F5 AI Data Fabric可帮助我们加快面向各种用例的机器学习（ML）模型训练和部署。AI Data Fabric帮助解决的关键挑战之一是优质训练数据短缺。对于任何ML项目，数据的质量、多样性和数量都是构建有效模型的关键。
真实世界数据一直是训练机器学习算法的首选资源。F5拥有广泛的客户群和相应的技术覆盖，并可获取高质量的真实世界数据，这无疑让AI Data Fabric从中受益。毕竟，全球近一半应用的数据路径中都有F5产品，每天流经F5产品的数据量达550 PB。
然而，过去几年，合成数据已成为一种极具吸引力的训练数据来源，并在我们的机器学习生态系统中迅速变得愈发重要。
什么是合成数据？
合成数据是指通过人工生成、用于模拟现实世界数据集特征的数据。在学习真实数据的统计属性和结构后，我们可以生成具有相同属性的人工数据。借助这些技术，AI Data Fabric可以生成海量数据，其特征与我们从客户处收集的数据相似。
为什么使用合成数据？
使用合成数据有诸多优势。首先是隐私与合规。合成数据可以在不包含敏感信息的情况下生成，因此非常适合需要遵守严格隐私法规或安全策略的客户。通过使用敏感数据集的合成版本，我们可以共享和分析数据，而不会使客户数据面临风险。我们还可以确保模型不会使用客户数据进行训练。
其次，处理真实数据可能既耗时又昂贵。收集和标注海量数据是一项沉重负担，会限制创新速度。生成数据可显著降低成本，并加快模型开发生命周期。
现实世界数据还可能受到可用性限制。优质训练数据十分稀缺，尤其是与罕见事件相关的数据。合成数据有助于填补数据缺口，并针对特定场景平衡样本不足的类别。例如，在用于攻击检测的数据集中，常规事务的数量可能远超恶意事务。借助合成数据，我们可以缓解这种数据短缺问题；团队可以测试现实世界数据中未涵盖的边缘情况，并更轻松地探索假设情形。
最后是安全性。借助合成数据，我们可以生成对抗样本，用于测试模型抵御攻击的安全性。合成数据甚至有助于防范数据投毒等攻击。在这类攻击中，攻击者会操纵训练数据，破坏AI模型。
合成数据的弊端
合成数据虽然有诸多优势，但也有一些注意事项。例如，要有效生成合成数据，需要先进的算法和深厚的专业知识。合成数据在真实性方面也面临挑战：仅使用合成数据训练的模型在现实场景中可能表现不佳。这可能是因为训练数据过于简单，缺少真实数据的复杂性和细微差异；也可能是因为模型过度拟合了合成数据中的模式，而这些模式在现实场景中可能并不存在。
尽管存在这些注意事项，但在真实数据稀缺、获取成本高昂或涉及敏感信息的场景中，合成数据仍然非常有用。只要了解其局限性，并在模型开发过程中加以考虑，合成数据生成就能成为F5机器学习工具库中的有力工具。合成数据有助于加快开发速度，并通过可靠的机器学习模型为客户带来更好的成果。
相关博客文章
Thingbot正转变为攻击平台
Lori MacVittie重点介绍了F5 Labs对2018年1月至6月全球物联网设备攻击的研究，并指出了其中令人警醒的影响。物联网设备不仅持续遭到利用，还被转变为攻击平台，这意味着攻击者可以更充分地利用这个必然增长的市场。
借助F5全新Quick Start，在AWS上快速开展业务
在AWS re:Invent开幕前，我们很高兴与大家分享F5与AWS之间全新的Quick Start集成。F5的Tom Atkins将介绍该服务如何启动、配置和运行在AWS上部署工作负载所需的计算、网络、存储及其他AWS服务。