0
  • 聊天消息
  • 系统消息
  • 评论与回复
登录后你可以
  • 下载海量资料
  • 学习在线课程
  • 观看技术视频
  • 写文章/发帖/加入社区
会员中心
创作中心

完善资料让更多小伙伴认识你,还能领取20积分哦,立即完善>

3天内不再提示

全球首款能够利用自学习深度神经网络且本地部署的网络安全分析产品

倩倩 来源:中国IDC圈 2020-03-10 15:59 次阅读
加入交流群
微信小助手二维码

扫码添加小助手

加入工程师交流群

提供全面,集成,自动化网络安全解决方案的全球领导者Fortinet(NASDAQ:FTNT),今天正式发布FortiAI,全球首款能够利用自学习深度神经网络(DNN)且本地部署的网络安全分析产品,能够快速缓解威胁,并处理传统情况需要人工执行且耗时的安全分析任务。FortiAI的Virtual Security AnalystTM (虚拟安全分析师)嵌入了业界最成熟之一的网络安全人工智能,由Fortinet FortiGuard实验室开发,直接部署到用户网络中,向用户交付亚秒级高级威胁检测与事件分析溯源能力。

Fortinet 首席营销官兼产品执行副总裁John Maddison指出:“Fortinet在FortiGuard实验室投入了巨大的资源,来实现基于云网络的分发和产生AI驱动的威胁情报,让我们能够更快速更精确的检测到更多威胁。FortiAI获得了全部的FortiGuard实验室所积累的知识与经验,并将其部署到用户本地。这种方式让客户直接在其自己的环境内获得了FortiGuard实验室强大的安全研究与分析能力,通过自学习AI来识别,分类和调查复杂威胁,这一切在一秒内即可完成。”

企业在面临一场漫长而艰难的战役

安全架构师在进行威胁发现、分析与溯源的过程中,面临着众多挑战,包括:

网络犯罪在变得愈发复杂。尽管传统网络威胁持续存在,由人工智能、机器学习和开源社区加持的高级复杂攻击也在快速增长。结果就是,组织与其安全防线的升级难以跟上威胁发展的节奏。

攻击平面在持续扩张。成百上千万的新应用,持续增长的云用量,不断增长的终端设备数量,创造了数以十亿计的网络边缘,这些边缘都需要安全团队进行妥善的保护和管理。组织中的这些潜在威胁入口,成为了安全新挑战。

安全团队由于缺乏网络安全技能而在工作中受到制约。网络安全产业面临技能短缺的现状,这也成为组织中很重要的一个安全威胁。由于不具备足够的专业技能来妥善对日益快速增长的攻击和恶意文件进行甄别、分类、调查和响应,因此在潜在或现实层面上,让网络攻击者更容易突破传统安全流程和工具构建的防线。

自学习AI帮助组织有力应对威胁

为了解决安全专家如今面临的上述挑战,Fortinet推出了FortiAI Virtual Security AnalystTM (虚拟安全分析师)来加速威胁防御与处置。FortiAI能够处理众多耗时且需要安全专家人工进行的任务,节约安全专家的宝贵时间,让他们处理更加有价值的安全任务。一旦将FortiAI部署到组织的网络中,其自学习能力让自己持续进化,变得更智能,成为组织的贴身AI安全分析师。

FortiAI结合了深度学习和深度神经网络,能够模拟人脑的神经元来处理复杂决策,对所部署在的组织中发现的特定威胁进行科学分析。随着FortiAI的人工智能持续成熟,强大,组织将会获益于拥有FortiAI虚拟安全分析师带来的对威胁应对的高效转变。

FortiAI平衡了攻防对抗的环境

Fortinet的深度神经网络(DNN)让FortiAI颠覆了传统威胁防护的方式:

自动化执行需要人工处理的耗时工作,如实时进行威胁识别,分类和事件调查:组织使用的传统安全流程结合有限的安全专业人力让他们难以实现对每个威胁告警的深入调查。这带来了更多的风险,包括由于响应速度慢带来的不必要数据泄露和安全事故。FortiAI使用DNN来自动化进行事件调查,包括识别威胁及其在网络中的移动轨迹,追溯初始感染者和后续一系列感染情况,这一切都在1秒内即可完成。

