深度學習(DL)是機器學習(ML)的一個高級子集，是當今一些最具創(chuàng)新性和最復雜技術的背后。我們可以見證人工智能、機器學習和深度學習在幾乎每個行業(yè)的快速發(fā)展，并體驗到在短短幾年前還被認為是不可能的好處。

深度學習在機器學習的復雜性方面取得了飛躍。如果結果有錯誤或不理想，機器學習可能需要在輸出層進行人工干預;而深度學習則不同，其可以在沒有人工干預的情況下不斷學習并提高準確性。多層深度學習模型可以達到驚人的準確性和性能水平。

深度學習模型的興起

研究人員多年來一直致力于創(chuàng)建能夠實現(xiàn)更高級功能的復雜人工智能算法。密切模仿生物大腦的研究工作導致了更復雜的數(shù)學計算，從而產(chǎn)生了人工神經(jīng)網(wǎng)絡(ANN)。簡單來說，它由一個節(jié)點(或神經(jīng)元)系統(tǒng)組成，就像人腦一樣，可以在網(wǎng)絡中相互接收信息和發(fā)送信息。換言之，它會學習和適應。

由于其要求，這項技術的發(fā)展一直很緩慢。實現(xiàn)這一成就需要三個要素：大量數(shù)據(jù)、更先進的算法以及大幅提高的處理能力。這種能力以圖形處理單元(GPU)的形式出現(xiàn)。

GPU是可以顯著加速深度學習計算過程的計算機芯片，是人工智能基礎設施的核心組件。其可以同時執(zhí)行多個計算，大大加快機器學習學習過程，輕松處理海量數(shù)據(jù)。強大的GPU與云計算相結合，可以有效地將訓練深度模型網(wǎng)絡所需的時間從數(shù)周減少到數(shù)小時。

GPU性能的缺點

此類高性能計算的GPU功耗是驚人且昂貴的。訓練某些GPU模型的單個最終版本所需的功率，可能比80個家庭一年使用的功率還要多。

此外，由于能源和水的消耗以及溫室氣體排放，世界各地大型數(shù)據(jù)存儲中心所需的能源會對環(huán)境產(chǎn)生嚴重影響。解決這一困境的部分原因是深度學習要提高數(shù)據(jù)的質量而不是大量數(shù)據(jù)。隨著人工智能的不斷發(fā)展，可持續(xù)發(fā)展計劃必須成為一個共享的全球平臺。

層數(shù)越多，潛得越深

對于人類而言，我們越深入地研究某個主題的研究數(shù)據(jù)和經(jīng)驗示例，就越能創(chuàng)建一個實用且全面的知識庫。人工神經(jīng)網(wǎng)絡由三種類型的層構成。第一個輸入層為網(wǎng)絡提供初始數(shù)據(jù)池。最后一層是輸出層，它為給定的數(shù)據(jù)輸入生成所有結果。在這兩者之間是最重要的隱藏層。這些中間層是執(zhí)行所有計算過程的地方。

至少有三層符合深度學習的條件，但層數(shù)越多，學習就越深入，以通知輸出層。深度學習層具有不同的功能，當數(shù)據(jù)按特定順序流經(jīng)每個層時，這些功能會對數(shù)據(jù)起作用。每增加一層，就可以從數(shù)據(jù)集中逐步提取更多細節(jié)和特征。其最終導致網(wǎng)絡輸出預測或陳述潛在的結果、預測和結論。

深度學習對于準確性和預防的重要性

人工智能自動化和深度學習模型是打擊網(wǎng)絡犯罪的關鍵要素，并提供抵御勒索軟件升級的重要功能。深度學習模型可以識別和預測可疑行為，并了解潛在的攻擊是什么樣的，以防止任何有效負載執(zhí)行或數(shù)據(jù)加密。

與機器學習相比，人工神經(jīng)網(wǎng)絡生成的入侵檢測和防御系統(tǒng)更智能，準確性更高，誤報率也明顯更低。人工神經(jīng)網(wǎng)絡不需要依賴攻擊特征或記住已知常見攻擊序列的列表，其持續(xù)學習和更新可以識別任何顯示惡意行為或惡意軟件存在的系統(tǒng)活動。

外部攻擊一直是網(wǎng)絡安全團隊關注的主要焦點，但內部惡意活動正在增加。《Ponemon 2022年內部威脅成本：全球報告》顯示，在過去兩年中，內部威脅事件增加了44%，每起事件的成本增加了三分之一以上，達到1538萬美元。

安全團隊越來越多地利用用戶和實體行為分析(UEBA)來阻止內部威脅。深度學習模型可以隨著時間的推移分析和學習員工的正常行為模式，并檢測何時出現(xiàn)異常。例如，其可以檢測任何非工作時間的系統(tǒng)訪問或數(shù)據(jù)泄露，并發(fā)送警報。

主動網(wǎng)絡安全與被動網(wǎng)絡安全

網(wǎng)絡檢測和響應與保護和消除之間存在很大差異。響應式方法在威脅進入網(wǎng)絡以利用系統(tǒng)并竊取數(shù)據(jù)后進行防御。通過深度學習，可以在利用漏洞和惡意活動之前識別并消除漏洞和惡意活動，從而實現(xiàn)主動預防和消除威脅的目標。

雖然自動化和多層深度學習的網(wǎng)絡安全解決方案大大提高了安全防御水平，但該技術可以被網(wǎng)絡犯罪戰(zhàn)斗的雙方利用。

不斷升級的人工智能創(chuàng)新需要保護性立法

在網(wǎng)絡安全方面，為了抵御復雜的網(wǎng)絡敵人，像深度學習這樣的人工智能解決方案的發(fā)展速度超過了監(jiān)管機構能夠遏制和控制其能力。企業(yè)防御者的好處也可能被惡意攻擊者利用和操縱。

未來無節(jié)制的人工智能技術在全球范圍內的后果可能是毀滅性的。如果我們的技術失控，而沒有立法來維持秩序、人權和國際安全，這可能會成為一場升級的善惡戰(zhàn)場。

最終，網(wǎng)絡安全的目標是超越被動檢測和響應，轉向主動保護和威脅消除。自動化和多層深度學習是朝這個方向邁出的關鍵一步。挑戰(zhàn)在于保持合理的控制，并領先我們的網(wǎng)絡敵人一步。