網路安全中的機器學習：為何在今日如此重要

什麼是網路安全中的機器學習？

網路安全中的機器學習是指從安全資料中學習的演算法，無需針對每種攻擊情境進行明確程式設計，即可發現、預防及回應威脅。這些系統會分析網路流量、使用者行為及系統事件中的模式，以區分正常活動與潛在威脅。

ML 安全性使用以良性與惡意活動資料集訓練的統計模型。這些模型學習辨識攻擊的行為特徵：勒索軟體加密前的 API 呼叫序列、顯示資料外洩的網路模式，或暗示憑證竊取的驗證異常。這使安全系統能透過辨識可疑模式，而非比對已知特徵碼，來發現先前從未見過的威脅。

三種主要的 ML 技術驅動現代安全系統。監督式學習以標記資料集進行訓練，以分類新事件。非監督式學習透過建立行為基準來發現異常。深度學習則套用神經網路來處理如網路封包擷取等複雜資料。每種技術都能應對特定挑戰，從惡意軟體分類到 內部威脅 偵測。

機器學習與網路安全有何關聯？

機器學習 在網路安全中透過模式辨識提供自主威脅偵測，能夠適應不斷演變的威脅，而無需針對每種情境進行明確程式設計。ML 透過分析模式、發現異常並適應威脅的演算法來增強安全系統。此方法不同於需要針對每個新威脅變體手動更新的特徵碼式方法。

根據 FBI 資料，網路釣魚申訴增加了 714% 年增率，從 2,856 件躍升至 23,252 件申訴。  ML 透過行為分析來應對此問題。ML 系統已成功在涵蓋多個惡意軟體家族的大型樣本集中發現經過混淆的勒索軟體變體。傳統的模式比對與特徵碼式技術無法對抗進階混淆，而深度學習方法則能維持成效。

網路安全中機器學習的核心組成元件

您的企業 ML 系統有五個層級，決定了偵測成效。

1. 資料蒐集構成您的基礎。 您的系統會擷取來自 SIEM 記錄、端點遙測、網路流量擷取及雲端基礎架構統計資料的安全事件資料。 Singularity Platform 使用 Open Cybersecurity Schema Framework (OCSF) 將此資料整合至統一資料湖中，並將來自原生與第三方來源的事件標準化。
2. 特徵工程決定您的偵測準確度。 適當的特徵工程可讓人工神經網路與支援向量機在入侵偵測方面達到更高準確度。自主事件關聯引擎會將原始安全事件轉換為 ML 模型可分析的結構化攻擊敘事，將每個事件連結至其父程序、網路連線及檔案修改。
3. 模型訓練需要您在監督式與非監督式學習之間做出選擇。 監督式學習對已知威脅模式可達到有文件記載的高偵測率。非監督式學習則解決一項關鍵挑戰：由於網路威脅的動態特性，大量標記資料集往往不可用或已過時。
4. 即時推論每秒處理數千個事件， 在產生可採取行動的警示時，會跨多個資料來源進行關聯，而不會讓您的分析師不堪負荷。企業安全平台透過分散式架構實作即時推論，每秒處理數千個安全事件。這些系統會關聯 端點 遙測、網路流量及雲端基礎架構資料，同時維持勒索軟體遏制所需的次秒級回應時間。
5. 對抗性防禦完成您的架構。 ML 系統以資料驅動的特性引入了傳統軟體系統不會面臨的新攻擊向量。 NIST 將攻擊分類為規避、污染、隱私及濫用攻擊，需採取對抗性因應措施。

了解這五個層級，有助於釐清 ML 在實務中如何處理威脅。

網路安全中機器學習的主要應用

機器學習為整個攻擊生命週期中的安全能力提供動力，涵蓋從預防到偵測與回應。

• 惡意軟體偵測與分類 是最成熟的 ML 安全應用。Behavioral AI 會分析可執行檔行為、檔案特徵及程序關係，以發現惡意程式碼。這些模型可發現 零時差惡意軟體 變體，透過辨識攻擊模式而非特定檔案雜湊值，來避開特徵碼式防毒軟體。
• 網路入侵偵測 將 ML 應用於發現惡意流量模式。以正常網路行為訓練的模型會標記異常，例如不尋常的連接埠使用、可疑的資料傳輸，以及命令與控制通訊模式。
• 使用者與實體行為分析 (UEBA) 為使用者、裝置及應用程式建立行為基準，以發現內部威脅與遭入侵的帳戶。當使用者帳戶突然存取不尋常的資源或從意外位置登入時，ML 模型會將該異常標記供調查。此方法可捕捉憑證竊取 及特徵碼式工具遺漏的橫向移動。
• 電子郵件與網路釣魚防護 使用自然語言處理與寄件者信譽分析來發現惡意訊息。ML 模型會分析電子郵件內容、內嵌 URL 及附件特徵，以封鎖 phishing 嘗試。
• 弱點優先排序 可協助安全團隊將修補工作聚焦於最有可能遭利用的 弱點。ML 模型會分析弱點特徵、可用的利用程式，以及資產關鍵性，以預測哪些問題帶來最大的風險。

