网络安全中的机器学习

F5生态系统 | 2025年7月16日

机器学习（ML）是人工智能（AI）的一个子领域，可让计算系统从海量数据中识别模式、发掘洞察、进行预测并实现决策自动化。机器学习模型无需针对每项新任务进行显式编程，而是通过识别趋势或异常，逐步提升模型性能，并在无需人工干预的情况下适应新的信息和输入。

机器学习能够检测数据流中隐藏的结构和模式，因此成为一种颇具价值的网络安全工具：它可以自动执行威胁检测、缩短响应时间，并发现人工观察或基于预定义规则的安全警报系统难以识别的隐藏风险。

随着现代网络威胁的复杂性、规模和速度不断演变，将机器学习融入网络安全在当今尤为重要。当前的威胁，尤其是此前未知的漏洞利用或零日漏洞利用，可能规避基于静态预定义规则和过时威胁特征的传统安全策略。此外，许多组织的IT资源有限，导致内部安全团队人手紧张，响应速度减慢，并增加了检测网络威胁活动时出现人为错误的可能性。安全威胁也在不断变化，犯罪分子利用AI和自动化技术发起复杂攻击。这些攻击可在数秒内展开，并能调整策略以绕过传统防御措施。

为编制《2025 年 F5 应用策略现状报告》而开展的调查显示，使用机器学习和人工智能支持网络安全的情况日益普遍。受访者表示：

59%的企业使用AI自动注入安全规则，以缓解零日漏洞风险。
51%的企业希望使用生成式AI自动调整安全策略、工作流和配置，以应对威胁或新漏洞。
99%的受访者愿意使用AI，不仅让其辅助决策，还让其自动执行至少一项运营职能。

本文将探讨机器学习（ML）模型的工作原理，以及它们如何推动网络安全领域变革。本文还将分析ML为安全运营带来的主要优势，包括其在检测和防范各类网络攻击方面发挥的作用。此外，本文还将讨论有关ML的常见挑战和误解，帮助厘清ML在增强网络安全防御方面可以做什么，以及无法做到什么。

机器学习如何运作？

机器学习模型主要分为三类：

监督式机器 学习是指使用已经过人工分析和标注的数据来训练模型，使其能够学习用于预测标签的模式，进而在新数据中识别这些模式。监督式学习擅长对数据进行分类，并识别某些特定类型威胁所特有的模式，例如分布式拒绝服务（DDoS）攻击。

无监督机器学习是指使用未标记的数据训练模型，使模型能够自行发现数据中隐藏的模式、结构或分组，并定义这些特征集群。这种机器学习形式擅长检测新型复杂攻击模式、发现传入流量中的异常，以及缓解零日攻击。

强化机器学习通过反复试错，根据奖励和惩罚迭代改进模型的决策方法，并不断尝试新方法以最大化奖励。这种机器学习模型擅长检测多种网络攻击，其效率会随时间推移而提高。

机器学习如何推动网络安全转型

机器学习能够自动执行复杂任务、识别海量数据集中的模式，并实时检测不断演变的威胁，因此正日益广泛地应用于各种网络安全职能。

ML通过从日志、暗网内容和威胁报告等庞大且多样的数据源中生成可付诸行动的洞察，帮助识别新出现的攻击趋势、威胁行为者的行为和失陷指标，为网络威胁情报提供重要支持。ML模型擅长异常检测，可学习用户、设备或应用的正常行为，并检测可能表明存在安全漏洞、内部威胁或配置错误的偏差。

同样，机器学习可以实时检查网络流量，以识别可疑模式，例如命令与控制通信、数据外泄企图或网络内部的横向移动。这对于检测规避基于特征码检测的高级持续性威胁至关重要。

风险评分是机器学习支持的另一种网络安全策略。机器学习算法可以分析用户行为、资产敏感度和威胁可能性等多个数据点，评估风险并确定其优先级，再根据威胁对组织的潜在影响生成动态且具备上下文感知能力的风险评分。这对于检测机器人和恶意自动化尤为重要，因为攻击者会尝试伪造遥测信号，将其攻击活动伪装成合法流量。例如，他们可能会轮换IP地址、使用不同的自治系统编号（ASN，即互联网网络的标识符），或更改浏览器用户代理字符串来规避检测。机器学习可以识别多个数据点中细微的异常模式，发现人工或基于规则的系统可能遗漏的这些欺骗手段。

机器学习对恶意软件检测也很有价值，因为它提供的动态能力超越了基于静态特征码的安全方法。机器学习能够更快、更灵活、更准确地识别已知和未知威胁，包括此前未检测到的恶意软件，如零日恶意软件和多态变体。

机器学习正越来越多地用于自动执行渗透测试的部分环节。在渗透测试中，安全专业人员会开展模拟网络攻击，以识别计算系统或平台中的漏洞。机器学习可以发现可利用的攻击路径、探查漏洞或模拟攻击者行为，旨在抢先发现弱点，避免其被真正的攻击者利用。

