由于多种原因，管理安全性是一项日益复杂的任务。首先，网络正在迅速扩展，许多组织发现它们在网络中的可见性已大大降低。孤立的安全工具以及孤立的网络开发和安全项目导致供应商泛滥，这意味着需要更多的管理控制台来跟踪和更多的关联速度不够快的数据，无法检测出快速变化的威胁。

借助机器学习和人工智能填补技能空白

另一个问题是安全技能差距。当寻找甚至具有一般安全技能的人员变得越来越困难时，寻找具有专门技能的人员（例如安全分析师）几乎变得不可能。但是，如果没有足够的技术人员来分析正在生成的数据量不断增长，威胁就会被遗漏，或者被发现来得太迟而无法采取任何措施。

传统上，组织使用ML和AI来执行使安全团队陷入困境的平凡任务，例如关联日志文件或执行设备补丁和更新。但这只是在挖掘其潜力。但是，机器学习（ML）和人工智能（AI）也可以通过降低来自不断扩展的安全基础架构的复杂性和开销来帮助填补网络安全技能的空白。它们非常适合面向数据的任务，例如日志文件的关联和分析以及组织不断增长的安全性和网络设备数量所生成的威胁警报。

机器学习的关键作用

机器学习增强的系统完全有能力执行更高级别的任务，例如评估新文件，网站和网络基础结构以自动识别恶意软件和其他利用。他们甚至可以检测到以前未知的攻击，这些攻击可能在供应商进行威胁情报更新以升级其安全设备之前到达组织。它还可以生成有关威胁和威胁模式的威胁情报（称为安全手册），以使组织能够更准确地自动预测和防止网络威胁。  

ML还可以查找和清单具有已知漏洞的设备，甚至可以安排这些设备进行修补，升级，监视或替换。随着网络中部署的易受攻击的IoT设备的数量不断增加，此功能尤其重要。加上无法轻松修补或加固其中许多设备的能力，许多组织根本就没有合适的系统来识别和保护这些潜在的攻击点。基于ML的系统可以消除分析和保护IoT资源的猜测。

基于AI的安全运营水平为网络安全领域

同样，某些AI系统现在能够聚合和分析来自组织IT和安全基础结构中数百个来源的大量数据，以检测隐藏的威胁-即使是最好的数据分析人员也无法匹敌的过程。它还可以使用来自整个网络的选定资源来协调协调的响应，以提高安全运营的效率，从而丰富和警告这些威胁。  

AI还可以利用ML系统生成的剧本来提高其数据分析的准确性和效率。通过将威胁模式和实践与实时网络流量相关联，人工智能系统应该能够检测到威胁模式并在有机会执行其目标之前中断攻击。随着时间的流逝，此过程将变得越来越高效，从而使组织比其网络对手更具优势。

人工智能的突破性进展使自动防御，检测和对网络威胁的反应达到了人力资源和孤立的管理平台从未达到过的准确性和速度。通过通过战略部署的安全平台在网络上编织AI，组织不仅可以在所有设备，用户，端点和环境中享受全面的可见性和保护，而且集中的AI驱动的安全操作还可以在该安全结构上收集，关联和通信以确保更快，更全面的响应和补救。

这为组织提供了前所未有的能力来管理他们拥有的安全设备的庞大且不断增长的集合，以及查看和保护分布在已部署的网络系统，接入点，移动和移动网络中的数据，应用程序和工作流。物联网设备，无论是物理的还是虚拟的。  

人工智能将优势从网络罪犯转变为网络防御者

通过将这些系统与SOC环境集成在一起，增强AI的网络安全系统可以扩大威胁研究人员，安全分析人员，事件响应者等的整个团队。这可以使组织通过阻止更多威胁，及早发现威胁并更快地响应漏洞和利用，从而降低安全事件的风险和潜在影响，同时提高安全运营的整体效率和成本。

通过将先进的AI技术深入到分布式网络和安全基础架构中，组织可以显着增强其检测和响应威胁的能力，实时调整安全策略和协议以保持动态网络变化，并在整个网络范围内扩展可见性和控制力。整个分布式网络。反过来，这又扩大并加速了工作人员威胁研究人员和数据分析师的服务，使他们能够监督安全操作，而不是试图跟上不断增长的威胁情报的关联和处理。通过将ML和AI与一支由高级网络安全专家组成的团队相结合以部署真正的AI驱动的安全运营，组织可以领先于网络犯罪分子，确保他们可以更一致，更有效地使组织免受危害。