在過去的幾年中，信息安全一直都是基于防病毒方案、隔離技術和加密技術的組合。政府機構和信息安全公司愿意采用跟蹤互聯(lián)網流量的方法，并根據其簽名查找可疑材料。這些技術重點是在出現問題后去檢測惡意軟件，并去實現良好數據與惡意軟件之間的隔離。但是，如果惡意軟件未被檢測到，它可能會在系統(tǒng)后臺中潛伏數月甚至數年，并在以后變得活躍。

　　消費領域正在迅速變化。它正在從一種只有電腦、游戲機和智能手機連接到互聯(lián)網的移動學習環(huán)境中遷移出來。漸漸地，這種環(huán)境集成了傳感器、攝像頭和智能家電等新型ai服務器設備，其目的是讓它們的所有者和用戶實時了解生活中的許多事情：如房屋狀況、家庭事務、人身安全、天氣等等。

　　現在，我們有了一個更加復雜的環(huán)境，其中包含越來越多的設備，每一個設備都可能成為攻擊目標，并且存在隱私和安全漏洞。然而，除了筆記本電腦和智能手機，這些聯(lián)網設備通常最多只能執(zhí)行一項或兩項功能。如果它們是發(fā)源于設計目的，監(jiān)控站可以向中央系統(tǒng)發(fā)出警報并標記問題。這就是人工智能（AI）和機器學習（ML）在保護消費者周邊環(huán)境方面可以發(fā)揮的重要作用。

　　人工智能和機器學習對保護消費者的重要性

　　機器學習可被用于確定系統(tǒng)的行為模式，如網絡上的流量、正在運行的應用程序、設備之間建立的通信。機器學習系統(tǒng)將追蹤在設備、本地網絡或云端中的模式。

　　在設備層面，本地機器學習培訓系統(tǒng)將通過查看存儲器、任務、IP地址等一系列參數來確定設備的正常運行模式，并確定在正常條件下的運行方式。在只有一種或兩種功能的智能家用電器中，通過嵌入能增強機器學習引擎的神經網絡加速器（NNA），可實現對行為模式的良好建模。設備可以將其元數據報告給網絡級或云級系統(tǒng)，該系統(tǒng)將接收所有這些信息并在眾多的設備群中進行分析。

　　在網絡層面，路由器可以查看所有的流量，并可以運用自己的智能來確定聯(lián)網中的設備何時與外界進行通信。通過使用機器學習引擎，它們可以評估何時出現異常通信，可以檢測到從網絡到外界的異常數據流，可以將其作為一個問題來報告。反之亦然，它們可以識別針對本地設備的異常流量來源。

　　在云端，應用程序的主機可以看到非常廣泛的設備和網絡，并且借助它們大型的計算資源，它們可以追蹤整個環(huán)境中的實時活動。它們應用了與設備層面或網絡層面相同的機器學習概念，但是由于其計算能力，它們可以處理更多的數據，并可以查看龐大生態(tài)系統(tǒng)的更加具體的信息。

　　來自商業(yè)和工業(yè)市場的經驗

　　機器學習和取證分析在工業(yè)和商業(yè)環(huán)境中已經很普遍。在醫(yī)院、運輸系統(tǒng)、工廠、石油和天然氣平臺等工業(yè)領域內，都有基于機器學習的安全技術的成功示例。機器學習與分離敏感數據和追蹤已知攻擊的傳統(tǒng)技術結合使用。它通過分析提供了早期識別破壞性行為的額外維度。由于互聯(lián)設備生態(tài)系統(tǒng)不斷增長的挑戰(zhàn)，導致追蹤單個設備變得越來越困難。需要人工智能服務器系統(tǒng)的幫助才能確定設備在什么時候被惡意軟件感染。

　　機器學習系統(tǒng)將能夠檢測到由安裝在網絡攝像頭中的惡意軟件所引起的Mirai僵尸網絡（Mirai botnet）等攻擊。該僵尸網絡在美國東海岸的互聯(lián)網目錄浪潮服務器上發(fā)起了服務拒絕（DoS）攻擊。無論是在設備層面還是在網絡層面，通過使用機器學習技術都會檢測到與攻擊相關的異常行為，并會盡早通知設備所有者。