人工智能和机器学习（AI/ML）是当下的热门话题。在与客户、合作伙伴、行业分析师、记者等各方举行的会议中，无论是线上还是线下，几乎都会谈到这些话题。有时，提出的问题和讨论内容非常聚焦、具体；但有时也相当宽泛，缺乏明确重点。
当有人问我有关AI/ML的一般性问题时，我的回答方式可能与其他人不同。在我看来，AI/ML并非通用解决方案，而是工具，只有将其用于解决具体问题，才能发挥作用。
那么，企业面临的哪些难题可以借助AI/ML来解决？以下并非完整清单，只列出几个我比较关注的问题：
自动化攻击
自动化攻击通常由机器人网络发起。这些攻击会给企业带来多种风险，包括欺诈损失、库存操纵、声誉受损、数据窃取、基础设施成本、性能成本和支持成本等。要检测和缓解自动化攻击，需要了解人工流量与自动化流量之间的区别。
虽然从概念上看似乎很简单，但在实践中却很难实现，需要采用多种不同的技术。其中一种技术是使用AI/ML，但并非泛泛地应用，而是专门用于区分不需要的自动化流量与合法的人类流量。
欺诈
欺诈已成为企业日益严峻的问题，尤其是对于大量开展在线交易的企业。企业可能因多种形式的欺诈而蒙受损失，其中对数字渠道影响较大的两种形式是账户接管（ATO）和账户开立（AO）欺诈。ATO通常是指欺诈者或其他未经授权的用户利用已泄露的凭据、浏览器中间人攻击（MITB）、社会工程或其他手段接管账户。AO是指欺诈者或其他未经授权的用户利用窃取或合成的个人身份信息（PII）开立账户。
要可靠地检测欺诈，同时避免产生大量误报，仅依靠基于规则和特征码的欺诈检测还不够。还需要了解最终用户在会话中与在线应用交互时的意图。这需要观察最终用户的行为、设备特征及其接入的网络和环境，并应用AI/ML进行分析。这是AI/ML的又一项具体应用，已在实践中取得良好成效。
API安全
API安全是AI/ML可用于解决复杂问题的另一个领域。为跟上快速变化的市场需求，企业需要不断推进技术发展，包括推出面向客户的应用和API，以满足最终用户的需求。在某些情况下，这些应用和API在发布前未得到充分的安全防护；在另一些情况下，则未得到妥善的清点和管理。
所有这些情况都会给应用和API带来漏洞和薄弱环节。因此，AI/ML驱动的发现功能对企业至关重要。发现功能可以识别未知、未纳入清单和/或未受管理的API，确保API受到适当类型的身份验证保护，验证请求和响应中不含敏感数据，并确保不存在需要修复的漏洞。这些都是AI/ML的具体应用，有助于企业提升其应用和API的安全性。
结论
当有人向我提出有关AI/ML的宽泛问题时，我通常会让讨论更聚焦一些。在我看来，AI/ML是一种工具，可以也应该用于解决具体的安全和欺诈问题。事实上，几乎每家企业都会遇到一些重要问题，而AI/ML已被证明能够在解决这些问题时发挥独特优势。
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。