企業上云已成趨勢，上云后的主機安全則分分秒秒牽扯著企業的神經。黑客入侵屢見不鮮，病毒花式翻新。根據權威機構的統計，全球每天都會出現數量驚人的惡意軟件。面對海量涌現的惡意軟件，傳統基于簽名的技術無法跟上惡意軟件的變化。加上層出不窮的漏洞，頻頻爆發的0day漏洞攻擊讓企業更加不堪其擾。

如何才能減少安全風險，為云主機、終端主機帶來全方位的保護呢？ 杰思安全認為，機器學習（ML）是抵御當前威脅的一道高效防線。從種種網絡主機入侵事件中，不難發現惡意軟件通常是破壞性攻擊的先兆和跳板。在過去的一年里，40％的安全事件是由傳統防病毒（AV）方案沒有檢測到的惡意軟件造成的。這意味著依賴傳統安全方案的企業很容易受到未被檢測到的惡意軟件的入侵。而經過科學訓練的機器學習引擎則可以對這種未知惡意軟件說不。

惡意軟件為何會繞過傳統AV？

傳統的AV在很大程度上依賴于簽名庫或病毒特征碼來識別和阻止惡意軟件。這意味著要想攔截惡意軟件，首先需要發現新的惡意軟件并創建相應的特征簽名，將該簽名分發部署到端點。在此過程中，在惡意軟件首次出現、創建特征簽名并且使得特征簽名可用之間打開了時間窗口。這一時間差使得攻擊者有足夠的時間發起攻擊并得逞，或竊取以后可以加以利用的數據。

當下，攻擊者不斷利用新技術來繞過反惡意軟件的安全保護措施。比較常見的技術是將已知惡意軟件修改或變形為0day變體，沒有與之匹配的特征簽名。為了實現這一目標，攻擊者會不斷變化或混淆惡意軟件的真實面目，使用諸如打包程序之類的工具。通過這樣簡單的技術，就能輕而易舉地逃避檢測?，F在，每天都會出現大約390，000多個新的惡意軟件，傳統基于簽名的技術，根本無法應對數量如此龐大的新惡意軟件。

ML是對惡意軟件的更好防御

反惡意軟件解決方案能有效檢測已知惡意軟件，但是對于未知威脅或0day 攻擊則無能為力。要想防止未知或0day惡意軟件，則需要引入ML。這便是ML最有價值的地方。

ML是基于文件的屬性來理解和識別惡意意圖，不需要特征簽名，也不需要執行文件來觀察其行為。經過精心設計，ML可以成為抵御惡意軟件的極為有效的武器，檢測率高達99.5％。這使得機器學習成為任何有效端點解決方案的最低要求。杰思安全旗下的獵鷹主機安全響應系統，成功將安全研究團隊的經驗與高級機器學習功能相結合，能幫助客戶自動識別威脅，并立即采取響應行動。

杰思安全認為：企業主機防范惡意軟件的能力是其安全策略是否有效的標志之一 。無論云中的主機還是終端主機都承載了大量的關鍵數據和關鍵應用，是不法分子覬覦的攻擊目標。而ML能夠增加主機的主動防御能力，有效抵御0day攻擊，增強主機安全免疫力。不過僅依靠ML來保護端點的安全策略稍顯單薄，需要綜合實施包括ML在內的立體端點安全解決方案，結合各種互補技術，例如漏洞利用預防、行為分析、意圖分析，才能提升用戶防御各種類型攻擊的綜合能力。

責任編輯：Ct