分類
人工智慧

大數據和人工智慧危害網路安全的未來?

隨著物聯網設備的發展,各種裝置都可以連上網絡,使得阻斷服務攻擊 (DDoS)、勒索病毒、惡意軟體、網路釣魚等網路安全威脅日益新增。此外,網路攻擊變得更加複雜,新型惡意軟件的變種更是層出不窮。網路安全廠商 Watchguard 在2020年第一季發表的網路安全報告就指出,許多惡意軟件都是經過加密的,使其難以檢測及防禦。

然而,這可以借助大數據和人工智慧 (AI) 的科技來解决上述的問題。人工智慧可協助分析從各種設備收集到的大量數據,以實現實时威脅偵測,並可檢測更複雜的安全性漏洞,以强化對潜在威脅的防禦。以 DDoS 攻擊為例,可以事先在網絡上布建攻擊偵測器來收集網路流量等數據,通過人工智慧分析出特定的威脅模式,就能在 DDoS 發動攻擊前偵測到异常,以立即封鎖可疑的威脅。

 

了解人工智慧、機器學習、演算法、及大數據各自出現在上述案例的何處

1. 演算法:整套的計算流程可稱作蒙地卡羅求面積的演算法。

2. 機器學習:可以發現電腦學會用蒙地卡羅求面積,並且不再受限既定的幾何圖形,進步到可以計算任意圖形。

3. 大數據:可以發現當丟丟看的次數過少時,機率會不夠精準,而丟的越多次,機率就會越正確。同時也可發現只有電腦可以執行多次的快速運算,在數量及速度都遠勝於人類。

4. 人工智慧:我們讓電腦學會一個人類做不到的求面積方式,不正代表電腦有其特殊的智慧。

【為什麼早期不用蒙地卡羅法】

理由很簡單,早期沒有運算能力夠強的電腦來執行大量的反覆丟看看的運算,而現在可以,我們讓電腦學會計算任何圖形面積的方式,這就是機器學習,不就代表電腦可以獲得智慧,而且比人類更有效的計算出面積,幫助人類節省時間。

為什麼要特別討論蒙地卡羅法?因為現有的積分技巧都是建立在可以把曲線化為函數,再去進行積分運算,或進行數值分析(切長條)。而蒙地卡羅法的好處就是將要討論的圖案拿來直接做丟丟看的機率計算,就可以得到面積,所以蒙地卡羅法才如此重要。

類似的概念早在阿基米德時期就已經存在,就是排水法,我們不用把完整的物體切片算體積,只要計算水位上升多少就可以知道體積。也就是不用管原本的形態,直接找到接近的答案。換言之這也就是現在的黑盒子模式(Black box)。

以往網路安全較為著重被動安全,而通過大數據和人工智慧科技可以化被動為主動,預測攻擊者即將發動的威脅,並事先採取主動措施,封锁攻擊的發生,或減緩攻擊發生造成的風險。

當然,日常上網時的網路安全措施也非常重要。除了安裝殺毒軟體之外,上網時使用 VPN 可以保護裝置中的數據和上網活動不被有心人士存取,能進一步保護隱私和安全。

※本文章屬於TNZE天擇集團所有嚴禁轉載※

分類
人工智慧

搶進人工智慧AI市場 奇景攜手Edge Impulse

Edge Impulse共同創辦人兼首席執行長Zach Shelby表示,嵌入式機器學習在工業、企業和消費者應用上機會無窮無盡,讓客製化及數據驅動化(Data-driven)的價值展現出來,Edge Impulse 結合奇景AI處理器和視覺全時感測器,使能嵌入任何地方的極低功耗機器學習得以實現,為這些市場帶來重大的改變,為客戶帶來新的價值與商機。

奇景光電執行長吳炳昌表示,奇景和Edge Impulse 聯手幫助開發者,提供免費、高資通安全、高隱私安全以及易於使用的嵌入式AI推理開發工具,創造嶄新的用戶體驗,Edge Impulse 簡化了神經網絡的創建,容易上手 ,能在奇景各式產品上,包含AI 處理器和全時感測器,以超低功耗運行。

如果今天不是沒有AI數據,而是數據很多,又該從何下手呢?

我建議,嘗試減少訓練AI人工智慧時的「 數據大小 」和「 數據筆數 」。

過去曾經處理過一個AI專案,數據多達2億筆。第一次實驗,把數據全部餵進AI模型,取得結果。第二次,只拿其中有代表性的500萬筆出來訓練人工智慧。

猜猜結果如何?兩次實驗的表現,只差異不到1%。

所以,如果企業對於AI數據的品質和數量有一定程度的自信根據,其實不用把數據全部餵進AI模型訓練(Model Training),只用有代表性的AI數據來訓練就可以了。市面上很多常見的AI工具(Cluster),可以做到這點,幫助省時省力。

AI數據小學堂:模型指標(metrics)

在做模型實驗時,通常會用混淆矩陣(Confusion Matrix)的四種指標:TP(True Positive)、TN(True Negative)、FP(False Positive)、FN(False Negative),以及Count、Unique和Accuracy等等函數,來判斷這個模型的表現好不好。

P或TN值,代表模型辨識的答案正確,和預期結果一致。例如:模型正確判斷出「這是一隻貓」、「這不是一隻貓」。而FP或FN值,則代表模型的判斷錯誤,例如「明明是貓,模型卻說不是貓」、「明明不是貓,模型卻說它是貓」。

※本文章屬於TNZE天擇集團所有嚴禁轉載※