這些應用程式可在統一平台中協同運作，為您的基礎架構提供分層防禦。

機器學習如何在安全營運中運作

ML 安全系統遵循一套循序工作流程，將原始安全資料轉換為可採取行動的威脅情報：

• 資料蒐集會將來自端點、網路、雲端基礎架構，以及身分識別系統的安全事件彙整到集中式儲存庫中。
• 接著，特徵工程會透過擷取行為指標、程序關係和網路連線模式，將這些事件結構化以供分析。
• 在模型訓練期間，監督式方法會從已標記的威脅資料中學習，而非監督式方法則會在沒有預先定義類別的情況下識別異常。
• 即時推論會在事件發生時，將已訓練的模型套用至即時事件。當模型識別出可疑行為時，會觸發包含信心分數與情境資訊的警示。
• 系統也會維持持續監控，追蹤模型效能指標，並在準確率低於既定門檻時觸發重新訓練週期。

此工作流程可在偵測、回應及分析師效率方面帶來可衡量的營運改善。

在資安計畫中導入機器學習

成功部署 ML 安全方案，需要在資料準備、模型選擇、整合與營運方面採取結構化方法。

• 第 1 階段：資料基礎。 稽核您現有的安全資料來源並找出缺口。ML 模型需要可代表正常營運與威脅情境的高品質資料。評估您的 SIEM、端點、網路與雲端遙測資料的完整性與保留期間。
• 第 2 階段：使用案例優先排序。 找出 ML 相較於現有工具可提供可衡量優勢的特定安全挑戰。高價值的起始點包括降低誤判率、透過行為分析找出未知惡意軟體，以及發現顯示認證遭入侵的異常使用者行為。
• 第 3 階段：試點部署。 將 ML 系統與現有安全工具並行，以監控模式執行來比較偵測效能。這種平行運作可建立對 ML 準確性的信心，並揭示符合您環境需求的調校要求。
• 第 4 階段：正式環境整合。 將 ML 輸出連接至您的安全工作流程與回應手冊。將 ML 警示對應至您現有的 事件回應程序。與 SOAR 平台整合後，可對高信心偵測啟用自主回應動作，同時將不確定的發現交由分析師處理。
• 第 5 階段：持續最佳化。建立基準效能指標與監控系統，以追蹤準確率隨時間的變化。安排定期模型重新訓練週期，以納入新的 威脅情報 並因應環境變化進行調整。

遵循此結構化方法的組織，可更快實現價值並避免常見的實作陷阱。

機器學習在資安中的主要優勢

您的 ML 部署可在對 SOC 營運最重要的三項指標上帶來可衡量的改善：威脅偵測準確率、誤判減少，以及回應時間。

1. 偵測準確率可在各種攻擊向量中提升。 由 ML 驅動的端點防護使用 Behavioral AI 來找出 零時差威脅，這些威脅是以特徵碼為基礎的解決方案完全無法發現的。這些系統透過分析程序行為，而非比對已知特徵碼，得以對新型勒索軟體變種與無檔案攻擊維持高偵測率。
2. 誤判減少可降低警示量。 行為基準建立與智慧關聯分析可大幅降低雜訊。在 MITRE 評估中， Singularity Platform 僅產生 12 則警示，而競爭對手產生了 178,000 則警示。警示量減少 88%，讓您的分析師能專注於真實威脅，而非追查誤判。
3. 回應時間可透過加速威脅遏制而改善。 當 ML 模型發現勒索軟體加密行為時，自主回復功能可在數分鐘內將受影響系統還原至攻擊前狀態。事件關聯分析可重建完整的攻擊時間軸，以供鑑識分析。 Singularity Identity 透過適用於 Active Directory 和 Entra ID 的解決方案，以即時防禦回應進行中的攻擊，保護您的身分基礎架構攻擊面。
4. 工具整合可建立統一平台架構。 組織通常管理許多彼此分離的安全工具，造成可被攻擊者利用的整合缺口。ML 驅動的平台可整合端點偵測、網路監控、 雲端安全，以及 威脅情報 納入統一架構中。這可消除不同系統之間的關聯缺口，同時降低營運複雜性。
5. 主動式威脅狩獵成為可能。 ML 使關鍵基礎設施環境中的主動式 威脅狩獵 成為可能，包括公用事業、醫療保健和金融。 Singularity Cloud Native Security 提供具備 Offensive Security Engine 的無代理程式 CNAPP，能像攻擊者一樣思考，自動對雲端安全問題執行紅隊測試並呈現 Verified Exploit Paths。該系統不僅能繪製攻擊路徑來發現問題，還能探查問題並呈現證據。

