ການວິເຄາະການຈະລາຈອນທີ່ຖືກເຂົ້າລະຫັດໂດຍບໍ່ມີການຖອດລະຫັດມັນ

ລະບົບການວິເຄາະການຈະລາຈອນໂດຍບໍ່ມີການຖອດລະຫັດມັນ. ວິທີການນີ້ຖືກເອີ້ນວ່າ "ການຮຽນຮູ້ເຄື່ອງຈັກ". ມັນໄດ້ຫັນອອກວ່າຖ້າຫາກວ່າປະລິມານຂະຫນາດໃຫຍ່ຫຼາຍຂອງການຈະລາຈອນຕ່າງໆໄດ້ຖືກປ້ອນກັບການປ້ອນຂໍ້ມູນຂອງການຈັດປະເພດພິເສດ, ລະບົບສາມາດກວດພົບການກະທໍາຂອງລະຫັດທີ່ເປັນອັນຕະລາຍພາຍໃນການຈະລາຈອນທີ່ຖືກເຂົ້າລະຫັດທີ່ມີລະດັບຄວາມເປັນໄປໄດ້ສູງ.

ໄພຂົ່ມຂູ່ທາງອິນເຕີເນັດໄດ້ປ່ຽນແປງ ແລະ ສະຫລາດກວ່າ. ບໍ່ດົນມານີ້, ແນວຄວາມຄິດຂອງການໂຈມຕີແລະການປ້ອງກັນໄດ້ມີການປ່ຽນແປງ. ຈໍານວນຂອງເຫດການໃນເຄືອຂ່າຍໄດ້ເພີ່ມຂຶ້ນຢ່າງຫຼວງຫຼາຍ. ການໂຈມຕີໄດ້ກາຍເປັນຄວາມຊັບຊ້ອນຫຼາຍຂຶ້ນ ແລະພວກແຮກເກີມີການເຂົ້າເຖິງກວ້າງກວ່າ.

ອີງຕາມສະຖິຕິຂອງ Cisco, ໃນປີທີ່ຜ່ານມາ, ຜູ້ໂຈມຕີໄດ້ເພີ່ມຂຶ້ນສາມເທົ່າຂອງ malware ທີ່ພວກເຂົາໃຊ້ສໍາລັບກິດຈະກໍາຂອງເຂົາເຈົ້າ, ຫຼືແທນທີ່ຈະ, ການເຂົ້າລະຫັດເພື່ອປິດບັງພວກມັນ. ມັນເປັນທີ່ຮູ້ຈັກຈາກທິດສະດີວ່າລະບົບການເຂົ້າລະຫັດ "ຖືກຕ້ອງ" ບໍ່ສາມາດຖືກທໍາລາຍໄດ້. ເພື່ອເຂົ້າໃຈສິ່ງທີ່ເຊື່ອງໄວ້ພາຍໃນການຈະລາຈອນທີ່ຖືກເຂົ້າລະຫັດ, ມັນຈໍາເປັນຕ້ອງຖອດລະຫັດມັນໂດຍຮູ້ລະຫັດ, ຫຼືພະຍາຍາມຖອດລະຫັດມັນໂດຍໃຊ້ tricks ຕ່າງໆ, ຫຼື hacking ໂດຍກົງ, ຫຼືການນໍາໃຊ້ບາງປະເພດຂອງຊ່ອງໂຫວ່ໃນໂປໂຕຄອນການເຂົ້າລະຫັດລັບ.

ຮູບພາບຂອງໄພຂົ່ມຂູ່ເຄືອຂ່າຍຂອງເວລາຂອງພວກເຮົາ

ການຮຽນຮູ້ເຄື່ອງຈັກ

ຮູ້​ເຕັກ​ໂນ​ໂລ​ຊີ​ໃນ​ຄົນ​! ກ່ອນທີ່ຈະເວົ້າກ່ຽວກັບວິທີການຂອງເຄື່ອງຈັກໃນການຖອດລະຫັດທີ່ອີງໃສ່ການຮຽນຮູ້ຕົວມັນເອງເຮັດວຽກ, ມັນຈໍາເປັນຕ້ອງເຂົ້າໃຈວ່າເຕັກໂນໂລຢີເຄືອຂ່າຍ neural ເຮັດວຽກແນວໃດ.

ການຮຽນຮູ້ເຄື່ອງຈັກແມ່ນພາກສ່ວນຍ່ອຍທີ່ກວ້າງຂວາງຂອງປັນຍາປະດິດທີ່ສຶກສາວິທີການສ້າງລະບົບສູດການຄິດໄລ່ທີ່ສາມາດຮຽນຮູ້ໄດ້. ວິທະຍາສາດນີ້ແມ່ນແນໃສ່ສ້າງແບບຈໍາລອງທາງຄະນິດສາດສໍາລັບ "ການຝຶກອົບຮົມ" ຄອມພິວເຕີ. ຈຸດປະສົງຂອງການຮຽນຮູ້ແມ່ນເພື່ອຄາດຄະເນບາງສິ່ງບາງຢ່າງ. ໃນຄວາມເຂົ້າໃຈຂອງມະນຸດ, ພວກເຮົາເອີ້ນຂະບວນການນີ້ວ່າຄໍາສັບ "ປັນຍາ". ສະຕິປັນຍາສະແດງອອກໃນຄົນທີ່ມີຊີວິດຢູ່ເປັນເວລາດົນນານ (ເດັກນ້ອຍ 2 ປີບໍ່ສາມາດສະຫລາດ). ​ເມື່ອ​ຫັນ​ໄປ​ຫາ​ບັນດາ​ສະຫາຍ​ອາວຸ​ໂສ​ເພື່ອ​ຂໍ​ຄຳ​ແນະນຳ, ພວກ​ເຮົາ​ໃຫ້​ຂໍ້​ມູນ​ກ່ຽວ​ກັບ​ເຫດການ​ດັ່ງກ່າວ​ໃຫ້​ເຂົາ​ເຈົ້າ (ຂໍ້​ມູນ​ທີ່​ປ້ອນ​ຂໍ້​ມູນ) ​ແລະ​ຂໍ​ຄວາມ​ຊ່ວຍ​ເຫຼືອ. ພວກເຂົາເຈົ້າ, ໃນທາງກັບກັນ, ຈື່ຈໍາສະຖານະການທັງຫມົດຈາກຊີວິດທີ່ກ່ຽວຂ້ອງກັບ somehow ກັບບັນຫາຂອງທ່ານ (ພື້ນຖານຄວາມຮູ້) ແລະ, ໂດຍອີງໃສ່ຄວາມຮູ້ນີ້ (ຂໍ້ມູນ), ໃຫ້ພວກເຮົາປະເພດຂອງການຄາດຄະເນ (ຄໍາແນະນໍາ). ຄໍາແນະນໍາປະເພດນີ້ເລີ່ມເອີ້ນວ່າການຄາດເດົາເພາະວ່າຜູ້ທີ່ໃຫ້ຄໍາແນະນໍາບໍ່ຮູ້ວ່າຈະເກີດຫຍັງຂຶ້ນ, ແຕ່ວ່າພຽງແຕ່ສົມມຸດ. ປະສົບການຊີວິດສະແດງໃຫ້ເຫັນວ່າຄົນສາມາດເວົ້າຖືກ, ຫຼືລາວອາດຈະຜິດ.

ທ່ານບໍ່ຄວນປຽບທຽບເຄືອຂ່າຍ neural ກັບລະບົບການແຕກງ່າ (ຖ້າມີ). ເຫຼົ່ານີ້ແມ່ນສິ່ງທີ່ແຕກຕ່າງກັນແລະມີຄວາມແຕກຕ່າງທີ່ສໍາຄັນ. ຂັ້ນຕອນການແຍກສາຂາມີ "ຄວາມເຂົ້າໃຈ" ທີ່ຈະແຈ້ງກ່ຽວກັບສິ່ງທີ່ຕ້ອງເຮັດ. ຂ້າພະເຈົ້າຈະສະແດງໃຫ້ເຫັນດ້ວຍຕົວຢ່າງ.

ວຽກງານ. ກໍານົດໄລຍະເບກຂອງລົດໂດຍອີງໃສ່ການຜະລິດແລະປີການຜະລິດຂອງມັນ.

ຕົວຢ່າງຂອງຂັ້ນຕອນການແຕກງ່າ. ຖ້າລົດແມ່ນຍີ່ຫໍ້ 1 ແລະຖືກປ່ອຍອອກມາໃນປີ 2012, ໄລຍະເບກຂອງມັນແມ່ນ 10 ແມັດ, ຖ້າບໍ່ດັ່ງນັ້ນ, ຖ້າລົດແມ່ນຍີ່ຫໍ້ 2 ແລະອອກໃນປີ 2011, ແລະອື່ນໆ.