这些机器学习用例大致分为三类：

更快、更准确地检测威胁。利用机器学习的安全解决方案可实时分析海量数据，发现异常、可疑模式或已知入侵指标，从而提高威胁检测的速度和准确性。机器学习算法会学习正常的用户或系统行为，并标记可能表明存在恶意活动的偏差，以便实时处理。
主动发现并修补网络漏洞。在攻击者利用薄弱环节之前将其识别出来，是主动威胁管理的关键。由机器学习支持的安全工具可以利用威胁情报、模拟和建模，对漏洞进行评分并确定优先级，以便快速修复。
通过自动执行重复性任务提高IT效率。许多网络安全操作重复且耗时，而机器学习有助于实现这些任务的自动化，提高安全运营的速度和一致性，让安全团队能够专注于战略规划和决策。

机器学习在网络安全领域的优势

将机器学习模型融入网络安全的主要优势在于，能够以远超人类能力的速度和规模分析海量多样化数据，例如网络流量、用户行为、系统日志和威胁情报。机器学习擅长实时识别复杂模式、关联性和异常，使安全系统能够在攻击生命周期的更早阶段检测并响应威胁，通常可在造成重大损害之前采取行动。此外，随着摄取的数据不断增加，机器学习算法会持续改进，使检测能力日益智能，并能更好地适应变化。

对企业而言，这意味着更稳健的安全态势。支持机器学习的解决方案有助于自动更新安全策略、发现现有薄弱环节、主动修复漏洞，并降低因人为错误而引入薄弱点或错误配置的可能性。采用机器学习的安全解决方案还可以快速检测新威胁并主动调整防御系统，帮助企业更快适应不断变化的网络威胁环境。将机器学习融入网络安全系统还可以提高IT工作效率。通过自动执行大部分威胁检测和缓解工作，这些系统可以释放IT人员资源，使其专注于战略性工作，并利用实时洞察和威胁情报增强应对策略。

机器学习面临的挑战

要充分发挥机器学习（ML）在网络安全领域的作用并获得其带来的效益，需要获取高质量的数据和遥测信息，因为这些是推动模型实现准确性、适应性和有效性的基础。若无法获取自动化数据源，ML系统就无法持续学习和改进，也无法提供有意义的洞察。对许多组织而言，提供这些自动化数据流是一项挑战。

组织实施AI时面临的挑战（摘自《2025年F5应用策略现状报告》）

根据《2024 F5数字化企业成熟度指数报告》，衡量自动化能力的一项主要指标是数字化业务由数据驱动且尽量减少人工干预的程度。然而，报告调查的企业中，仅约45%实现了网络安全自动化，40%实现了应用和API安全功能自动化。因此，报告认为，数据自动化和安全仍有巨大的提升空间。

《2025年F5应用策略现状报告》中近50%的受访者表示，数据质量问题是采用AI面临的主要挑战之一，因为训练机器学习模型需要大量数据，而许多组织的数据量不足。成本也被列为采用AI面临的另一项主要挑战。尽管机器学习未来可能有助于提高效率，但实施机器学习需要投入高额的前期成本。

《应用策略现状报告》中54%的受访者表示，企业采用机器学习面临的主要挑战是缺少能够成功实施和管理AI部署的专业人员。将机器学习融入网络安全时，需要维护机器学习模型并掌握结果解读方法，但人才短缺问题依然突出，约有350万个网络安全职位在2025年处于空缺状态。

机器学习误区

与许多热门前沿话题一样，人们对AI和机器学习也存在诸多误解：

误区1： 机器学习可以自动执行任何任务。事实上，机器学习并非适用于所有场景。它需要大量高质量的数据集，并持续训练模型，才能保持有效性。如果缺乏充足且持续的数据，模型性能可能会随时间推移而下降。此外，对于价值较低或范围较窄的安全任务，开发和维护机器学习模型所需的成本和投入可能并不划算；在这些场景中，传统的基于规则的系统可能更实用、更高效。
误区2： 支持机器学习的解决方案将完全取代人类安全分析师。机器学习是一种强大的工具，但如果没有人工监督，就无法有效运行。要解读结果、提供背景信息，并作出机器学习模型无法完成的判断，仍离不开经验丰富的网络安全专业人员。在需要批判性思维、经验和直觉的情况下，必须由人类分析师参与，因为机器并不具备这些能力。
误区3：机器学习将使网络安全防御无懈可击。虽然机器学习可以显著增强网络安全，但网络攻击者也在采用AI和机器学习来开发更复杂、更难以检测的技术。此外，AI模型也无法完全抵御网络攻击，例如数据投毒，即攻击者通过操纵训练数据来误导模型。随着威胁不断演变，必须持续监控和更新网络安全防御措施，并辅以人类专业知识，才能保持其有效性。