這些優勢伴隨著您在部署前必須了解的架構挑戰。

網路安全中機器學習的挑戰與限制

您的 ML 安全系統面臨目前對策無法完全解決的架構弱點。NSA、NCSC-UK 與 CISA 的聯合指引指出，ML 系統容易受到 對抗性攻擊，這類攻擊利用的是機器學習本身固有的弱點，而非您可透過修補解決的實作缺陷。

為了規劃有效的緩解措施，務必考量安全領域中 ML 系統各種獨特的弱點與限制。 

• 資料品質決定您的成敗。 用於網路安全 ML 訓練的公開可用資料集經常已過時。許多專案失敗，是因為其模型依賴不準確、不完整或標記不當的資料。
• 模型漂移會造成持續性的弱點。 對手可能會利用您的漂移偵測機制，建立可規避漂移偵測器同時降低模型效能的對抗性實例。
• 提示注入攻擊 已成為針對 ML 系統的獨特攻擊向量，對手會透過精心設計的輸入操控 LLM，以竊取資料或執行未經授權的動作。
• 代理程式可靠性疑慮 已在整個產業中加劇。企業安全平台必須實作分散式架構，使端點代理程式在網路中斷期間仍能維持自主防護能力。組織越來越需要能在網路中斷期間維持自主防護的安全平台，以回應企業對系統可靠性與業務持續性的疑慮。
• 人工監督仍然不可或缺。 企業安全平台透過為每個警示提供完整的鑑識情境，實現人員與 ML 的協作。分析師在調查期間可獲得 ML 輔助的威脅關聯，但系統應要求對關鍵回應動作進行強制核准。這可維持高風險決策所必需的人工作業監督。

避免這些陷阱需要遵循既有框架與最佳實務。

機器學習最佳實務

在網路安全中部署機器學習，需要在治理、整合與營運層面進行結構化實作。三個權威框架可指引此流程：NIST AI Risk Management Framework 用於治理架構、CISA AI Data Security Guidelines 用於資料保護，以及 SANS Critical AI Security Controls 用於營運實作。以下最佳實務涵蓋模型治理、框架整合與人員-ML 協作。

治理與訓練資料驗證

從安全維度評估 ML 模型，包括資料模型安全、MLOps 管線安全、專有資料風險，以及訓練資料來源。CISA 指引要求多層驗證系統、透過內容憑證系統進行來源追蹤、第三方資料集供應商認證，以及在使用預先訓練模型時進行基礎模型驗證。

避免部署僅以乾淨資料評估且未經對抗性測試的模型。切勿在未驗證的情況下假設網路規模資料集是乾淨的；CISA 指引明確指出，組織不能假設資料集是乾淨、準確或不含惡意內容的。

基於風險的模型選擇與訓練資料驗證 

從安全維度評估 ML 模型，包括資料模型安全、MLOps 管線安全、專有資料風險，以及訓練資料來源。CISA 指引要求多層驗證系統、透過內容憑證系統進行來源追蹤、第三方資料集供應商認證，以及在使用預先訓練模型時進行基礎模型驗證。

避免部署僅以乾淨資料評估且未經對抗性測試的模型。切勿在未驗證的情況下假設網路規模資料集是乾淨的；CISA 指引明確指出，組織不能假設資料集是乾淨、準確或不含惡意內容的。

與 MITRE ATT&CK Framework 的整合及持續監控

此 ATT&CK framework 提供結構化整合方法：

• 將您的 ML 偵測輸出對應至特定 ATT&CK 技術與戰術
• 使用 ATT&CK 分類法作為訓練資料集的結構化標籤
• 驗證整個攻擊生命週期中的偵測涵蓋範圍

企業安全平台應自動將所有 ML 偵測輸出對應至特定的 MITRE ATT&CK 技術。當 ML 系統浮現威脅時，分析師應能看到該行為符合哪些 ATT&CK 戰術，從而實現結構化調查工作流程與涵蓋缺口分析。

實作強大的 ML 模型存取控制 以及輸入驗證；CISA JCDC Playbook 指出，薄弱的控制措施是常見的失敗點。SANS 指南要求持續監控，並以自主效能追蹤對照既定基準、偵測資料漂移與概念漂移、在效能門檻被跨越時觸發重新訓練，以及在正式部署前進行驗證週期。