ຕົວຢ່າງຂອງເຄືອຂ່າຍ neural. ພວກ​ເຮົາ​ເກັບ​ກໍາ​ຂໍ້​ມູນ​ກ່ຽວ​ກັບ​ໄລ​ຍະ​ການ​ຫ້າມ​ລໍ້​ລົດ​ໃນ​ໄລ​ຍະ 20 ປີ​ທີ່​ຜ່ານ​ມາ​. ໂດຍການຜະລິດແລະປີ, ພວກເຮົາລວບລວມຕາຕະລາງຂອງຮູບແບບ "ໄລຍະການຜະລິດ - ເບກປີ". ພວກເຮົາອອກຕາຕະລາງນີ້ໃຫ້ກັບເຄືອຂ່າຍ neural ແລະເລີ່ມສອນມັນ. ການຝຶກອົບຮົມແມ່ນດໍາເນີນດັ່ງຕໍ່ໄປນີ້: ພວກເຮົາໃຫ້ຂໍ້ມູນກັບເຄືອຂ່າຍ neural, ແຕ່ບໍ່ມີເສັ້ນທາງເບກ. neuron ພະຍາຍາມຄາດຄະເນວ່າໄລຍະຫ່າງຂອງເບກຈະຂຶ້ນກັບຕາຕະລາງທີ່ໂຫລດເຂົ້າໄປໃນມັນ. ຄາດຄະເນບາງສິ່ງບາງຢ່າງແລະຖາມຜູ້ໃຊ້ວ່າ "ຂ້ອຍຖືກຕ້ອງບໍ?" ກ່ອນທີ່ຈະຄໍາຖາມ, ນາງສ້າງຄໍລໍາທີສີ່, ຖັນການຄາດເດົາ. ຖ້ານາງເວົ້າຖືກ, ນາງຂຽນ 1 ໃນຄໍລໍາທີສີ່; ຖ້ານາງຜິດ, ນາງຂຽນ 0. ເຄືອຂ່າຍ neural ຍ້າຍໄປເຫດການຕໍ່ໄປ (ເຖິງແມ່ນວ່າມັນຈະເຮັດຜິດ). ນີ້ແມ່ນວິທີທີ່ເຄືອຂ່າຍຮຽນຮູ້ແລະເມື່ອການຝຶກອົບຮົມສໍາເລັດ (ເງື່ອນໄຂການລວມຕົວທີ່ແນ່ນອນໄດ້ບັນລຸ), ພວກເຮົາສົ່ງຂໍ້ມູນກ່ຽວກັບລົດທີ່ພວກເຮົາສົນໃຈແລະສຸດທ້າຍໄດ້ຮັບຄໍາຕອບ.

ເພື່ອເອົາຄໍາຖາມກ່ຽວກັບເງື່ອນໄຂການລວມເຂົ້າກັນ, ຂ້າພະເຈົ້າຈະອະທິບາຍວ່ານີ້ແມ່ນສູດຄະນິດສາດສໍາລັບສະຖິຕິ. ຕົວຢ່າງທີ່ໂດດເດັ່ນຂອງສອງສູດການລວມເຂົ້າກັນທີ່ແຕກຕ່າງກັນ. ສີແດງ – ການໂຮມສອງ, ສີຟ້າ – ປົກກະຕິ.

ການແຈກຢາຍຄວາມເປັນໄປໄດ້ແບບ binomial ແລະປົກກະຕິ

ເພື່ອເຮັດໃຫ້ມັນຊັດເຈນຂຶ້ນ, ໃຫ້ຖາມຄໍາຖາມທີ່ວ່າ "ຄວາມເປັນໄປໄດ້ຂອງການພົບກັບໄດໂນເສົາແມ່ນຫຍັງ?" ມີ 2 ຄໍາຕອບທີ່ເປັນໄປໄດ້ຢູ່ທີ່ນີ້. ທາງ​ເລືອກ 1 – ຂະ​ຫນາດ​ນ້ອຍ​ຫຼາຍ (ເສັ້ນ​ສະ​ແດງ​ສີ​ຟ້າ​)​. ທາງ​ເລືອກ 2 – ກອງ​ປະ​ຊຸມ​ຫຼື​ບໍ່ (ເສັ້ນ​ສະ​ແດງ​ສີ​ແດງ​)​.

ແນ່ນອນ, ຄອມພິວເຕີບໍ່ແມ່ນຄົນແລະມັນຮຽນຮູ້ແຕກຕ່າງກັນ. ການຝຶກອົບຮົມມ້າເຫຼັກມີ 2 ປະເພດຄື: ການຮຽນຮູ້ກໍລະນີ и ການຮຽນຮູ້ແບບຫັກລົບ.

ການສອນຕາມແບບຢ່າງແມ່ນວິທີການສອນໂດຍໃຊ້ກົດໝາຍຄະນິດສາດ. ນັກຄະນິດສາດເກັບກໍາຕາຕະລາງສະຖິຕິ, ສະຫຼຸບແລະການໂຫຼດຜົນໄດ້ຮັບເຂົ້າໄປໃນເຄືອຂ່າຍ neural - ສູດສໍາລັບການຄິດໄລ່.

ການຮຽນຮູ້ແບບຫັກລົບ - ການຮຽນຮູ້ເກີດຂື້ນທັງຫມົດໃນ neuron (ຈາກການລວບລວມຂໍ້ມູນໄປຫາການວິເຄາະຂອງມັນ). ທີ່ນີ້ຕາຕະລາງຖືກສ້າງຕັ້ງຂຶ້ນໂດຍບໍ່ມີສູດ, ແຕ່ມີສະຖິຕິ.

ພາບລວມຢ່າງກວ້າງຂວາງຂອງເຕັກໂນໂລຢີຈະໃຊ້ເວລາສອງສາມບົດຄວາມອື່ນ. ສໍາລັບໃນປັດຈຸບັນ, ນີ້ຈະພຽງພໍສໍາລັບຄວາມເຂົ້າໃຈທົ່ວໄປຂອງພວກເຮົາ.

Neuroplasticity

ໃນຊີວະສາດມີແນວຄວາມຄິດດັ່ງກ່າວ - neuroplasticity. Neuroplasticity ແມ່ນຄວາມສາມາດຂອງ neurons (ຈຸລັງສະຫມອງ) ເພື່ອປະຕິບັດ "ອີງຕາມສະຖານະການ." ຕົວຢ່າງ, ຄົນທີ່ສູນເສຍການເບິ່ງເຫັນຂອງລາວໄດ້ຍິນສຽງ, ມີກິ່ນຫອມແລະຮັບຮູ້ວັດຖຸທີ່ດີກວ່າ. ນີ້ເກີດຂຶ້ນເນື່ອງຈາກຄວາມຈິງທີ່ວ່າສ່ວນຫນຶ່ງຂອງສະຫມອງ (ສ່ວນຫນຶ່ງຂອງ neurons) ຮັບຜິດຊອບສໍາລັບການວິໄສທັດ redistributes ການເຮັດວຽກຂອງຕົນກັບການເຮັດວຽກອື່ນໆ.

ຕົວຢ່າງທີ່ໂດດເດັ່ນຂອງ neuroplasticity ໃນຊີວິດແມ່ນ BrainPort lollipop.

ໃນປີ 2009, ມະຫາວິທະຍາໄລ Wisconsin ຢູ່ Madison ໄດ້ປະກາດການປ່ອຍອຸປະກອນໃຫມ່ທີ່ພັດທະນາແນວຄວາມຄິດຂອງ "ການສະແດງພາສາ" - ມັນຖືກເອີ້ນວ່າ BrainPort. BrainPort ເຮັດວຽກຕາມສູດການຄິດໄລ່ຕໍ່ໄປນີ້: ສັນຍານວິດີໂອຖືກສົ່ງຈາກກ້ອງຖ່າຍຮູບໄປຫາໂປເຊດເຊີ, ເຊິ່ງຄວບຄຸມການຊູມ, ຄວາມສະຫວ່າງແລະພາລາມິເຕີຮູບພາບອື່ນໆ. ມັນຍັງປ່ຽນສັນຍານດິຈິຕອນເປັນແຮງກະຕຸ້ນໄຟຟ້າ, ໂດຍສໍາຄັນແມ່ນປະຕິບັດຫນ້າທີ່ຂອງ retina.

