在冲突时期，向水井投毒的历史由来已久。无论是切断水井的使用途径，还是利用水井扩大疾病传播，城镇水井一直都是重要的攻击媒介。
在现代，我们可以把水井类比为脚本或API端点，后者可启动自动化流程，推动基础设施、应用和数字服务发生变更。大多数组织（根据我们即将发布的应用策略现状2023年报告，这一比例为78%）都在整个IT环境中采用丰富的自动化手段来实现这一目标。鉴于Facebook、Twitter和Amazon等公司运营的复杂超大规模系统普遍依靠自动化来推动变更，这并不令人意外。
这是因为，正如过去共用的水井一样，一个脚本可以在几分钟内影响数千个系统。以前，手动更改同样数量的系统可能需要数天甚至数周。自动化可以成倍提升效能，让各种运营活动实现人工无法企及的规模。它是扩展流程、实践和业务的基石。事实上，正如我们在《数字业务的企业架构》中所述，可以说，没有自动化，组织就无法转型为数字化企业。要成功利用数据、采用SRE运营模式，并通过现代应用交付为数字服务赋予适应能力，组织需要构建六项关键能力，而自动化正是其中之一。
但自动化的问题在于，它会自动运行。一旦启动，就很难阻止其在这些系统中引发的连锁变化。毕竟，变化速度正是推动自动化的因素之一，而这些变化一旦开始，就很难停止，甚至可能根本无法停止。
除非与世隔绝，否则您一定听说过这样的事件：自动化传播了意外变更，最终影响了互联网的大片区域。一旦按下回车键或调用API端点，将错误参数传入脚本后几乎不可能撤回。执行后，损害便已造成。
这并非我第一次就IT自动化的安全性发出警示。这是一个被忽视且研究不足的攻击途径，最终会被利用。即使所谓的“最终”要等到几十年后，人为错误这一更迫在眉睫的威胁依然存在。根据Uptime Institute的最新研究，“过去3年中，近40%的组织曾因人为错误遭遇重大中断。”
这正是AI，更准确地说是ML，发挥作用之处。
利用机器学习保护IT自动化
机器学习尤其擅长发现数据点之间的模式和关系。目前，市场主要关注如何运用机器学习解决安全和运营挑战，包括识别用户是机器人还是真人、识别攻击，甚至预测即将发生的服务中断。
一个经常被忽视的领域是利用AI和机器学习保护应用基础设施。例如，可以利用机器学习了解运维人员和管理员与关键系统的交互方式，并在交互偏离常规时立即发现异常。这有助于检测攻击者尝试访问无权访问的目录，或使用超出正常范围的参数调用命令。
再读一遍最后这部分。调用命令时使用超出正常使用范围的参数。
没错，关键就在这里。检测异常参数或执行异常命令的企图，是AI和机器学习普遍具备的能力，并非安全领域所独有。这意味着，这项技术同样可以应用于IT自动化，以发现人为错误或蓄意执行的恶意命令。
如果拥有对目标系统适当级别的访问权限，这类机器学习解决方案无疑可以为系统防护提供一种途径，抵御偶发的错误参数、横向通信尝试或其他任何攻击。比如勒索软件攻击？
用于应用、应用交付和自动化的基础设施，仍是颇具吸引力的攻击途径。随着组织逐步采用更多自动化技术（这已成为现实），还需要同时考虑使用这些技术可能造成的意外或蓄意后果。在此基础上，还必须考虑如何保护自动化基础设施，防范难以避免的误操作或恶意按键行为。
自动化能够放大行动效能。这一点毋庸置疑。这意味着，它既可用于预期用途，也可能被用于恶意用途，因此需要加以保护。机器学习或许是将AI与运维相结合的一种方式，可帮助保护基础设施，而基础设施仍是数字化业务的重要组成部分。
关于作者
Lori MacVittie是F5首席技术官办公室的杰出工程师兼首席技术布道师，在应用交付、自动化战略和基础设施领域拥有深厚的专业知识。无论是为AI智能体定义防护机制、剖析脆弱的多云架构，还是探索可扩展系统的极限，她都善于化繁为简。她在应用开发、IT架构以及网络和系统运维领域拥有30多年的行业经验。加入F5之前，她曾担任技术编辑，并因出色表现获得奖项。 MacVittie拥有计算机科学硕士学位，著述颇丰，出版作品涵盖安全、云和企业架构领域。她还热衷于桌面游戏和电子游戏，并且对奶酪有着毫不掩饰的鲜明见解。
Lori Mac Vittie 的更多博客文章相关博客文章
2023年应用策略现状：成本与复杂性是推动多云网络发展的首要因素
多云网络解决方案可在核心、云和边缘环境之间实现无缝、安全的互联，为解决当今混合IT面临的挑战提供支持，因而备受业界关注。