使用基于AI的网络安全更快地检测威胁

连接的用户和设备数量不断增加，导致整个网络上产生了大量数据。根据 IDC 预测，数据每年呈指数级增长，预计到 2025 年，全球将产生 179.6ZB 的数据 。这相当于每天平均产生 493EB 的数据。

所有这些数据和网络流量带来了网络安全挑战。企业正在产生的数据超过了他们所能收集和分析的数据量，而且传入的绝大多数数据都未得到利用。

如果不利用这些数据，企业就无法构建健壮且丰富的模型，并检测其环境中的异常偏差。无法检查这些数据会导致未被发现的安全漏洞、较长的修复时间，并最终导致公司遭受巨大的财务损失。

2021 年，每周的网络攻击企图惊人的增长了 50% ，网络安全团队必须找到更好的方法，从而保护这些庞大的网络、数据和设备。

为了解决网络安全数据问题，安全团队可能会实施智能采样（smart sampling）或智能过滤（smart filtering），他们要么分析数据子集，要么过滤掉被认为无关紧要的数据。通常采用这些方法是因为分析网络中的所有数据成本高昂且极具挑战性。

公司可能没有基础设施来处理或及时处理如此大规模的数据。事实上，平均需要 277 天来识别和控制一个漏洞 。为了提供针对网络威胁的最佳保护，快速分析所有数据会产生更好的结果。

NVIDIA Morpheus GPU 加速网络安全 AI 框架首次实现了实时检查所有网络流量的能力，从而以前所未有的规模解决网络安全数据问题。

使用 Morpheus ，您可以构建优化的 AI 流程（Pipeline）来过滤、处理和分类这些大量实时数据，使网络安全分析师能够更快地检测和修复威胁。

NVIDIA Morpheus 的最新版本为网络安全数据提供了可视化，使网络安全分析师能够更有效地检测和修复威胁。此前，网络安全分析师会检查大量原始数据，可能每周分析数十万个事件来寻找异常情况。

Morpheus 包括几个预构建的端到端工作流，用于解决不同的网络安全用例。 数字指纹（Digital fingerprinting）是预构建的工作流之一，旨在分析网络中每个人和机器的行为，以检测异常行为。

Morpheus 数字指纹预训练模型实现了高达 100% 的数据可见性，并为企业数据中心的每个用户、服务、帐户和机器提供唯一的指纹。当用户和机器活动发生变化时，它使用无监督学习来进行标记。

数字指纹工作流程包括精细可调的可解释性，提供突出显示异常的度量，以及确定何时应标记某些事件的阈值。两者都可以根据您的环境进行定制。

数字指纹现在还包括一个新的可视化工具，它可以向安全分析师提供关于偏离正常行为的洞察，包括偏离的方式以及与偏离相关的内容。分析师不仅会收到问题警报，还可以快速的深入细节，并确定一系列可操作的后续步骤。

这使组织在数据分析方面有了数量级的改进，有可能将针对特定攻击模式的检测威胁时间从几周减少到几分钟。

图 1 显示了 Morpheus 中数字指纹用例的可视化。这个例子着眼于大规模的网络安全数据：数以万计的用户，其中每个六边形表示一段时间内与用户相关的事件。没有人能跟踪这么多用户。

NVIDIA Morpheus 已经对数据进行了分析和优先级排序，因此很容易看出何时发现了异常。在可视化中，数据的组织方式是使最重要的数据位于顶部，颜色表示异常分值：深色较好，浅色较差。安全分析师可以轻松识别异常，因为它具有优先级，并且易于发现。安全分析师可以选择一个浅色六边形，并快速查看与事件相关的数据。

借助 NVIDIA Morpheus ，AI 执行大量数据过滤和缩减，在网络传播过程中呈现关键行为异常。它可以为安全分析师提供更多关于个别事件的背景信息，帮助将这些点与其他可能发生的不良事件联系起来。

以下视频显示了一个漏洞。有了Morpheus，您可以将每周发生的数以亿计的事件减少到每天 8 到 10 个潜在需要调查的事件。对于某些攻击模式，这将检测威胁的时间从几周缩短到几分钟。

Morpheus 包含的另一个预构建工作流就是敏感信息检测，以帮助查找和分类泄露的凭据、密钥、密码、信用卡号、银行账号等。

Morpheus 的敏感信息检测工作流现在包括一个基于可视化图形的解释程序，使安全分析师能够更容易地发现泄漏的敏感数据。在敏感信息检测的可视化中，您可以看到网络的表示，其中点是服务器，线是服务器之间流动的数据包。

部署 Morpheus 后， AI 推理将在整个网络中启用。敏感信息检测模型经过培训以识别敏感信息，例如 AWS 凭据、 GitHub 凭据、私钥和密码。如果在数据包中观察到其中任何一个，则显示为红线。