BrainPort lollipop ກັບແວ່ນຕາແລະກ້ອງຖ່າຍຮູບ

BrainPort ຢູ່ບ່ອນເຮັດວຽກ

ດຽວກັນກັບຄອມພິວເຕີ. ຖ້າເຄືອຂ່າຍ neural ຮູ້ສຶກວ່າມີການປ່ຽນແປງໃນຂະບວນການ, ມັນປັບຕົວເຂົ້າກັບມັນ. ນີ້ແມ່ນຂໍ້ໄດ້ປຽບທີ່ສໍາຄັນຂອງເຄືອຂ່າຍ neural ເມື່ອທຽບກັບສູດການຄິດໄລ່ອື່ນໆ - ເອກະລາດ. ປະເພດຂອງມະນຸດ.

ການເຂົ້າລະຫັດການວິເຄາະການຈະລາຈອນ

Encrypted Traffic Analytics ແມ່ນສ່ວນຫນຶ່ງຂອງລະບົບ Stealthwatch. Stealthwatch ເປັນ​ການ​ຕິດ​ຕາມ​ຄວາມ​ປອດ​ໄພ​ຊັ້ນ​ນໍາ​ຂອງ​ອຸດ​ສາ​ຫະ​ກໍາ Cisco ການ​ແກ້​ໄຂ​ການ​ວິ​ເຄາະ​ທີ່​ນໍາ​ໃຊ້​ຂໍ້​ມູນ telemetry ວິ​ສາ​ຫະ​ກິດ​ຈາກ​ໂຄງ​ລ່າງ​ເຄືອ​ຂ່າຍ​ທີ່​ມີ​ຢູ່​ແລ້ວ​.

ບໍລິສັດ Stealthwatch ແມ່ນອີງໃສ່ໃບອະນຸຍາດອັດຕາການໄຫຼເຂົ້າ, Flow Collector, Management Console ແລະ Flow Sensor.

ການໂຕ້ຕອບ Cisco Stealthwatch

ບັນຫາກ່ຽວກັບການເຂົ້າລະຫັດໄດ້ກາຍເປັນສ້ວຍແຫຼມຫຼາຍເນື່ອງຈາກຄວາມຈິງທີ່ວ່າການຈະລາຈອນຫຼາຍເລີ່ມໄດ້ຮັບການເຂົ້າລະຫັດ. ກ່ອນຫນ້ານີ້, ມີພຽງແຕ່ລະຫັດທີ່ຖືກເຂົ້າລະຫັດ (ສ່ວນຫຼາຍ), ແຕ່ໃນປັດຈຸບັນການຈະລາຈອນທັງຫມົດຖືກເຂົ້າລະຫັດແລະການແຍກຂໍ້ມູນ "ສະອາດ" ຈາກໄວຣັສແມ່ນມີຄວາມຫຍຸ້ງຍາກຫຼາຍ. ຕົວຢ່າງທີ່ໂດດເດັ່ນແມ່ນ WannaCry, ເຊິ່ງໄດ້ໃຊ້ Tor ເພື່ອເຊື່ອງການມີຢູ່ທາງອອນລາຍຂອງມັນ.

ການເບິ່ງເຫັນການຂະຫຍາຍຕົວຂອງການເຂົ້າລະຫັດການຈະລາຈອນໃນເຄືອຂ່າຍ

ການເຂົ້າລະຫັດໃນເສດຖະກິດມະຫາພາກ

ລະບົບການວິເຄາະການຈະລາຈອນເຂົ້າລະຫັດ (ETA) ເປັນສິ່ງຈໍາເປັນທີ່ຊັດເຈນສໍາລັບການເຮັດວຽກກັບການຈະລາຈອນທີ່ຖືກເຂົ້າລະຫັດໂດຍບໍ່ມີການຖອດລະຫັດມັນ. ຜູ້ໂຈມຕີແມ່ນສະຫລາດແລະໃຊ້ລະບົບການເຂົ້າລະຫັດທີ່ທົນທານຕໍ່ crypto, ແລະການທໍາລາຍພວກມັນບໍ່ພຽງແຕ່ເປັນບັນຫາ, ແຕ່ຍັງລາຄາແພງທີ່ສຸດສໍາລັບອົງການຈັດຕັ້ງ.

ລະບົບເຮັດວຽກດັ່ງຕໍ່ໄປນີ້. ການຈະລາຈອນບາງຢ່າງມາຮອດບໍລິສັດ. ມັນຕົກຢູ່ໃນ TLS (ຄວາມປອດໄພຊັ້ນການຂົນສົ່ງ). ໃຫ້ເວົ້າວ່າການຈະລາຈອນຖືກເຂົ້າລະຫັດ. ພວກເຮົາພະຍາຍາມຕອບຄໍາຖາມຈໍານວນຫນຶ່ງກ່ຽວກັບປະເພດຂອງການເຊື່ອມຕໍ່ທີ່ຖືກສ້າງຂຶ້ນ.

ລະບົບການວິເຄາະການຈະລາຈອນເຂົ້າລະຫັດ (ETA) ເຮັດວຽກແນວໃດ

ເພື່ອຕອບຄໍາຖາມເຫຼົ່ານີ້ພວກເຮົາໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກໃນລະບົບນີ້. ການຄົ້ນຄວ້າຈາກ Cisco ໄດ້ຖືກປະຕິບັດແລະອີງໃສ່ການສຶກສາເຫຼົ່ານີ້ຕາຕະລາງຖືກສ້າງຂື້ນຈາກ 2 ຜົນໄດ້ຮັບ - ການຈະລາຈອນທີ່ເປັນອັນຕະລາຍແລະ "ດີ". ແນ່ນອນ, ພວກເຮົາບໍ່ຮູ້ແນ່ນອນວ່າການຈະລາຈອນປະເພດໃດເຂົ້າໄປໃນລະບົບໂດຍກົງໃນເວລານີ້, ແຕ່ພວກເຮົາສາມາດຕິດຕາມປະຫວັດຂອງການຈະລາຈອນທັງພາຍໃນແລະພາຍນອກບໍລິສັດໂດຍໃຊ້ຂໍ້ມູນຈາກເວທີໂລກ. ໃນຕອນທ້າຍຂອງຂັ້ນຕອນນີ້, ພວກເຮົາໄດ້ຮັບຕາຕະລາງຂະຫນາດໃຫຍ່ທີ່ມີຂໍ້ມູນ.

ອີງຕາມຜົນຂອງການສຶກສາ, ລັກສະນະລັກສະນະໄດ້ຖືກກໍານົດ - ກົດລະບຽບບາງຢ່າງທີ່ສາມາດຂຽນລົງໃນຮູບແບບຄະນິດສາດ. ກົດລະບຽບເຫຼົ່ານີ້ຈະແຕກຕ່າງກັນຢ່າງຫຼວງຫຼາຍໂດຍອີງຕາມເງື່ອນໄຂທີ່ແຕກຕ່າງກັນ - ຂະຫນາດຂອງໄຟລ໌ທີ່ຖືກໂອນ, ປະເພດຂອງການເຊື່ອມຕໍ່, ປະເທດທີ່ການຈະລາຈອນນີ້ມາ, ແລະອື່ນໆ. ເປັນຜົນມາຈາກການເຮັດວຽກ, ຕາຕະລາງຂະຫນາດໃຫຍ່ໄດ້ຫັນເຂົ້າໄປໃນຊຸດຂອງ heaps ຂອງສູດ. ມີຫນ້ອຍຂອງພວກເຂົາ, ແຕ່ນີ້ບໍ່ພຽງພໍສໍາລັບການເຮັດວຽກທີ່ສະດວກສະບາຍ.

ຕໍ່ໄປ, ເຕັກໂນໂລຊີການຮຽນຮູ້ເຄື່ອງຈັກແມ່ນຖືກນໍາໃຊ້ - convergence ສູດແລະອີງໃສ່ຜົນຂອງ convergence ພວກເຮົາໄດ້ຮັບຜົນກະທົບຕໍ່ - ສະຫຼັບ, ບ່ອນທີ່ໃນເວລາທີ່ຂໍ້ມູນແມ່ນຜົນຜະລິດພວກເຮົາໄດ້ຮັບການສະຫຼັບ (ທຸງ) ໃນຕໍາແຫນ່ງຍົກຫຼືຕ່ໍາ.

ຂັ້ນຕອນທີ່ໄດ້ຮັບຜົນໄດ້ຮັບແມ່ນການໄດ້ຮັບຊຸດຂອງຜົນກະທົບຕໍ່ທີ່ກວມເອົາ 99% ຂອງການຈະລາຈອນ.

