網絡安全領域如今正處在向智能解決方案轉變的早期階段。人工智能和機器學習已經在數據中心產生巨大影響，這一點在網絡安全方面更為明顯。

智能和自動化已經在創建和管理智能實時的微分段策略，分析網絡流量以發現可疑活動或異常數據移動，以及管理最小特權和零信任環境中訪問方面發揮重要作用。

總部位于波士頓的律師事務所Goulston&Storrs轉向采用智能網絡安全解決方案來保護其數據中心，因為專注于保護組織周邊環境的標準解決方案存在致命缺陷。

[[277075]]

該公司首席信息官John Arsneault說，“傳統方法缺乏的是在事件發生后知道發生了什么，很多公司可能在幾個月之后都不知道受到了攻擊，攻擊者嘗試在其網絡上攻擊主機和應用程序，并獲取重要的數據。”

他說，“新的網絡安全技術(例如微監控技術)提供了第二道防線。如果網絡攻擊者確實掌握了用戶憑據，或者利用了企業的IT處理遺漏的漏洞，那么這些公司的經營將受到很大的影響。”

微分段的問題在于需要花費企業大量的時間和精力。

他說：“人們沒有跟上網絡安全發展的步伐，并通常可能更開放脆弱。即使網絡工程師或安全工程師致力于跟上其發展和變化，也是非常困難的。”

Goulston&Storrs律師事務所希望獲得更好的網絡安全性，但不希望增加更多工作人員。

瞻博網絡公司安全戰略總監Laurence Pitt說，“更多的數據、更多的流量、更多的工作負載，以及更多的員工來管理網絡IT，這已經成為安全行業的一個常見呼聲。”

他補充說，這些并不是新挑戰，由于變化速度不斷加快和復雜性增加，安全性也在下降。

他說，“通過將威脅情報和自動化嵌入到每個路由器、交換機、網關和無線接入點，網絡需要成為安全人員的第一道防線。”

網絡分段

網絡分段的想法是網絡的不同部分之間存在障礙，這種障礙就像物理上的“氣隙”，不允許流量進入。或者它們可以是虛擬的，是以防火墻、加密隧道和類似技術的形式。

在快速變化的現代化數據中心環境中，無需人工智能工具即可有效管理微分段。

Edgewise Networks公司工程副總裁Tom Hickman說：“我們過去通常一年發布一個版本，我們在今年6月的7天內發布了9個版本，每個活動都是網絡技術的重大變化。如今，企業必須擁有能夠響應動態變化的技術，這是自我配置的。”

智能解決方案在兩個方面解決了這些問題。首先，算法用于映射網絡中的流量，并提取網絡行為的通用規則供分析人員查看。例如，某些類型的應用程序與某些類型的后端數據庫進行通信。

用于生成地圖的技術通常是聚類分析的一些變體，聚類分析是一種識別類似項目組的機器學習技術。類似的算法用于電子商務推薦引擎和自動識別客戶群的營銷工具中。然后，此映射用于生成虛擬網段，以便以與數據中心風險偏好相匹配的方式平衡可用性和安全性。

如果出現攻擊網絡分段但符合預先批準的策略的新流量，則會自動重新分段。如果新流量不在允許的范圍內，則進行標記，可以供網絡管理員或安全分析人員進一步關注。

Arsnault表示，Goulston&Storrs律師事務所決定采用Edgewise公司的微監控技術，并且能夠在不增加員工的情況下推出完整的微監控措施。其中包括所有公司的虛擬機、服務器、主機、用戶，以及軟件可以通過的所有路徑——總共有125000種不同的保護方式。

他說，“憑借其機器學習組件，人們能夠通過按下按鈕來保護所有內容。它將繼續學習網絡，并將不斷更新適用于微分段的政策。它不再需要人力資源，這是一個巨大的負擔，并且會大大減少工作人員的時間和精力。”

混合云使分段更加困難

與此同時，保護網絡的挑戰也在不斷發展。IT服務管理商InterVision Systems公司的安全專業服務主管Derek Brost表示，在混合環境中分段要復雜得多。如果數據中心是混合操作，具有多個基于云計算的本地環境以及競爭(或不兼容)的網絡技術，則可能難以以有組織的方式管理網段和訪問控制。

他說，“安全管理人員可能需要避免只關注網絡。將微分段技術從網絡中分離出來，并將其下載到各個端點系統中是非常有利的。”

云計算功能將強制重新思考

它不會就此止步。軟件開發的下一個演進，云計算功能(也稱為無服務器功能，或lambda功能)將難度提高了一個檔次。

云計算功能是在云功能平臺內運行的一小段代碼，例如亞馬遜、谷歌或微軟公司提供的功能。沒有虛擬機可以安裝安全工具，甚至沒有容器。

Edgewise公司的Hickman說，“我認為這可能是我看到的最重要的事情，這將迫使從業人員真正評估他們目前的安全模式和解決方案。”

他表示，“Edgewise公司可以在虛擬機或容器上安裝其微分段技術。我們只是基礎圖像的一部分，是克隆的，代理人在實例化時就在那里。”

他說，“Edgewise公司的微監控技術目前不支持云計算功能。但我們正在實驗室進行研究和開發。”

異常和不良行為

異常檢測是另一種流行的機器學習算法。例如，在網絡流量的情況下，監控系統將監視數據中心的正常操作，并了解每日、周或月的情況。一旦訓練，它就會尋找不符合基線的新行為。

例如，如果市場營銷部門的用戶突然開始從位于俄羅斯的計算機訪問金融數據庫，這可能表明某些帳戶已被盜用。傳統的方法是尋找已知不良行為、已知惡意軟件或試圖訪問已知與黑客有關聯的站點的特定實例。

安全廠商Signal Sciences公司聯合創始人兼CSO Zane Lackey說，“基于簽名的系統尋找一個特定的東西，如果他們看到它，就會標記它或阻止它。當網絡、基礎設施和應用程序沒有那么大的變化時，這是可以的。但如果現在向首席信息安全官或首席技術官詢問他們的運營環境時，他們都將表示正在以驚人的速度變化。”

他說，“這需要技術的多代的變革，從基于簽名的模型轉變為行為模型。這是必須發生的實際轉變。”

然而，他警告企業不要采用一些基于人工智能的方法，因為應用程序的變化可能比人工智能模型的訓練速度要快。

他說，“需要了解它是否真的解決了人們所看到的挑戰。”

智能訪問管理

Lacke說，“網絡安全是當今運營數據中心的人的基本挑戰。為了實現這一目標，可信網絡的概念正在被零信任模型所取代。人們不再僅僅因為信任在網絡上就認為它是理所當然的。”

這意味著對設備和應用程序的訪問需要非常有限且嚴格控制，每個新連接都需要新的身份驗證步驟。對于傳統的訪問管理平臺來說，這是一項艱巨的任務。

Lackey 說，“如何限制對單個服務實際需要的訪問?在我與全球2000強的首席信息安全官進行的談話中，這都是所談論最熱門的話題之一。”