結構化的人類-ML 協作

組織應實施分級自主機制，在自動化與分析師監督之間取得平衡。對關鍵安全決策維持人工監督。例行工作可自主運作，而關鍵決策則需要人工驗證。監督程度應依決策影響按比例擴展。特徵工程品質決定您是能達成高偵測準確率，還是表現明顯不佳。

機器學習如何改善 SOC 營運

安全營運中心面臨日益增加的壓力，來源包括不斷成長的警示量、分析師倦怠，以及移動速度快於人工回應時間的複雜攻擊。ML 透過自動化例行工作流程，並讓分析師專注於高價值活動，來轉變 SOC 工作流程。

• 警示分類與優先排序 代表最直接的 SOC 改善。ML 模型根據威脅嚴重性、資產關鍵性與情境因素為傳入警示評分，以凸顯需要緊急關注的事件。智慧型警示關聯會將相關事件分組為連貫的事件案例，減少分析師必須審查的項目。
• 自動化調查可加速回應。 當分析師調查警示時，ML 系統會透過蒐集相關事件、受影響資產與威脅情報來提供情境強化。 Purple AI 支援自然語言查詢，讓分析師無需撰寫查詢語法即可調查複雜的攻擊鏈。
• 威脅獵捕變得更主動。 由 ML 驅動的分析可找出在觸發警示門檻前就值得調查的行為異常與微弱訊號。這使 SOC 營運從等待警示轉變為主動搜尋威脅。
• 工作負載分配透過智慧路由獲得改善。 ML 系統會根據技能等級、目前工作負載與威脅類型專長，將事件配對給分析師。初階分析師會收到具有高信心分類的警示，而複雜事件則會路由給資深人員。

結果是，SOC 能以現有人力處理更大量的威脅，同時提升偵測率與回應時間。

使用 SentinelOne 阻止進階威脅

您的雲端 ML 部署需要能實作上述 NIST 與 CISA 框架的安全平台。 Singularity Platform 可大幅降低警示量。它產生的警示數量比所有受評估供應商的中位數少 88%。MITRE ATT&CK® Evaluations: Enterprise 2024 證實，SentinelOne 的平台在全部 80 個模擬攻擊中達成 100% 的偵測準確率。它在 Windows、Linux 與 macOS 上皆達成 100% 偵測，且在即時威脅識別方面沒有任何偵測延遲。

Storyline 提供自主事件關聯，將原始安全事件轉換為供分析師審查的威脅敘事。

Purple AI 透過自主調查能力展現差異化，可在您的整體基礎架構中關聯威脅。Purple AI 透過自然語言查詢運作，同時維持 NIST 指引要求的人類監督框架。它提供 ML 輔助的威脅關聯，同時對關鍵回應動作維持必要的人工核准。

當勒索軟體發動攻擊時，Rollback 會在保留鑑識情境的同時，將系統還原至攻擊前狀態。Singularity Platform 會將所有偵測對應至 MITRE ATT&CK 技術，使您能在安全營運中進行涵蓋缺口分析。 Singularity Cloud Native Security 提供 Offensive Security Engine，可自動對雲端安全問題執行紅隊測試並呈現 Verified Exploit Paths。 Singularity Identity 以適用於 Active Directory 與 Entra ID 的即時防禦保護您的身分基礎架構。SentinelOne 的 agentless CNAPP 也會封鎖執行階段威脅，並提供 AI Security Posture Management (AI-SPM) 服務。您可以將其用於雲端工作負載保護、容器與 VM 安全、Kubernetes Security Posture Management (KSPM)，以及執行弱點掃描。Prompt Security by SentinelOne 可提供針對基於 LLM 的威脅、AI 惡意軟體的防護，並可確保 AI 合規。您可以封鎖未經授權的 agentic AI 動作，並阻止 denial of wallet 與服務攻擊、提示注入、越獄嘗試等。

申請 SentinelOne 示範，了解我們如何運用強大的 AI 改善您的安全態勢，以保護端點、伺服器與雲端工作負載。

AI-Powered Cybersecurity

Elevate your security posture with real-time detection, machine-speed response, and total visibility of your entire digital environment.

Get a Demo

重點整理

當網路釣魚攻擊逐年大幅增加，而勒索軟體在凌晨 2 點發動攻擊時，您的簽章式防禦無法足夠快速地適應。網路安全中的 AI 與機器學習可提供更優異的偵測準確率與更快的回應時間，並透過 NIST、CISA 與 SANS 框架部署，賦予您自主偵測與回應能力，在加密擴散前加以阻止。