ຂັ້ນຕອນການກວດສອບການຈະລາຈອນໃນ ETA

ເປັນຜົນມາຈາກການເຮັດວຽກ, ບັນຫາອື່ນໄດ້ຖືກແກ້ໄຂ - ການໂຈມຕີຈາກພາຍໃນ. ບໍ່ຈໍາເປັນຕ້ອງມີປະຊາຊົນຢູ່ໃນການຈະລາຈອນກາງການກັ່ນຕອງດ້ວຍຕົນເອງ (ຂ້ອຍກໍາລັງຈົມນ້ໍາຕົວເອງຢູ່ຈຸດນີ້). ກ່ອນອື່ນ ໝົດ, ທ່ານບໍ່ ຈຳ ເປັນຕ້ອງໃຊ້ເງິນຫຼາຍຕໍ່ຜູ້ເບິ່ງແຍງລະບົບທີ່ມີຄວາມສາມາດ (ຂ້ອຍສືບຕໍ່ຈົມນ້ ຳ ຕົວເອງ). ອັນທີສອງ, ບໍ່ມີອັນຕະລາຍຂອງການ hack ຈາກພາຍໃນ (ຢ່າງຫນ້ອຍບາງສ່ວນ).

ແນວຄວາມຄິດຂອງຜູ້ຊາຍໃນກາງທີ່ລ້າສະໄຫມ

ດຽວນີ້, ໃຫ້ພວກເຮົາຄິດອອກວ່າລະບົບແມ່ນອີງໃສ່ຫຍັງ.

ລະບົບດໍາເນີນການຢູ່ໃນ 4 ໂປໂຕຄອນການສື່ສານ: TCP/IP – ໂປຣໂຕຄໍການໂອນຂໍ້ມູນອິນເຕີເນັດ, DNS – ເຊີບເວີຊື່ໂດເມນ, TLS – transport layer security protocol, SPLT (SpaceWire Physical Layer Tester) – ຕົວທົດສອບຊັ້ນການສື່ສານທາງດ້ານຮ່າງກາຍ.

ໂປໂຕຄອນເຮັດວຽກກັບ ETA

ການປຽບທຽບແມ່ນເຮັດໂດຍການປຽບທຽບຂໍ້ມູນ. ການນໍາໃຊ້ໂປໂຕຄອນ TCP / IP, ຊື່ສຽງຂອງສະຖານທີ່ຖືກກວດສອບ (ປະຫວັດການຢ້ຽມຢາມ, ຈຸດປະສົງຂອງການສ້າງເວັບໄຊທ໌, ແລະອື່ນໆ), ຂໍຂອບໃຈກັບໂປໂຕຄອນ DNS, ພວກເຮົາສາມາດຍົກເລີກທີ່ຢູ່ເວັບໄຊທ໌ "ບໍ່ດີ". ໂປໂຕຄອນ TLS ເຮັດວຽກກັບລາຍນິ້ວມືຂອງເວັບໄຊໃດໜຶ່ງ ແລະກວດສອບເວັບໄຊຕໍ່ກັບທີມງານຕອບໂຕ້ສຸກເສີນຄອມພິວເຕີ (ໃບຢັ້ງຢືນ). ຂັ້ນຕອນສຸດທ້າຍໃນການກວດສອບການເຊື່ອມຕໍ່ແມ່ນການກວດສອບຢູ່ໃນລະດັບທາງດ້ານຮ່າງກາຍ. ລາຍລະອຽດຂອງຂັ້ນຕອນນີ້ແມ່ນບໍ່ໄດ້ລະບຸໄວ້, ແຕ່ຈຸດແມ່ນດັ່ງຕໍ່ໄປນີ້: ການກວດສອບເສັ້ນໂຄ້ງ sine ແລະ cosine ຂອງເສັ້ນໂຄ້ງການສົ່ງຂໍ້ມູນໃນການຕິດຕັ້ງ oscillographic, i.e. ຂໍຂອບໃຈກັບໂຄງສ້າງຂອງຄໍາຮ້ອງຂໍຢູ່ໃນຊັ້ນທາງດ້ານຮ່າງກາຍ, ພວກເຮົາກໍານົດຈຸດປະສົງຂອງການເຊື່ອມຕໍ່.

ເປັນຜົນມາຈາກການເຮັດວຽກຂອງລະບົບ, ພວກເຮົາສາມາດໄດ້ຮັບຂໍ້ມູນຈາກການເຂົ້າລະຫັດເຂົ້າລະຫັດ. ໂດຍການກວດສອບແພັກເກັດ, ພວກເຮົາສາມາດອ່ານຂໍ້ມູນໄດ້ຫຼາຍເທົ່າທີ່ເປັນໄປໄດ້ຈາກຊ່ອງຂໍ້ມູນທີ່ບໍ່ໄດ້ເຂົ້າລະຫັດໃນແພັກເກັດຕົວມັນເອງ. ໂດຍການກວດສອບແພັກເກັດຢູ່ໃນຊັ້ນທາງດ້ານຮ່າງກາຍ, ພວກເຮົາຊອກຫາຄຸນລັກສະນະຂອງແພັກເກັດ (ບາງສ່ວນຫຼືຢ່າງສົມບູນ). ນອກຈາກນັ້ນ, ຢ່າລືມກ່ຽວກັບຊື່ສຽງຂອງສະຖານທີ່. ຖ້າຄໍາຮ້ອງຂໍມາຈາກບາງແຫຼ່ງ .onion, ທ່ານບໍ່ຄວນໄວ້ວາງໃຈມັນ. ເພື່ອເຮັດໃຫ້ມັນງ່າຍຕໍ່ການເຮັດວຽກກັບຂໍ້ມູນປະເພດນີ້, ແຜນທີ່ຄວາມສ່ຽງໄດ້ຖືກສ້າງຂື້ນ.

ຜົນຂອງການເຮັດວຽກຂອງ ETA

ແລະທຸກຢ່າງເບິ່ງຄືວ່າດີ, ແຕ່ໃຫ້ເວົ້າກ່ຽວກັບການໃຊ້ເຄືອຂ່າຍ.

ການປະຕິບັດທາງດ້ານຮ່າງກາຍຂອງ ETA

ຈໍານວນຂອງ nuances ແລະ subtleties ເກີດຂຶ້ນຢູ່ທີ່ນີ້. ກ່ອນອື່ນ ໝົດ, ເມື່ອສ້າງປະເພດນີ້
ເຄືອຂ່າຍທີ່ມີຊອບແວລະດັບສູງ, ການເກັບກໍາຂໍ້ມູນແມ່ນຈໍາເປັນ. ເກັບກໍາຂໍ້ມູນດ້ວຍຕົນເອງຢ່າງສົມບູນ
ທໍາມະຊາດ, ແຕ່ການປະຕິບັດລະບົບຕອບສະຫນອງແມ່ນຫນ້າສົນໃຈຫຼາຍ. ອັນທີສອງ, ຂໍ້ມູນ
ຄວນຈະມີຫຼາຍ, ຊຶ່ງຫມາຍຄວາມວ່າເຊັນເຊີເຄືອຂ່າຍທີ່ຕິດຕັ້ງຕ້ອງເຮັດວຽກ
ບໍ່ພຽງແຕ່ autonomously, ແຕ່ຍັງຢູ່ໃນຮູບແບບ tuned ລະອຽດ, ເຊິ່ງສ້າງຈໍານວນຂອງຄວາມຫຍຸ້ງຍາກ.

ເຊັນເຊີ ແລະລະບົບໂມງ Stealth

ການຕິດຕັ້ງເຊັນເຊີແມ່ນສິ່ງຫນຶ່ງ, ແຕ່ການຕັ້ງມັນເປັນວຽກງານທີ່ແຕກຕ່າງກັນຫມົດ. ເພື່ອກໍາຫນົດຄ່າເຊັນເຊີ, ມີສະລັບສັບຊ້ອນທີ່ດໍາເນີນການຕາມ topology ຕໍ່ໄປນີ້ - ISR = Cisco Integrated Services Router; ASR = Cisco Aggregation Services Router; CSR = Cisco Cloud Services Router; WLC = Cisco Wireless LAN Controller; IE = Cisco Industrial Ethernet Switch; ASA = Cisco Adaptive Security Appliance; FTD = Cisco Firepower Threat Defense Solution; WSA = Web Security Appliance; ISE = Identity Services Engine

ການຕິດຕາມທີ່ສົມບູນແບບຄໍານຶງເຖິງຂໍ້ມູນ telemetric ໃດ

ຜູ້ບໍລິຫານເຄືອຂ່າຍເລີ່ມມີປະສົບການ arrhythmia ຈາກຈໍານວນຄໍາສັບ "Cisco" ໃນວັກທີ່ຜ່ານມາ. ລາຄາຂອງມະຫັດສະຈັນນີ້ແມ່ນບໍ່ນ້ອຍ, ແຕ່ນັ້ນບໍ່ແມ່ນສິ່ງທີ່ພວກເຮົາເວົ້າໃນມື້ນີ້ ...