转变安全处置流程,以立即检测和响应攻击:通过科学分析威胁特征和产生精确判定来加速威胁响应,FortiAI虚拟安全分析师可以显著降低组织暴露给攻击者的时间。

提供定制化的威胁情报来大幅度降低误报:误报是安全分析师在做事件调查时最为头痛的问题之一,也让安全分析师在甄别是否是真威胁上花费了更多时间。通过定制化的威胁情报,FortiAI可以立即使用其新学习到的恶意软件特征来甄别新攻击,以此降低误报。

为无法联网的环境也提供同样先进的保护能力

FortiAI的另一个关键特点就是其提供了本地部署的AI平台,能够完整功能工作在组织的网络环境中,即使这个网络环境无法连接互联网。工业环境,政府,金融,和一些大型企业有着很严格的合规要求或者安全策略和规范,限制其网络连接互联网。FortiAI的自学习AI模型不需要互联网连接进行更新,也可以进行自学习和持续进化,让组织的封闭网络环境或有严格安全策略控制的网络中也能持续对抗高级威胁。

Fortinet AI驱动的技术实现自动化威胁防御

Fortinet在使用人工智能技术帮助客户强化安全态势方面有着很长的历史。除了最新的FortiAI以外,一些Fortinet已经向市场提供的服务和产品中也以不同方式使用了AI,比如最小平方优化和贝叶斯概率度量:

FortiGuard 威胁情报:FortiGuard实验室使用的是Fortinet最成熟的人工智能系统-自演进式检测系统(SEDS),以机器的速度和性能执行以往由人工操作的恶意软件分析,每日分析超过1000亿安全事件,并将产生的威胁情报通过FortiGuard实验室全球分发网络推送给所有拥有安全订阅服务的Fortinet产品,包括旗舰产品FortiGate下一代防火墙。

FortiSandbox:Fortinet是第一家将AI引入到沙箱技术来自动进行入侵防御的安全厂商。FortiSandbox含有两种机器学习模型:静态分析和动态行为分析,来检测未知威胁。即使在面对持续进化和变种的恶意软件时也能始终保持极高检出率,比如对抗勒索软件和加密劫持。

FortiEDR:Fortinet的FortiEDR使用机器学习来自动化进行实时的终端防御,检测与响应。

FortiInsight:FortiInsight使用机器学习执行有效的终端监控,数据流转和用户行为分析来检测异常,可疑行为和策略违规,以帮助用户应对内部威胁。

FortiWeb:为了更好的保护Web应用和API,FortiWeb引入了双层机器学习模型来执行定制化的防御,对抗针对性攻击。为用户提供极低的误报率,同时维持用户良好的访问体验。

FortiSIEM:FortiSIEM在进行关联分析时结合了机器学习来识别典型用户行为,如访问位置,时间,使用设备,和访问的特定服务器。

随着攻击者使用复杂攻击手段在不断扩张的数字化攻击平面中寻找可被利用的漏洞,Fortinet Security Fabric提供了广泛且深入的AI驱动的安全技术,帮助用户获得无以伦比的实时且自动化的威胁防御,检测和响应能力。

声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
  • 神经网络
    +关注

    关注

    42

    文章

    4827

    浏览量

    106796
  • 自动化
    +关注

    关注

    30

    文章

    5886

    浏览量

    89249
  • 机器学习
    +关注

    关注

    66

    文章

    8541

    浏览量

    136233
收藏 人收藏
加入交流群
微信小助手二维码

扫码添加小助手

加入工程师交流群

    评论

    相关推荐
    热点推荐

    攻击逃逸测试:深度验证网络安全设备的真实防护能力

    攻击逃逸测试通过主动模拟协议混淆、流量分割、时间延迟等高级规避技术,能够深度验证网络安全设备的真实防护能力。这种测试方法不仅能精准暴露检测引擎的解析盲区和策略缺陷,还能有效评估防御体系在面对隐蔽攻击
    发表于 11-17 16:17

    NMSIS神经网络库使用介绍

    NMSIS NN 软件库是一组高效的神经网络内核,旨在最大限度地提高 Nuclei N 处理器内核上的神经网络的性能并最​​大限度地减少其内存占用。 该库分为多个功能,每个功能涵盖特定类别
    发表于 10-29 06:08

