个例子都需要被正确分类,这样算法才能正确地从这些例子中学习如何分类。算法-从训练中建立一个通用模型的统计技术举例来说生成的模型本质上可以看作是一个公式,它利用任何单个示例的特性并为该示例生成一个结论、一个类或一个值(例如,它是合法的电子邮件还是恶意的邮件)。识别复杂度和复杂度各不相同的ML算法和调整算法。准确性–衡量模型在区分您要识别的不同类方面的能力。准确度通常是在测试集上或在现实世界中测量的,虽然有多种精度度量,但通常会测量误报率(即安全上下文中的假警报)和假阴性率(即成功通过的攻击)。传统的有监督机器学习过程包括选择特征、收集标记的训练集、选择和调整训练模型的算法以及在测试集上测量结果精度。如果精度测量是可以接受的,那么你就有了一个可以放在野外的模型。如果没有,您可能需要选择更多或不同的特性,1g带宽防御ddos,收集更好的训练示例,调整或替换您的算法,并反复这样做,直到精度度量满足您的期望。虽然机器学习的艺术(有时对"伏都教"科学的理解)是这个迭代过程中正确的选择和调整,但这种基本方法是直接和一致的。特征、训练集、算法和精度的核心组件可以用来理解、分析和评估任何基于机器学习的安全解决方案。下周,我将发布一个后续博客,介绍如何应用这个框架来评估机器学习的主张,从而就安全解决方案做出更好、更明智的决策。如果您有兴趣了解更多信息,请不要错过我们6月23日的网络研讨会:安全中的机器学习:检测供应商噪音中的信号。

,ddos无视防御