ພຶດຕິກໍາຂອງແຮກເກີຈະຖືກສ້າງແບບຈໍາລອງດັ່ງຕໍ່ໄປນີ້. Stealthwatch ຕິດຕາມກວດກາການເຄື່ອນໄຫວຂອງອຸປະກອນທຸກອັນຢູ່ໃນເຄືອຂ່າຍຢ່າງລະມັດລະວັງແລະສາມາດສ້າງຮູບແບບຂອງພຶດຕິກໍາປົກກະຕິ. ນອກຈາກນັ້ນ, ການແກ້ໄຂນີ້ໃຫ້ຄວາມເຂົ້າໃຈເລິກເຊິ່ງກ່ຽວກັບພຶດຕິກໍາທີ່ບໍ່ເຫມາະສົມທີ່ຮູ້ຈັກ. ການແກ້ໄຂນໍາໃຊ້ປະມານ 100 ຂັ້ນຕອນການວິເຄາະທີ່ແຕກຕ່າງກັນຫຼື heuristics ທີ່ແກ້ໄຂປະເພດຕ່າງໆຂອງພຶດຕິກໍາການຈະລາຈອນເຊັ່ນ: ການສະແກນ, ເຟຣມເຕືອນໄພຂອງເຈົ້າພາບ, ການເຂົ້າສູ່ລະບົບ brute-force, ການຈັບຂໍ້ມູນທີ່ສົງໃສ, ການຮົ່ວໄຫລຂອງຂໍ້ມູນທີ່ສົງໃສ, ແລະອື່ນໆ. ເຫດການຄວາມປອດໄພທີ່ລະບຸໄວ້ແມ່ນຢູ່ພາຍໃຕ້ປະເພດຂອງສັນຍານເຕືອນທີ່ມີເຫດຜົນລະດັບສູງ. ບາງເຫດການຄວາມປອດໄພສາມາດກະຕຸ້ນເຕືອນດ້ວຍຕົວມັນເອງ. ດັ່ງນັ້ນ, ລະບົບຈຶ່ງສາມາດເຊື່ອມໂຍງເຫດການຜິດປົກກະຕິທີ່ໂດດດ່ຽວຫຼາຍຢ່າງແລະເຮັດໃຫ້ພວກມັນຮ່ວມກັນເພື່ອກໍານົດປະເພດຂອງການໂຈມຕີທີ່ເປັນໄປໄດ້, ເຊັ່ນດຽວກັນກັບການເຊື່ອມໂຍງກັບອຸປະກອນແລະຜູ້ໃຊ້ສະເພາະ (ຮູບ 2). ໃນອະນາຄົດ, ເຫດການສາມາດສຶກສາໃນໄລຍະເວລາແລະຄໍານຶງເຖິງຂໍ້ມູນ telemetry ທີ່ກ່ຽວຂ້ອງ. ນີ້ປະກອບເປັນຂໍ້ມູນບໍລິບົດທີ່ດີທີ່ສຸດ. ແພດກວດຄົນເຈັບເພື່ອເຂົ້າໃຈສິ່ງທີ່ຜິດພາດບໍ່ໄດ້ເບິ່ງອາການຢູ່ໃນການໂດດດ່ຽວ. ພວກເຂົາເບິ່ງຮູບໃຫຍ່ເພື່ອເຮັດໃຫ້ການວິນິດໄສ. ເຊັ່ນດຽວກັນ, Stealthwatch ຈັບທຸກໆກິດຈະກໍາທີ່ຜິດປົກກະຕິໃນເຄືອຂ່າຍແລະກວດເບິ່ງມັນແບບລວມໆເພື່ອສົ່ງສັນຍານເຕືອນກ່ຽວກັບສະພາບການ, ດັ່ງນັ້ນການຊ່ວຍໃຫ້ຜູ້ຊ່ຽວຊານດ້ານຄວາມປອດໄພຈັດລໍາດັບຄວາມສໍາຄັນຂອງຄວາມສ່ຽງ.

ການກວດຫາຄວາມຜິດປົກກະຕິໂດຍໃຊ້ການສ້າງແບບຈໍາລອງພຶດຕິກໍາ

ການ​ນໍາ​ໃຊ້​ທາງ​ດ້ານ​ຮ່າງ​ກາຍ​ຂອງ​ເຄືອ​ຂ່າຍ​ເບິ່ງ​ຄື​ນີ້​:

ທາງເລືອກໃນການນຳໃຊ້ເຄືອຂ່າຍສາຂາ (ແບບຫຍໍ້)

ທາງເລືອກໃນການນຳໃຊ້ເຄືອຂ່າຍສາຂາ

ເຄືອຂ່າຍໄດ້ຖືກປະຕິບັດ, ແຕ່ຄໍາຖາມກ່ຽວກັບ neuron ຍັງຄົງເປີດ. ພວກເຂົາເຈົ້າໄດ້ຈັດຕັ້ງເຄືອຂ່າຍການສົ່ງຂໍ້ມູນ, ຕິດຕັ້ງເຊັນເຊີຢູ່ໃນຂອບເຂດແລະເປີດຕົວລະບົບການເກັບກໍາຂໍ້ມູນ, ແຕ່ neuron ບໍ່ໄດ້ມີສ່ວນຮ່ວມໃນເລື່ອງນີ້. ສະບາຍດີ.

ເຄືອຂ່າຍ neural ຫຼາຍຊັ້ນ

ລະບົບຈະວິເຄາະພຶດຕິກໍາຂອງຜູ້ໃຊ້ແລະອຸປະກອນເພື່ອກວດຫາການຕິດເຊື້ອທີ່ເປັນອັນຕະລາຍ, ການສື່ສານກັບເຄື່ອງແມ່ຂ່າຍຂອງຄໍາສັ່ງແລະການຄວບຄຸມ, ການຮົ່ວໄຫລຂອງຂໍ້ມູນ, ແລະແອັບພລິເຄຊັນທີ່ອາດຈະບໍ່ຕ້ອງການທີ່ເຮັດວຽກຢູ່ໃນໂຄງສ້າງພື້ນຖານຂອງອົງການ. ມີການປະມວນຜົນຂໍ້ມູນຫຼາຍຊັ້ນທີ່ປະສົມປະສານຂອງປັນຍາປະດິດ, ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ ແລະເຕັກນິກສະຖິຕິທາງຄະນິດສາດຊ່ວຍໃຫ້ເຄືອຂ່າຍຮຽນຮູ້ການເຄື່ອນໄຫວປົກກະຕິຂອງມັນເພື່ອໃຫ້ມັນສາມາດກວດພົບການເຄື່ອນໄຫວທີ່ເປັນອັນຕະລາຍ.

ທໍ່ການວິເຄາະຄວາມປອດໄພຂອງເຄືອຂ່າຍ, ເຊິ່ງເກັບກໍາຂໍ້ມູນ telemetry ຈາກທຸກພາກສ່ວນຂອງເຄືອຂ່າຍຂະຫຍາຍ, ລວມທັງການຈະລາຈອນທີ່ຖືກເຂົ້າລະຫັດ, ເປັນລັກສະນະພິເສດຂອງ Stealthwatch. ມັນຄ່ອຍໆພັດທະນາຄວາມເຂົ້າໃຈກ່ຽວກັບສິ່ງທີ່ "ຜິດປົກກະຕິ", ຫຼັງຈາກນັ້ນຈັດປະເພດອົງປະກອບຕົວຈິງຂອງ "ກິດຈະກໍາໄພຂົ່ມຂູ່", ແລະສຸດທ້າຍເຮັດໃຫ້ການຕັດສິນຂັ້ນສຸດທ້າຍກ່ຽວກັບວ່າອຸປະກອນຫຼືຜູ້ໃຊ້ໄດ້ຖືກຫຼຸດຫນ້ອຍລົງ. ຄວາມ​ສາ​ມາດ​ໃນ​ການ​ປະ​ກອບ​ສ່ວນ​ຂະ​ຫນາດ​ນ້ອຍ​ທີ່​ຮ່ວມ​ກັນ​ເປັນ​ຫຼັກ​ຖານ​ເພື່ອ​ເຮັດ​ໃຫ້​ການ​ຕັດ​ສິນ​ໃຈ​ຂັ້ນ​ສຸດ​ທ້າຍ​ກ່ຽວ​ກັບ​ວ່າ​ຊັບ​ສິນ​ໄດ້​ຖືກ​ຫຼຸດ​ຫນ້ອຍ​ລົງ​ມາ​ໂດຍ​ຜ່ານ​ການ​ວິ​ເຄາະ​ລະ​ມັດ​ລະ​ວັງ​ແລະ​ຄວາມ​ສໍາ​ພັນ​ທີ່​ສຸດ​.