    CICC2033神经网络部署相关操作

    在完成神经网络量化后,需要将神经网络部署到硬件加速器上。首先需要将所有权重数据以及输入数据导入到存储器内。 在仿真环境下,可将其存于一个文件,并在 Verilog 代码中通过 readmemh 函数
    发表于 10-20 08:00

    液态神经网络(LNN):时间连续性与动态适应性的神经网络

    神经元,但却能产生复杂的行为。受此启发,与传统的神经网络相比,LNN旨在通过模拟大脑中神经元之间的动态连接来处理信息,这种网络能够顺序处理数
    的头像 发表于 09-28 10:03 704次阅读
    液态<b class='flag-5'>神经网络</b>(LNN):时间连续性与动态适应性的<b class='flag-5'>神经网络</b>

    如何在机器视觉中部署深度学习神经网络

    图 1:基于深度学习的目标检测可定位已训练的目标类别,并通过矩形框(边界框)对其进行标识。 在讨论人工智能(AI)或深度学习时,经常会出现“神经网络
    的头像 发表于 09-10 17:38 692次阅读
    如何在机器视觉中<b class='flag-5'>部署</b><b class='flag-5'>深度</b><b class='flag-5'>学习</b><b class='flag-5'>神经网络</b>

    神经网络专家系统在电机故障诊断中的应用

    摘要:针对传统专家系统不能进行自学习、自适应的问题,本文提出了基于种经网络专家系统的并步电机故障诊断方法。本文将小波神经网络和专家系统相结合,充分发挥了二者故障诊断的优点,很大程度上降低了对电机
    发表于 06-16 22:09

    BP神经网络的调参技巧与建议

    BP神经网络的调参是一个复杂关键的过程,涉及多个超参数的优化和调整。以下是一些主要的调参技巧与建议: 一、学习率(Learning Rate) 重要性 :学习率是BP
    的头像 发表于 02-12 16:38 1456次阅读

    BP神经网络与卷积神经网络的比较

    BP神经网络与卷积神经网络在多个方面存在显著差异,以下是对两者的比较: 一、结构特点 BP神经网络 : BP神经网络是一种多层的前馈神经网络
    的头像 发表于 02-12 15:53 1307次阅读

    如何优化BP神经网络学习

    优化BP神经网络学习率是提高模型训练效率和性能的关键步骤。以下是一些优化BP神经网络学习率的方法: 一、理解学习率的重要性
    的头像 发表于 02-12 15:51 1423次阅读

    BP神经网络的优缺点分析

    自学习能力 : BP神经网络能够通过训练数据自动调整网络参数,实现对输入数据的分类、回归等任务,无需人工进行复杂的特征工程。 泛化能力强 : BP
    的头像 发表于 02-12 15:36 1581次阅读

    什么是BP神经网络的反向传播算法

    神经网络(即反向传播神经网络)的核心,它建立在梯度下降法的基础上,是一种适合于多层神经元网络学习算法。该算法通过计算每层网络的误差,并将这
    的头像 发表于 02-12 15:18 1274次阅读

    BP神经网络深度学习的关系

    BP神经网络深度学习之间存在着密切的关系,以下是对它们之间关系的介绍: 一、BP神经网络的基本概念 BP神经网络,即反向传播
    的头像 发表于 02-12 15:15 1340次阅读

    BP神经网络在图像识别中的应用

    BP神经网络在图像识别中发挥着重要作用,其多层结构使得网络能够学习到复杂的特征表达,适用于处理非线性问题。以下是对BP神经网络在图像识别中应用的分析
    的头像 发表于 02-12 15:12 1188次阅读

    深度学习入门:简单神经网络的构建与实现

    深度学习中,神经网络是核心模型。今天我们用 Python 和 NumPy 构建一个简单的神经网络神经网络由多个
    的头像 发表于 01-23 13:52 842次阅读

    人工神经网络的原理和多种神经网络架构方法

    所拟合的数学模型的形式受到大脑中神经元的连接和行为的启发,最初是为了研究大脑功能而设计的。然而,数据科学中常用的神经网络作为大脑模型已经过时,现在它们只是能够在某些应用中提供最先进性能的机器
    的头像 发表于 01-09 10:24 2245次阅读
    人工<b class='flag-5'>神经网络</b>的原理和多种<b class='flag-5'>神经网络</b>架构方法