在世界最大的安全、安防和消防保护聚会之一的迪拜网络安全展上,围绕网络安全的讨论已经从组织是否应该使用人工智能(AI)决定性地转向了他们能多快将其投入运营。
对于信诺医疗保健公司中东和非洲地区网络安全负责人Jean Wiles来说,今天安全运营中心(SOC)面临的挑战不再仅仅是复杂性,还有速度和规模。在活动中发言时,Wiles认为防御者在结构上仍然处于劣势,因为攻击者已经在使用AI压缩时间线并压倒人力主导的流程。
"如果你考虑今天的SOC分析师,AI允许攻击者查看数千分钟的活动并在一分钟内重写恶意代码,"他说。"我们的响应仍然很慢。我们主要是被动的,而不是主动的。"
据Wiles称,攻击者不再需要完美。他们只需要快速。虽然防御者必须通过监管要求、内部审批和分层决策,威胁行为者的操作方式要线性得多。"攻击者不需要同样水平的保证,"他说。"人类无法像那样扩展,但机器可以。"
随着各行业网络攻击量持续上升,这种不平衡变得越来越明显。医疗保健尤其仍然是主要目标,因为个人和医疗数据的价值,以及停机的运营影响。同时,它是监管最严格的行业之一,错误可能导致违规、合规失败、经济处罚和声誉损害。
"缓慢的成本是巨大的,"Wiles说。"但犯错的成本也是巨大的,特别是在医疗保健等受监管环境中。"
速度和准确性之间的紧张关系现在处于网络安全战略讨论的核心。SOC团队被期望比以往任何时候都更快地检测和响应,同时保持对决策的高信心。
"我们需要引入能够快速决策的技术。AI应该是可信赖的副手。作为指挥官,你需要信任它。如果你信任,你就会做出更快的决策,"Wiles表示。
Wiles警告说,在这种环境下纯粹依赖人类判断不再可持续。"攻击量在整个行业中扩大,"他说。"我们严重依赖服务提供商来维持可见性,当你看到网络钓鱼活动仍然大规模成功时,这很可怕。你必须适应并变得更强大才能赢得战斗。"
在网络安全展上,大部分关注点都在AI驱动的自动化如何帮助缩小这一差距。但Wiles告诫说,仅仅自动化是不够的。组织需要重新思考AI如何集成到决策过程中,而不仅仅是检测。"我们需要引入能够快速决策的技术,"他说。"AI应该是可信赖的副手。作为指挥官,你需要信任它。如果你信任,你就会做出更快的决策。"
对于Wiles来说,这种信任来自架构。AI系统必须设计有明确的触发器、强大的身份隔离和定义的人工监督。AI不是取代分析师,而是增强他们,实现快速分类和响应,而人类专注于验证和战略。威胁检测是这种平衡至关重要的一个领域。
"你需要构建能够快速行动的系统,但你也需要合作伙伴,"Wiles说,指出对托管安全服务提供商(MSSP)和AI驱动平台的日益依赖,以维持规模和可见性。
医疗保健行业面临额外的复杂性层面。运营中断可能对患者护理产生直接后果,使停机时间不可接受。然而监管审查意味着自动化响应必须仔细管理。"这就是我们面临的挑战,"Wiles说。"攻击者复杂且有针对性,但我们也不想犯错。我们需要在不妥协合规性的情况下快速行动的系统。"
展望未来,Wiles看到行业不可避免地向更多AI驱动的安全世界发展。随着攻击量增加,变化也增加,使手动分析变得越来越无效。"当量增加时,每个人都在过度反应,"他说。"我们需要为未来设计架构,找到合适的服务提供商,并使用AI来对抗AI。"
Q&A
Q1:为什么网络安全领域现在急需使用AI技术?
A:因为攻击者已经在使用AI压缩攻击时间并压倒人力防御流程。AI让攻击者能在一分钟内分析数千分钟的活动并重写恶意代码,而防御者的响应仍然缓慢且主要是被动的。人类无法在速度和规模上与机器匹敌,所以防御方必须也采用AI技术才能跟上攻击节奏。
Q2:AI在网络安全中应该扮演什么角色?
A:AI应该是"可信赖的副手"而不是完全替代人类分析师。它需要通过明确的触发器、强大的身份隔离和人工监督来设计架构。AI主要用于增强分析师能力,实现快速威胁分类和响应,而人类则专注于验证和战略制定,这样才能在保持准确性的同时提升响应速度。
Q3:医疗保健行业在采用AI网络安全方面面临什么特殊挑战?
A:医疗保健行业面临双重压力:一方面运营中断会直接影响患者护理,停机时间不可接受;另一方面严格的监管要求意味着自动化响应必须谨慎管理。错误可能导致合规失败、经济处罚和声誉损害。因此需要构建既能快速响应又不妥协合规性的AI安全系统。
好文章,需要你的鼓励
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
随着医疗数据数字化与互操作性的进步,跨机构纵向患者数据的研究应用成为可能。本研究通过对20位领域专家的访谈,识别出8种数据收集方法,涵盖智能手机应用、结构化数据导出、区域/全国研究查询及聚合数据源等。研究发现,各方法均有其优缺点,无单一最优方案。参与者中介交换方式可绕过复杂治理安排,但存在数据缺口;全国性网络尚不支持研究查询。公共政策的持续推进将对该领域发展起关键作用。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。