ຄວາມສາມາດນີ້ແມ່ນສໍາຄັນເພາະວ່າທຸລະກິດທົ່ວໄປອາດຈະໄດ້ຮັບການເຕືອນໄພຈໍານວນຫລາຍໃນແຕ່ລະມື້, ແລະມັນເປັນໄປບໍ່ໄດ້ທີ່ຈະສືບສວນທຸກໆຄັ້ງເພາະວ່າຜູ້ຊ່ຽວຊານດ້ານຄວາມປອດໄພມີຊັບພະຍາກອນຈໍາກັດ. ໂມດູນການຮຽນຮູ້ເຄື່ອງຈັກປະມວນຜົນຂໍ້ມູນຈໍານວນຫຼວງຫຼາຍໃນເວລາໃກ້ກັບເວລາຈິງເພື່ອກໍານົດເຫດການສໍາຄັນທີ່ມີຄວາມຫມັ້ນໃຈໃນລະດັບສູງ, ແລະຍັງສາມາດສະຫນອງຫຼັກສູດການປະຕິບັດທີ່ຊັດເຈນສໍາລັບການແກ້ໄຂຢ່າງໄວວາ.

ລອງເບິ່ງຢ່າງລະອຽດກ່ຽວກັບເຕັກນິກການຮຽນຮູ້ເຄື່ອງຈັກຈໍານວນຫລາຍທີ່ໃຊ້ໂດຍ Stealthwatch. ເມື່ອເຫດການຖືກສົ່ງກັບເຄື່ອງຈັກການຮຽນຮູ້ເຄື່ອງຈັກຂອງ Stealthwatch, ມັນຈະຜ່ານຊ່ອງທາງການວິເຄາະຄວາມປອດໄພທີ່ໃຊ້ການປະສົມປະສານຂອງເຕັກນິກການຮຽນຮູ້ເຄື່ອງຈັກທີ່ມີການຄວບຄຸມເບິ່ງແຍງແລະບໍ່ມີການຄວບຄຸມ.

ຄວາມສາມາດໃນການຮຽນຮູ້ເຄື່ອງຈັກຫຼາຍລະດັບ

ລະດັບ 1. ການກວດຫາຄວາມຜິດປົກກະຕິ ແລະການສ້າງແບບຈໍາລອງຄວາມໄວ້ວາງໃຈ

ໃນລະດັບນີ້, 99% ຂອງການຈະລາຈອນຖືກຍົກເລີກໂດຍໃຊ້ເຄື່ອງກວດຈັບຄວາມຜິດກະຕິທາງສະຖິຕິ. ເຊັນເຊີເຫຼົ່ານີ້ຮ່ວມກັນສ້າງແບບຈໍາລອງທີ່ສັບສົນຂອງສິ່ງທີ່ປົກກະຕິແລະສິ່ງທີ່, ໃນທາງກົງກັນຂ້າມ, ແມ່ນຜິດປົກກະຕິ. ຢ່າງໃດກໍຕາມ, ຜິດປົກກະຕິແມ່ນບໍ່ຈໍາເປັນເປັນອັນຕະລາຍ. ຫຼາຍໆສິ່ງທີ່ເກີດຂຶ້ນໃນເຄືອຂ່າຍຂອງເຈົ້າບໍ່ມີຫຍັງກ່ຽວຂ້ອງກັບໄພຂົ່ມຂູ່—ມັນເປັນເລື່ອງແປກ. ມັນເປັນສິ່ງສໍາຄັນທີ່ຈະຈັດປະເພດຂະບວນການດັ່ງກ່າວໂດຍບໍ່ຄໍານຶງເຖິງພຶດຕິກໍາການຂົ່ມຂູ່. ສໍາລັບເຫດຜົນນີ້, ຜົນໄດ້ຮັບຂອງເຄື່ອງກວດຈັບດັ່ງກ່າວໄດ້ຖືກວິເຄາະຕື່ມອີກເພື່ອເກັບກໍາພຶດຕິກໍາທີ່ແປກປະຫລາດທີ່ສາມາດອະທິບາຍແລະເຊື່ອຖືໄດ້. ໃນທີ່ສຸດ, ມີພຽງແຕ່ສ່ວນນ້ອຍຂອງກະທູ້ແລະຄໍາຮ້ອງຂໍທີ່ສໍາຄັນທີ່ສຸດເຮັດໃຫ້ມັນເຖິງຊັ້ນ 2 ແລະ 3. ໂດຍບໍ່ມີການນໍາໃຊ້ເຕັກນິກການຮຽນຮູ້ເຄື່ອງຈັກດັ່ງກ່າວ, ຄ່າໃຊ້ຈ່າຍໃນການດໍາເນີນງານຂອງການແຍກສັນຍານຈາກສິ່ງລົບກວນຈະສູງເກີນໄປ.

ການກວດຫາຄວາມຜິດປົກກະຕິ. ຂັ້ນຕອນທໍາອິດໃນການກວດຫາຄວາມຜິດປົກກະຕິໃຊ້ເຕັກນິກການຮຽນຮູ້ເຄື່ອງຈັກທາງສະຖິຕິເພື່ອແຍກການຈະລາຈອນປົກກະຕິທາງສະຖິຕິຈາກການຈາລະຈອນຜິດປົກກະຕິ. ຫຼາຍກວ່າ 70 ເຄື່ອງກວດຈັບບຸກຄົນປະມວນຜົນຂໍ້ມູນ telemetry Stealthwatch ເກັບກໍາກ່ຽວກັບການຈະລາຈອນທີ່ຜ່ານ perimeter ເຄືອຂ່າຍຂອງທ່ານ, ແຍກຂໍ້ມູນພາຍໃນຂອງ Domain Name System (DNS) ຈາກຂໍ້ມູນເຊີຟເວີຕົວແທນ, ຖ້າມີ. ແຕ່ລະຄໍາຮ້ອງຂໍຖືກປະມວນຜົນໂດຍເຄື່ອງກວດຈັບຫຼາຍກວ່າ 70 ເຄື່ອງ, ໂດຍແຕ່ລະເຄື່ອງກວດຈັບໃຊ້ວິທີທາງສະຖິຕິຂອງຕົນເອງເພື່ອສ້າງການປະເມີນຄວາມຜິດປົກກະຕິທີ່ກວດພົບ. ຄະແນນເຫຼົ່ານີ້ຖືກລວມເຂົ້າກັນ ແລະຫຼາຍວິທີທາງສະຖິຕິໄດ້ຖືກນໍາໃຊ້ເພື່ອຜະລິດຄະແນນດຽວສໍາລັບການສອບຖາມແຕ່ລະຄົນ. ຫຼັງຈາກນັ້ນ, ຄະແນນລວມນີ້ຖືກນໍາໃຊ້ເພື່ອແຍກການຈະລາຈອນປົກກະຕິແລະຜິດປົກກະຕິ.

ຄວາມໄວ້ວາງໃຈໃນການສ້າງແບບຈໍາລອງ. ຕໍ່ໄປ, ການຮ້ອງຂໍທີ່ຄ້າຍຄືກັນແມ່ນຖືກຈັດເປັນກຸ່ມ, ແລະຄະແນນຄວາມຜິດປົກກະຕິລວມສໍາລັບກຸ່ມດັ່ງກ່າວຖືກກໍານົດເປັນຄ່າສະເລ່ຍໃນໄລຍະຍາວ. ເມື່ອເວລາຜ່ານໄປ, ການສອບຖາມເພີ່ມເຕີມໄດ້ຖືກວິເຄາະເພື່ອກໍານົດຄ່າສະເລ່ຍໃນໄລຍະຍາວ, ດັ່ງນັ້ນການຫຼຸດຜ່ອນຜົນບວກທີ່ບໍ່ຖືກຕ້ອງແລະທາງລົບທີ່ບໍ່ຖືກຕ້ອງ. ຜົນໄດ້ຮັບຂອງການສ້າງແບບຈໍາລອງຄວາມໄວ້ວາງໃຈຖືກນໍາໃຊ້ເພື່ອເລືອກຊຸດຍ່ອຍຂອງການຈະລາຈອນທີ່ມີຄະແນນຜິດປົກກະຕິເກີນຂອບເຂດທີ່ກໍານົດໄວ້ໃນແບບເຄື່ອນໄຫວເພື່ອຍ້າຍໄປໃນລະດັບການປຸງແຕ່ງຕໍ່ໄປ.

