在人工智能時代，網絡安全問題備受關注。對此，安全研究人員轉向了機器學習。機器學習的確提供了強有力的幫助，但在當前網絡攻防態勢下，機器學習也難以“一肩挑”。

　　在人工智能時代，各行各業最怕聽到的是“取代”：人工智能被認為將一步取代法官、取代速記員，取代建筑工人和出租車司機……不過，目前在許多行業，人工智能仍然只能扮演配角，網絡安全就是目前人工智能尚難解決的問題之一。

　　對此，安全研究人員轉向了機器學習——人工智能的一種形式。對于機器學習來講，最主要的兩個概念分別是“有監督學習”和“無監督學習”。有監督學習就是人們“告訴”機器“哪些數據是屬于哪一類的”，然后進行數據訓練;反之，無監督學習就是“不告訴”機器，直接由人們對最終輸出的結果進行定義。

　　之前，機器學習只是一個很有希望但并不成熟的技術，但在過去五年，機器學習獲得了長足的進步，在很多任務上，機器學習這項技術都可以達到與人類接近的水平。

　　遭遇新軟件時，機器學習系統會計算其是惡意軟件的概率，根據既定閾值進行屏蔽或放行。若有惡意軟件潛入，只需調整計算或重設閾值即可。時不時地，研究人員就會用新行為訓練機器學習算法。

　　業內人士也表示，“在處理財務數據時，機器學習可以解決匹配客戶聯系方式、地址或從數據中發現趨勢的經典問題。你訓練的應用程序越‘理解’數據，你得出的分析和預測結果就越準確。”

　　盡管機器學習在網絡安全方面已經具備一定的防御能力，但是也存在漏洞。在成都召開的C3安全峰會上，亞信安全通用安全產品中心總經理、亞信網絡安全產業技術研究院副院長童寧表示，機器學習的確提供了強有力的幫助，但在當前網絡攻防態勢下，機器學習也難以“一肩挑”。

　　其實，機器學習所存在的問題并非近期才出現。早在眾多關于機器學習的相關論文中，研究者們就曾多次提出機器學習的不準確性——對某些像素進行微調，就能欺騙神經網絡。原因在于：雖然這些復雜的網絡由多層處理器組成，但各個層面本質上都是通過分段線性函數來轉換輸入內容的，這種線性使得相關模型對推論容易盲從。

　　在某些情況下，通過惡意輸入，機器學習算法可能在訓練期間“中毒”，或者在訓練之后被復制。通過對圖像進行人眼幾不可見的微小改變，黑客可以愚弄視覺處理系統，對其進行欺騙。

　　此外，惡意軟件作者也可獲得這些安全工具，調整自己的代碼，查看能否規避檢測。有些網站已提供了用主流安全系統檢測軟件的接口。最終，惡意軟件作者會開始創建他們自己的機器學習模型，對戰安全人工智能。