企业上云已成趋势，上云后的主机安适则分分秒秒牵扯着企业的神经。黑客入侵层见迭出，病毒花式翻新。按照权威机构的统计，全球每天城市呈现数量惊人的恶意软件。面对海量涌现的恶意软件，传统基于签名的技术无法跟上恶意软件的变革。加上屡见不鲜的缝隙，频频发生发火的0day缝隙打击让企业越发不堪其扰。
如何才华减少安适危害，为云主机、终端主机带来全方位的掩护呢？ 杰思安适认为，机器学习（ML）是抵制当前威胁的一道高效防线。从各种网络主机入侵事件中，不难发明恶意软件凡是是粉碎性打击的先兆和跳板。在过去的一年里，40％的安适事件是由传统防病毒（AV）方案没有检测到的恶意软件造成的。这意味着依赖传统安适方案的企业很容易受到未被检测到的恶意软件的入侵。而颠末科学训练的机器学习引擎则可以对这种未知恶意软件说不。
恶意软件为何会绕过传统AV？
传统的AV在很洪流平上依赖于签名库或病毒特征码来识别和阻止恶意软件。这意味着要想拦截恶意软件，首先需要发明新的恶意软件并创建相应的特征签名，将该签名分发部署到端点。在此过程中，在恶意软件初度呈现、创建特征签名并且使得特征签名可用之间打开了时间窗口。这一时间差使得打击者有足够的时间倡议打击并得逞，或窃取以后可以加以操作的数据。
当下，打击者不停操作新技术来绕过反恶意软件的安适掩护法子。对照常见的技术是将已知恶意软件改削或变形为0day变体，没有与之匹配的特征签名。为了实现这一方针，打击者会不停变革或混淆恶意软件的真实面目，使用诸如打包措施之类的工具。通过这样简单的技术，就能垂手可得地逃避检测。此刻，每天城市呈现约莫390,000多个新的恶意软件，传统基于签名的技术，根柢无法应对数量如此复杂的新恶意软件。
ML是对恶意软件的更好防御
反恶意软件解决方案能有效检测已知恶意软件，但是对付未知威胁或0day 打击则无能为力。要想防备未知或0day恶意软件，则需要引入ML。这等于ML最有价值的处所。
ML是基于文件的属性来理解和识别恶意意图，不需要特征签名，也不需要执行文件来不雅察看其行为。颠末精心设计，ML可以成为抵制恶意软件的极为有效的刀兵，检测率高达99.5％。这使得机器学习成为任何有效端点解决方案的最低要求。杰思安适旗下的猎鹰主机安适响应系统，告成将安适研究团队的经验与高级机器学习成果相结合，能辅佐客户自动识别威胁，并当即采纳响应步履。
杰思安适认为：企业主机防止恶意软件的能力是其安适计谋是否有效的标识表记标帜之一 。无论云中的主机还是终端主机都承载了大量的关键数据和关键应用，长短法分子觊觎的打击方针。而ML能够增加主机的主动防御能力，有效抵制0day打击，增强主机安适免疫力。不过仅依靠ML来掩护端点的安适计谋稍显薄弱，需要综合实施包孕ML在内的立体端点安适解决方案，结合各类互补技术，例如缝隙操作预防、行为分析、意图分析，才华提升用户防御各类类型打击的综合能力。