ລະດັບ 2. ການຈັດປະເພດເຫດການ ແລະການສ້າງແບບຈໍາລອງວັດຖຸ

ໃນລະດັບນີ້, ຜົນໄດ້ຮັບທີ່ໄດ້ຮັບໃນຂັ້ນຕອນທີ່ຜ່ານມາໄດ້ຖືກຈັດປະເພດແລະມອບຫມາຍໃຫ້ກັບເຫດການທີ່ເປັນອັນຕະລາຍສະເພາະ. ເຫດການຖືກຈັດປະເພດໂດຍອີງໃສ່ມູນຄ່າທີ່ກໍາຫນົດໂດຍເຄື່ອງຈັດປະເພດການຮຽນຮູ້ເຄື່ອງຈັກເພື່ອຮັບປະກັນອັດຕາຄວາມຖືກຕ້ອງທີ່ສອດຄ່ອງຂ້າງເທິງ 90%. ໃນບັນດາພວກເຂົາ:

• ຮູບແບບເສັ້ນໂດຍອີງໃສ່ Neyman-Pearson lemma (ກົດຫມາຍຂອງການແຜ່ກະຈາຍປົກກະຕິຈາກກາຟໃນຕອນຕົ້ນຂອງບົດຄວາມ)
• ສະຫນັບສະຫນູນເຄື່ອງຈັກ vector ໂດຍໃຊ້ການຮຽນຮູ້ຫຼາຍຕົວແປ
• ເຄືອຂ່າຍ neural ແລະ algorithm ປ່າໄມ້ແບບສຸ່ມ.

ເຫດການຄວາມປອດໄພທີ່ໂດດດ່ຽວເຫຼົ່ານີ້ຫຼັງຈາກນັ້ນໄດ້ຖືກເຊື່ອມໂຍງກັບຈຸດສິ້ນສຸດດຽວໃນໄລຍະເວລາ. ມັນແມ່ນຢູ່ໃນຂັ້ນຕອນນີ້ທີ່ຄໍາອະທິບາຍໄພຂົ່ມຂູ່ຖືກສ້າງຕັ້ງຂຶ້ນ, ໂດຍອີງໃສ່ຮູບພາບທີ່ສົມບູນໄດ້ຖືກສ້າງຂື້ນກ່ຽວກັບວິທີການຈັດການການໂຈມຕີທີ່ກ່ຽວຂ້ອງເພື່ອບັນລຸຜົນໄດ້ຮັບທີ່ແນ່ນອນ.

ການຈັດປະເພດຂອງເຫດການ. ຊຸດຍ່ອຍທີ່ຜິດປົກກະຕິທາງສະຖິຕິຈາກລະດັບທີ່ຜ່ານມາແມ່ນແຈກຢາຍເປັນ 100 ປະເພດຫຼືຫຼາຍກວ່ານັ້ນໂດຍໃຊ້ຕົວຈັດປະເພດ. ການຈັດປະເພດສ່ວນໃຫຍ່ແມ່ນອີງໃສ່ພຶດຕິກໍາຂອງບຸກຄົນ, ຄວາມສໍາພັນຂອງກຸ່ມ, ຫຼືພຶດຕິກໍາໃນລະດັບໂລກຫຼືທ້ອງຖິ່ນ, ໃນຂະນະທີ່ຄົນອື່ນສາມາດຂ້ອນຂ້າງສະເພາະ. ຕົວຢ່າງ, ຕົວຈັດປະເພດສາມາດຊີ້ບອກການຈະລາຈອນ C&C, ສ່ວນຂະຫຍາຍທີ່ໜ້າສົງໄສ, ຫຼືການອັບເດດຊອບແວທີ່ບໍ່ໄດ້ຮັບອະນຸຍາດ. ອີງຕາມຜົນໄດ້ຮັບຂອງຂັ້ນຕອນນີ້, ຊຸດຂອງເຫດການຜິດປົກກະຕິໃນລະບົບຄວາມປອດໄພ, ຈັດປະເພດເປັນບາງປະເພດ, ຖືກສ້າງຕັ້ງຂຶ້ນ.

ການສ້າງແບບຈໍາລອງວັດຖຸ. ຖ້າຈໍານວນຫຼັກຖານທີ່ສະຫນັບສະຫນູນສົມມຸດຕິຖານວ່າວັດຖຸສະເພາະໃດຫນຶ່ງເປັນອັນຕະລາຍເກີນຂອບເຂດຂອງວັດຖຸ, ໄພຂົ່ມຂູ່ແມ່ນຖືກກໍານົດ. ເຫດການທີ່ກ່ຽວຂ້ອງທີ່ມີອິດທິພົນຕໍ່ຄໍານິຍາມຂອງໄພຂົ່ມຂູ່ແມ່ນກ່ຽວຂ້ອງກັບໄພຂົ່ມຂູ່ດັ່ງກ່າວແລະກາຍເປັນສ່ວນຫນຶ່ງຂອງຕົວແບບໄລຍະຍາວທີ່ບໍ່ຊ້ໍາກັນຂອງວັດຖຸ. ເນື່ອງຈາກຫຼັກຖານສະສົມຕາມເວລາ, ລະບົບຈະກໍານົດໄພຂົ່ມຂູ່ໃຫມ່ເມື່ອເຖິງເກນວັດຖຸ. ມູນຄ່າເກນນີ້ແມ່ນເປັນແບບເຄື່ອນໄຫວ ແລະຖືກປັບຕົວຢ່າງສະຫຼາດໂດຍອີງໃສ່ລະດັບຄວາມສ່ຽງໄພຂົ່ມຂູ່ ແລະປັດໃຈອື່ນໆ. ຫຼັງຈາກນີ້, ໄພຂົ່ມຂູ່ຈະປາກົດຢູ່ໃນກະດານຂໍ້ມູນຂອງການໂຕ້ຕອບເວັບແລະຖືກໂອນໄປໃນລະດັບຕໍ່ໄປ.

ລະດັບ 3. ການສ້າງແບບຈໍາລອງຄວາມສໍາພັນ

ຈຸດປະສົງຂອງການສ້າງແບບຈໍາລອງການພົວພັນແມ່ນເພື່ອສັງລວມຜົນໄດ້ຮັບທີ່ໄດ້ຮັບໃນລະດັບທີ່ຜ່ານມາຈາກທັດສະນະທົ່ວໂລກ, ຄໍານຶງເຖິງບໍ່ພຽງແຕ່ທ້ອງຖິ່ນເທົ່ານັ້ນ, ແຕ່ຍັງສະພາບການທົ່ວໂລກຂອງເຫດການທີ່ກ່ຽວຂ້ອງ. ມັນແມ່ນຢູ່ໃນຂັ້ນຕອນນີ້ທີ່ທ່ານສາມາດກໍານົດວິທີການຈໍານວນຫຼາຍອົງການຈັດຕັ້ງໄດ້ພົບກັບການໂຈມຕີດັ່ງກ່າວເພື່ອເຂົ້າໃຈວ່າມັນມີຈຸດປະສົງໂດຍສະເພາະກັບທ່ານຫຼືເປັນສ່ວນຫນຶ່ງຂອງການໂຄສະນາທົ່ວໂລກ, ແລະທ່ານພຽງແຕ່ຖືກຈັບ.

