F5已发布的网络安全研究：机器学习和人工智能框架的性能与有效性

近日，F5发表了一篇刊载于Elsevier《Network Security》期刊的研究论文，对多种机器学习（ML）和人工智能（AI）框架进行了实证分析，以评估分布式运行ML/AI算法的性能和有效性。该研究探讨了NVIDIA Morpheus、ONNX和TF/SKL等不同的高级ML/AI框架，旨在大规模显著提升网络安全能力。通过优化模型格式并利用GPU进行并行工作负载处理，检测能力得以提升。软件优化与硬件加速相结合，不仅降低了延迟，还提高了整体吞吐量。

我们选择了检测算法生成域名（AGD）这一问题，用于比较不同的ML/AI框架（NVIDIA的Morpheus、ONNX、TF/SKL）。通常，攻击者使用域名生成算法（DGA）生成AGD，以通过DNS层进行数据渗漏和命令与控制（C&C）通信。我们使用DGA威胁检测模型测试了各种ML/AI框架。

用于检测AGD的ML/AI模型以32和1024的批量大小部署并运行在指定平台上。在这两种批量大小下，GPU配置的性能分别是TensorFlow实现中CPU配置的11倍和43倍。使用ONNX模型格式时，批量大小为32和1024的CPU执行提供程序性能分别是TensorFlow CPU的5倍和1.5倍。对于32和1024的批量大小，采用CUDA GPU执行提供程序的ONNX性能分别是采用CPU执行提供程序的ONNX的6倍和13倍。Morpheus-GPU的性能优于其他架构，在批量大小为32和1024时，吞吐量分别达到22,382 req/sec和208,077 req/sec。与TensorFlow-GPU配置相比，吞吐量提升至200倍。

分析结果表明，Morpheus-GPU在延迟和吞吐量方面表现更优，因而可以使用更大的批次规模来服务大型网络。结合Morpheus-GPU与缓存，可以对数据中心级DNS流量进行实时DGA检测。

这项研究的主要结论如下：

• 要规避网络攻击和固有威胁，需要采用成熟的威胁检测解决方案，充分利用存储的数据集，并从中挖掘威胁情报。
• AI/ML算法需要硬件加速（AI框架），以快速学习和训练大规模数据，从而更有效地检测网络攻击和威胁。
• 与ONNX、TF等其他ML/AI框架相比，Morpheus AI framework可支持快速决策，并提供推理能力，以低延迟、高吞吐量处理数据。

组织可以利用这项研究，选择稳健的基础设施（由处理单元和ML/AI框架组合而成）进行大规模数据处理，以快速且可扩展的方式获得推理结果，从而实施AI加速的网络安全。组织可以依据研究中经过验证的ML/AI框架相关结果，在现有产品中实施相应方法，尤其是在ML/AI领域。

请前往Network Security Journal在线门户获取该论文。