来自 网络 2021-11-08 17:14 的文章

网站防御_cdn高防原理_新用户优惠

网站防御_cdn高防原理_新用户优惠

"在未来几年里,技术和社会的最重要发展之一很可能是智能机器取代人工劳动。"这就是《竞争分析》一书的作者汤姆达文波特(tomdavenport)为德勤(Deloitte)撰写的一篇关于认知技术的新文章。达文波特在这篇文章中关注的不是技术,而是人类在"仿生大脑"时代如何保住自己的工作。正如他所说,"我们需要找出智能人类能够增强智能机器工作能力的方法,反之亦然。"作为制造下一代智能机器的人之一,我接受他的观点。我毫不含糊地相信,智能机器确实并将增加人类的工作。但我不认为这是人与自动化之间的竞争。智能机器不是问题所在。问题是机器还不够智能。这就是我团队研究工作的重点:做越来越好的分析,如何起到防御ddos,使机器变得更智能,为我们所有人带来更大的利益。以下是我们让智能机器变得更智能的三种方法。自适应模型-从结果中学习自适应模型正是它听起来的样子——一个边走边学的模型。从技术上讲,ddos攻击防御系统代码,这是一个分析层,可以"栓接"到传统的神经网络上,比如我们用来检测欺诈行为。这一层的加入使欺诈检测对实时变化的欺诈模式更加敏感,从而能够实时调整以更快地响应新方案和新趋势。自适应层的响应来自于动态特征选择和加权。根据最近对所提及的欺诈案件的处理——换言之,ddos无限防御,关于实际确定何种异常活动为欺诈的反馈回路——模型从候选变量的超集中选择相关特征,其中可能包括基本神经网络模型未使用的新特征。根据当前正在进行的更智能的功能调整模型之间的关系。自校准模型-适应新情况FICO开发了一项专利技术,用于检测"命令和控制"关系中的可疑行为,例如在受恶意软件感染的计算机上的"bot"和某个发出命令的服务器上的"bot master"之间。这个概念类似于大脑如何通过突触控制身体及其活动。该模型不仅发现恶意软件用于连接到命令和控制基础设施的已知模式,而且还确定了异常的计算机行为活动。为了在网络安全方面做到这一点,我们使用了一种多层自校准离群值模型,这是我们已经部署用于FICO欺诈检测的技术。如下图中的高级图表所示,此分析架构类似于神经网络。这是一个隐藏层,在这里,数据变量特征之间的加权连接被建立、调整和测试。自校准模型体系结构来源:FICO Insights白皮书,"AI+大数据=业务收益吗?"不同的是,在这个隐藏层中,ddos攻击技术与防御方法研究,节点是并行工作的自校准异常值模型。每种方法都以不同的方式连接变量特征,以检查它们之间的不同关系,然后对这些关系进行评分,看它们有多不寻常(例如,与对等组相比,异常值有多大)。然后将这些分数融合成一个总得分,表示相对威胁水平。多层自校准离群值分析的优点是需要较少的标记数据用于模型开发。自校准模型不再需要经过数月的历史数据训练来识别数据特征的正常值和异常值,而是从事务流中实时推断这些值。这种动态学习的能力使其在历史数据可能不存在的新应用程序、可用数据质量可能较低的市场以及行为快速变化的任何环境中都非常有效。这些模型可以处理零历史数据,动态学习特征分布和变量之间的联系,从而对行为异常进行排序,使其基于流经这些异常的数据具有强大的自学习能力。自组织遗传算法-进化一个物种基于强化学习方法的自组织遗传算法可以应用于网络安全和其他商业领域。这与自然选择有很强的相似之处——事实上,我们可以用蚁群的比喻来描述这项技术是如何工作的。一般的想法是,一组愚蠢的软件代理(如单个的蚂蚁)与他们的环境交互,并围绕一小组成功标准进行奖励或惩罚。随着代理人开始规划各种相互关联活动的风险,成功行为的"基因"逐渐浮现。那些成功基因很少的人得到一个较低的"适应度"得分并死亡,而那些有许多成功基因的人得分很高,可以繁殖或与其他高分试剂结合。这样,团队的整体表现就会提高。自组织遗传算法如何学习来源:FICO Insights白皮书,"AI+大数据=业务收益吗?"因为环境在变化,代理不仅根据他们当前最好的"世界地图"以最佳方式行动,他们还进行实验。利用概率,他们在最佳策略和相关基因上做出细微的变化,当他们得到奖赏和惩罚时,ddos防御采购,从这些实验中学习并适应不断变化的适应环境。这三种技术不仅使机器变得更智能——它们使人类的主人更加成功。(如果这个词冒犯了任何阅读此博客的机器,我深表歉意。)在我关于这个主题的下一篇文章中,我将讨论我们如何训练分析来培养一种基本的人类特质:好奇心。有关更多信息,请参阅Insights论文"AI+大数据=业务收益吗?"