Morpheus 中的 AI 模型搜索每个数据包，在遇到敏感数据时不断标记。这不是使用模式匹配，而是使用经过训练的深度神经网络来概括和识别静态规则集之外的模式。

注意所有单独的行；你可以看到，人类很快就会被所有传入的数据淹没。使用 Morpheus 中的可视化功能，您可以立即看到代表泄漏敏感信息的线条。将鼠标悬停在其中一条红线上会显示有关凭证的信息，从而更容易进行分类和修复。

借助 Morpheus ，网络安全应用程序可以集成和收集信息，以实现自动事件管理和行动优先化。为了加快恢复速度，可以使用原始服务器、目标服务器、公开的凭据，甚至原始数据。

多进程管道线的支持使 Morpheus 能够支持新的网络安全工作流，可以智能地进行批处理以减少延迟。例如，具有深度学习和机器学习的网络安全工作流可能使用相同的数据，但具有不同的派生功能。集成最终必须结合在一起，但机器学习比深度学习快得多。Morpheus 现在可以在多条管道线中动态批处理，以优化端到端时间并最小化延迟。

使用 Morpheus ，网络安全从业者可以访问预构建的 AI 工作流，如数字指纹、敏感信息检测等：

• 加密挖掘恶意软件检测

• 网络钓鱼检测

• 欺诈交易和身份检测

• 勒索软件检测

Morpheus 使网络安全开发者和 ISV 能够构建基于人工智能的解决方案。它包括开发人员工具包和微调脚本，以便于将 Morpheus 集成到现有模型中。NVIDIA 还与领先的系统集成商合作，使任何组织都能利用基于人工智能的网络安全。

Morpheus 使企业能够更轻松地开发基于人工智能的网络安全工具，更好地保护数据中心。系统集成商和网络安全供应商正在使用 Morpheus 构建更先进、性能更高的网络安全解决方案，以供各个行业的组织使用。

Best Buy 在 NVIDIA DGX 上部署了 Morpheus，以提高钓鱼网站的检测能力并加速主动响应。他们为 钓鱼检测用例部署了 Morpheus ，使他们能够将可疑消息检测提高 15% 。

Booz Allen Hamilton 正在帮助更好地支持事件响应团队，特别是那些负责在战术边缘搜寻威胁的团队。他们已经开发了一个高度定制的、由 GPU 加速的 Cyber Precog 平台，该平台集成了经过优化的网络工具、人工智能模型和模块化流程，以便实现快速部署能力。

Cyber Precog 使用 NVIDIA Morpheus 框架构建，提供了一套初始的核心功能，以及灵活的软件结构，用于开发、测试和部署新的 GPU 加速分析，以进行事件响应。

在事件响应期间，运营人员可能必须在无法导出数据的情况下评估断开的边缘网络上的数据，因此他们可以随身携带一个不折不扣的 flyaway Kit 来安全地访问网络数据。

与基于 CPU 的解决方案相比，使用 NVIDIA GPU 和 Morpheus ，Cyber Precog 在数据接收和流程方面的速度提高了 300 倍，训练速度提高了 32 倍，推理速度提高了 24 倍。Booz-Allen 基准测试表明，单个 NVIDIA GPU 加速服务器最多可替代 135 个 CPU 专用服务器节点，为网络运营人员提供快速决策。

Cyber Precog 平台面向公共部门和私营企业客户使用。

CyberPoint 专注于在一系列网络安全用例中实现零信任，用于不同组织的数十个任务合作伙伴和网络，这使得分析极具挑战性。

提供基于 AI 的解决方案来识别威胁实体和恶意行为对于安全运营中心分析师来说至关重要，使他们能够专注于最突出的威胁。

使用 NVIDIA Morpheus ，他们建立了用户行为模型，以帮助分析师识别实时数据中的威胁。他们在 Morpheus 中开发了自己的阶段，以适应其用例，利用图形神经网络和自然语言处理模型，并将其与 Graphistry 集成，以提供用户和设备的 360 度视图。

通过使用 Morpheus ，CyberPoint 的网络安全工作流加快了 17 倍。

IntelliGenesis 有一个基于 NVIDIA Morpheus 的 flyaway kit，旨在与环境无关，可在边缘进行即时检测和修复。他们已经建立了一个企业解决方案来大规模进行基于人工智能的实时威胁检测。它可以定制，但足够简单，可以让任何级别的数据科学家或领域专家使用。使用 Morpheus 和 GPU 加速，他们立即看到性能的呈指数级增长。

Splunk 为 Splunk SPL 创建了一个 Copilot ，使用户能够用简单的英语来描述他们想要实现的目标，并获得建议的查询执行。Splunk 团队在 .conf22 上谈到了这一点，值得注意的是，听众中有许多机器学习工程师。反馈非常积极，表明我们今天只触及了 NLP 可以实现的表面。

乍一看，这似乎不像是一个网络安全项目。然而，在实现这一点时，他们能够识别敏感信息泄漏，这是 Morpheus 能够从数据中灵活获取洞察的一个很好的例子。使用 Morpheus ，Splunk 实现了 5-10 倍的流程加速。