机器学习提供大数据分析欠缺的防护功能。大数据搞定数据泄露发生的原因，机器学习则是在泄露发生时就识别出来。

　　网络安全专家看到大数据兴奋得双眼放光，因为这就是数据科学界的CSI(犯罪现场调查)。如果公司被黑，客户信息被泄，可以使用大数据技术从公司各系统、用户和客户身上收集大量信息，让数据分析师得以据此得出哪里出了纰漏的洞见。

　　但是，虽然大数据可以在事后帮助解决案子，却无益于第一时间防止案件发生。数据泄露的遗留影响依然有待解决：愤怒的客户、HIPAA和 PCI DSS之类的数据隐私标准合规问题，甚至政府罚款和集体诉讼。

　　大数据的短板正在于此：它在数据泄露发生后才进场。正如老话所言：“事后诸葛亮总是对的。”网络攻击发生后使用大数据，无疑能给出最好的洞见。然而，它不能给你的，是意识到数据泄露正在发生或将要发生的能力，在造成重大损失前阻断攻击的能力也提供不了的。因此，大数据，若单独使用，是无法保证公司各系统、业务，或者敏感数据的安全的。

　　大数据拥护者会说，你可以用后见之明来修复黑客用以入侵的漏洞。毕竟，既然知道哪里出了错，就能打上补丁防止此类事件再次发生，对吧?

　　虽然这话可能是对的吧——确实可能预防该特定问题再次发生，但网络安全可不是这么简单的事儿。威胁态势是动态的，每天都有新技术出现，相应的，新漏洞也在不断涌现。

　　而且，黑客与其他任何罪犯都不一样：他们精通科技，适应性强，知道怎么玩弄人类天性。他们总能找到你的弱点——而你最大的弱点就是你的人，那些你信任的可爱员工们。大多数黑客才不从后门突破系统，他们直接染指合法登录凭证，基本上，都是从正面大大方方走进来的。

　　因此，大多数案例中，大数据分析会揭示出：黑客是通过网络钓鱼邮件之类社会工程骗局，搞到员工口令，然后登录某服务器，进入你的系统。(或者，更糟糕的情况，恶意内部人士拱手交给黑客凭证。)

　　面对这种新情况，或许你会决定为员工提供网络安全最佳实践培训，比如怎样识别钓鱼邮件和点击可疑连接的危险。雇员网络安全培训是很基本的东西，有助于保持公司系统更安全，但它不是灵丹妙药。

　　人类是很容易犯错的。累了，分心了，着急了，就疏忽了。另外，再多的培训都挡不住恶意内部人士——心怀不满的雇员、前雇员、决意报复或在暗网售卖机密数据搞点快钱的承包商等等。

　　幸运的是，解决方案也是现成的：机器学习——一门建立在数学算法基础上的尖端技术，实时更新，让计算机无需显式编程即可学习。驱动自动驾驶汽车的也是机器学习技术，我们用来对抗黑客的强力武器就是它了。

　　机器学习提供了大数据分析欠缺的防护功能。不同于大数据在事后分析数据泄露原因，机器学习是在泄露发生或将要发生时就识别出来，然后出发系统警报，在真正的损害造成前挡住泄露。

　　机器学习技术不仅让大数据有用;还能以远快于人工的速度分析数据并从中抽取出洞见。由于其预测能力，应对威胁就可以变得积极主动而非被动反应。机器学习技术可以实时标出利用被盗凭证登录的黑客，并阻止他们登入系统。

　　该技术没有刻录进网络中，而是嵌入到了应用/数据里。这种认知性的防护盾会监视对应用的每一次登录，观察该登录ID使用者对应用做的任何事，确认该登录会话中的“用户行为”符合该用户ID的惯常参数或基线行为特征。

　　举个例子，如果某员工凭证在公司外的位置被使用，该员工还试图访问完成其工作用不到的内容，或者登录尝试行为发生在午夜，那么机器学习算法就会注意到此类行为。因为已经分析了该雇员的正常计算机使用，建立了基准模式，机器学习技术就能识别出特定登录尝试是不正常且危险的，将据此在公司IT部门可以调查情况作出决策前锁定该用户。

　　机器学习能快速给出对用户数据的可行性洞见，提供大数据分析给不了的实时防护。因为一直在学习和修正正常用户行为模式，能立即依据基准模式在黑客造成切实伤害前做出反应，机器学习是防护系统安全的最佳方式。

　　该技术已有现实应用，正帮助抓捕盗取敏感数据的罪犯，投放数据泄露和隐私侵犯的早期预警。该网络安全技术是高性能数据保护解决方案的未来。如果大数据是犯罪现场调查员，那么，机器学习就是巡逻中的警察：保护你的系统不受网络罪犯攻击，执法，阻止正在进行中的犯罪。

　　责任编辑：DJ编辑