ເຫດການໄດ້ຖືກຢືນຢັນຫຼືຄົ້ນພົບ. ເຫດການທີ່ຢືນຢັນໄດ້ຊີ້ໃຫ້ເຫັນເຖິງຄວາມຫມັ້ນໃຈ 99 ຫາ 100% ເພາະວ່າເຕັກນິກແລະເຄື່ອງມືທີ່ກ່ຽວຂ້ອງໄດ້ຖືກສັງເກດເຫັນໃນການປະຕິບັດໃນຂອບເຂດທີ່ໃຫຍ່ກວ່າ (ທົ່ວໂລກ). ເຫດການທີ່ກວດພົບແມ່ນເປັນເອກະລັກສະເພາະສຳລັບທ່ານ ແລະເປັນສ່ວນໜຶ່ງຂອງແຄມເປນທີ່ມີເປົ້າໝາຍສູງ. ການຄົ້ນພົບທີ່ຜ່ານມາໄດ້ຖືກແບ່ງປັນກັບວິທີການປະຕິບັດທີ່ຮູ້ຈັກ, ປະຢັດເວລາ ແລະຊັບພະຍາກອນໃນການຕອບສະໜອງ. ພວກເຂົາມາພ້ອມກັບເຄື່ອງມືການສືບສວນທີ່ທ່ານຕ້ອງການເຂົ້າໃຈວ່າໃຜໂຈມຕີທ່ານແລະຂອບເຂດທີ່ແຄມເປນກໍາລັງເປົ້າຫມາຍທຸລະກິດດິຈິຕອນຂອງທ່ານ. ດັ່ງທີ່ເຈົ້າສາມາດຈິນຕະນາການໄດ້, ຈໍານວນເຫດການທີ່ໄດ້ຮັບການຢືນຢັນເກີນຈໍານວນທີ່ກວດພົບສໍາລັບເຫດຜົນງ່າຍໆວ່າເຫດການທີ່ຖືກຢືນຢັນບໍ່ມີຄ່າໃຊ້ຈ່າຍຫຼາຍຕໍ່ຜູ້ໂຈມຕີ, ໃນຂະນະທີ່ເຫດການທີ່ກວດພົບແມ່ນເຮັດ.
ລາຄາແພງເພາະວ່າພວກເຂົາຕ້ອງມີໃຫມ່ແລະປັບແຕ່ງ. ໂດຍການສ້າງຄວາມສາມາດໃນການກໍານົດເຫດການທີ່ຖືກຢືນຢັນ, ເສດຖະກິດຂອງເກມສຸດທ້າຍໄດ້ຫັນໄປສູ່ຄວາມໂປດປານຂອງຜູ້ຖືກກ່າວຟ້ອງ, ເຮັດໃຫ້ພວກເຂົາມີປະໂຫຍດທີ່ແຕກຕ່າງກັນ.

ການຝຶກອົບຮົມຫຼາຍລະດັບຂອງລະບົບການເຊື່ອມຕໍ່ neural ໂດຍອີງໃສ່ ETA

ແຜນທີ່ຄວາມສ່ຽງທົ່ວໂລກ

ແຜນ​ທີ່​ຄວາມ​ສ່ຽງ​ໃນ​ທົ່ວ​ໂລກ​ໄດ້​ຖືກ​ສ້າງ​ຂຶ້ນ​ໂດຍ​ຜ່ານ​ການ​ວິ​ເຄາະ​ນໍາ​ໃຊ້​ໂດຍ​ວິ​ທີ​ການ​ການ​ຮຽນ​ຮູ້​ເຄື່ອງ​ຈັກ​ກັບ​ຫນຶ່ງ​ໃນ​ຊຸດ​ຂໍ້​ມູນ​ທີ່​ໃຫຍ່​ທີ່​ສຸດ​ຂອງ​ປະ​ເພດ​ຂອງ​ຕົນ​ໃນ​ອຸດ​ສາ​ຫະ​ກໍາ​. ມັນສະຫນອງສະຖິຕິພຶດຕິກໍາຢ່າງກວ້າງຂວາງກ່ຽວກັບເຄື່ອງແມ່ຂ່າຍໃນອິນເຕີເນັດ, ເຖິງແມ່ນວ່າພວກເຂົາບໍ່ຮູ້. ເຊີບເວີດັ່ງກ່າວແມ່ນກ່ຽວຂ້ອງກັບການໂຈມຕີ ແລະອາດຈະມີສ່ວນຮ່ວມ ຫຼືໃຊ້ເປັນສ່ວນໜຶ່ງຂອງການໂຈມຕີໃນອະນາຄົດ. ນີ້ບໍ່ແມ່ນ "ບັນຊີດໍາ", ແຕ່ເປັນຮູບພາບທີ່ສົມບູນແບບຂອງເຄື່ອງແມ່ຂ່າຍໃນຄໍາຖາມຈາກຈຸດຄວາມປອດໄພຂອງທັດສະນະ. ຂໍ້ມູນບໍລິບົດກ່ຽວກັບການເຄື່ອນໄຫວຂອງເຊີບເວີເຫຼົ່ານີ້ຊ່ວຍໃຫ້ເຄື່ອງກວດຈັບການຮຽນຮູ້ເຄື່ອງຈັກຂອງ Stealthwatch ແລະຕົວຈັດປະເພດສາມາດຄາດຄະເນໄດ້ຢ່າງຖືກຕ້ອງກ່ຽວກັບລະດັບຄວາມສ່ຽງທີ່ກ່ຽວຂ້ອງກັບການສື່ສານກັບເຊີບເວີດັ່ງກ່າວ.

ທ່ານສາມາດເບິ່ງບັດທີ່ມີຢູ່ ທີ່ນີ້.

ແຜນທີ່ໂລກສະແດງໃຫ້ເຫັນ 460 ລ້ານທີ່ຢູ່ IP

ຕອນນີ້ເຄືອຂ່າຍຮຽນຮູ້ ແລະຢືນຂຶ້ນເພື່ອປົກປ້ອງເຄືອຂ່າຍຂອງເຈົ້າ.

ໃນທີ່ສຸດ, ໂຣກ panacea ໄດ້ຖືກພົບເຫັນບໍ?

ແຕ່ຫນ້າເສຍດາຍ ບໍ່​ມີ. ຈາກປະສົບການເຮັດວຽກກັບລະບົບ, ຂ້ອຍສາມາດເວົ້າໄດ້ວ່າມີບັນຫາ 2 ຂອງໂລກ.

ບັນຫາ 1. ລາຄາ. ເຄືອຂ່າຍທັງໝົດຖືກນຳໃຊ້ຢູ່ໃນລະບົບ Cisco. ນີ້ແມ່ນທັງດີແລະບໍ່ດີ. ດ້ານດີແມ່ນວ່າທ່ານບໍ່ຈໍາເປັນຕ້ອງລົບກວນແລະຕິດຕັ້ງປລັກສຽບເຊັ່ນ D-Link, MikroTik, ແລະອື່ນໆ. ຂໍ້ເສຍແມ່ນຄ່າໃຊ້ຈ່າຍອັນໃຫຍ່ຫຼວງຂອງລະບົບ. ພິຈາລະນາສະພາບເສດຖະກິດຂອງທຸລະກິດລັດເຊຍ, ໃນເວລານີ້ມີພຽງແຕ່ເຈົ້າຂອງບໍລິສັດຫຼືທະນາຄານທີ່ຮັ່ງມີເທົ່ານັ້ນທີ່ສາມາດຊື້ສິ່ງມະຫັດສະຈັນນີ້ໄດ້.

ບັນຫາທີ 2: ການຝຶກອົບຮົມ. ຂ້າພະເຈົ້າບໍ່ໄດ້ຂຽນໃນບົດຄວາມໄລຍະເວລາການຝຶກອົບຮົມສໍາລັບເຄືອຂ່າຍ neural, ແຕ່ບໍ່ແມ່ນຍ້ອນວ່າມັນບໍ່ມີ, ແຕ່ເນື່ອງຈາກວ່າມັນແມ່ນການຮຽນຮູ້ຕະຫຼອດເວລາແລະພວກເຮົາບໍ່ສາມາດຄາດຄະເນເວລາທີ່ມັນຈະຮຽນຮູ້. ແນ່ນອນ, ມີເຄື່ອງມືຂອງສະຖິຕິທາງຄະນິດສາດ (ເອົາຮູບແບບດຽວກັນຂອງເງື່ອນໄຂການເຂົ້າກັນຂອງ Pearson), ແຕ່ເຫຼົ່ານີ້ແມ່ນມາດຕະການເຄິ່ງຫນຶ່ງ. ພວກເຮົາໄດ້ຮັບຄວາມເປັນໄປໄດ້ຂອງການກັ່ນຕອງການຈະລາຈອນ, ແລະເຖິງແມ່ນວ່າພຽງແຕ່ພາຍໃຕ້ເງື່ອນໄຂທີ່ການໂຈມຕີໄດ້ຖືກ mastered ແລະຮູ້ຈັກແລ້ວ.

ເຖິງວ່າຈະມີ 2 ບັນຫານີ້, ພວກເຮົາໄດ້ກ້າວກະໂດດຢ່າງໃຫຍ່ຫຼວງໃນການພັດທະນາຄວາມປອດໄພຂອງຂໍ້ມູນໂດຍທົ່ວໄປແລະການປົກປ້ອງເຄືອຂ່າຍໂດຍສະເພາະ. ຄວາມຈິງນີ້ສາມາດເປັນແຮງຈູງໃຈສໍາລັບການສຶກສາຂອງເຕັກໂນໂລຢີເຄືອຂ່າຍແລະເຄືອຂ່າຍ neural, ເຊິ່ງປະຈຸບັນເປັນທິດທາງທີ່ດີຫຼາຍ.

ແຫຼ່ງຂໍ້ມູນ: www.habr.com