無庸置疑，「人工智慧」(AI)是當下最熱門的科技趨勢；因近年來機器學習(ML)、深度學習(DL)等技術有所突破，驅使各大科技公司競相啟動AI專案，讓人們更加信任電腦所做決策，連帶倚賴電腦來處理各種關鍵資安議題。
趨勢科技核心技術部技術經理Ricky Chou強調，AI絕非挑戰人類的工具，而在於輔助人類。依資安課題而論，進入資訊爆炸時代，若僅憑資安專家彙整巨量資訊，解析不同網路行為所隱藏的惡意模式，唯恐緩不濟急，亟需借助AI突破困境。
以趨勢科技為例，每天收集數十TB來自世界各地的感測數據，即是利用AI與ML技術，在短時間內整理為有價值資訊。過往資安專家習慣透過反組譯工具，研判檔案究竟屬於正常或惡意，平均每個檔案需處理15分鐘到2小時，以趨勢科技每月彙集逾5萬筆檔案來看，資安專家至少需耗時12,500小時才能消化完畢，實為不可能的任務；唯有憑藉AI/ML助力，才有辦法讓不可能變為可能。
融合多重配套機制，提升威脅偵測精準度
有人質疑，AI解析惡意檔案的精準度，是否等同資安專家人工判讀的水平？為此趨勢科技引用逾10種威脅情資服務、建立逾300種Features，啟動逾30項ML模型，透過模型融合(Ensemble)與交叉驗證，力求達到100%精準度。
舉例來說，ASCII檔案型態繁多，該公司自覺難以備足完整訓練資料，遂運用半監督學習(Semi-supervised learning)方法，解析各類檔案的相似度，將相似者予以群組，有效判斷個別檔案的惡意成份。另針對沙箱動態行為分析情境，其分析報告動輒幾十MB、蘊含上千維度資訊，單靠人力難以有效解讀，趨勢科技透過Word2Vec技術，將上千維度資訊壓縮為二維資訊，再結合卷積神經網路(CNN)，加速執行惡意程式的分類工作。
Ricky Chou補充，現今許多惡意都經過混淆，甚至埋藏於圖檔，故趨勢科技不僅對De-Obfuscation、Image OCR等相關解析技術著力頗深，更植基開源技術發展TLSH (Trend Locality Sensitive Hash)模式，根據未知檔案與已知正常檔案的相似度，準確判斷各個檔案能否被安全執行。
截至目前，趨勢科技的威脅專家已能與AI緊密合作，透過AI大幅減少Routine Job處理時間，全力投入更具意義的研究與調查，加速破解許多棘手的惡意攻擊行為，如商務電子郵件詐騙(BEC)便是典型之例。
綜觀BEC模式，駭客經常偽冒正值休假或差旅的企業高層，發信指示財務或出納人員匯款至特定帳戶；由於此類信件未夾雜怪異資訊(如夾帶附檔或URL連結)，Anti-Spam系統無從辨識異常，加上駭客慣用以假亂真的信箱地址、合法公開的信箱，甚或入侵利用高層之信箱，導致收件人不疑有他、執行轉帳。
趨勢科技認為，一旦能辨析發信人的寫作風格(Writing Style)，可望根據寫法的差異，有效識破BEC行徑；於是借助ML技術，依每位主管過往約200~300封信件作為訓練素材，產生不同頻道的光譜基準，後續若有偽造郵件偏離正常光譜，自然無所遁形。
另談及罕見的APT或新型態攻擊模式，經常礙於正、異常樣本數量差距過大，難以產生良好學習效果；為解決此難題，趨勢科技採用異常偵測(Anomaly Detection)模式，交叉運用傳統統計分析、單類別SVM演算法(one Class-SVM)及深度學習的自動編譯器(Auto-encoder)，先學習正常行為、設定門檻值，日後任何落在邊界點外的行為模式，即可視為異常。
前述做法，適用家庭網路、IoT、車用系統等不同防禦情境，亦能用於偵測企業內部的APT、內賊或間諜等攻擊活動，只因這些異常行為極其複雜，很難藉由Rule-based Mode或Feature Engineering方式，精準描述其攻擊樣態。
AI如雙面刃，恐淪為駭客攻擊武器
Ricky Chou不忘提醒，AI/ML如雙面刃，攻擊者可能利用此技術攻擊防守方的機器學習系統。因為再怎麼強大的AI系統，終究存在弱點，況且現階段用戶只求ML機制可以運作、疏於進行驗證測試，難以預先察覺潛在漏洞，所以只要駭客早一步掌握弱點，便可運用對抗機器學習(Adversarial Machine Learning)技術，誘騙ML模型產生錯誤決定，也可透過生成式對抗網路(GAN)，讓原本惡意程式加上雜訊(Noise)，成功閃避偵測程式，甚至直接盜取ML模型。
有鑑於此，趨勢科技的Zero Day Initiative(ZDI)組織運用Fuzzer、符號運算等AI演算法，一來透過非預期字串的隨機輸入，檢視程式是否發生異狀，二來分析程式碼區段，以診斷程式碼路徑並進行標籤註記，解決過往AI系統在SAT 測試(Site Acceptance Testing)之不足，有效挖掘系統漏洞，並自動產生虛擬補丁。而近年美國國防部國防高等研究計畫署(DARPA)積極舉辦CGC(Cyber Grand Challenge)漏洞自動攻防比賽，亦與趨勢科技ZDI的目的殊途同歸。
但環顧CGC競賽情景，只AI查找系統漏洞的速度，尚有莫大進步空間，換言之，此時並不足以確保ML系統免於遭受零日攻擊。Ricky Chou認為當下最佳防禦架構，絕非完全託付於AI/ML單一基礎，必須採取多項配套措施，融合多組ML演算法，前後串聯成為完善的判斷與檢核機制，藉此降低誤刪誤攔機率，亦提高駭客攻陷ML模型的難度；而趨勢科技的XGen防護技術，便是藉由AI/ML加上配套機制的多重組合，得以發揮多層式防禦妙效。