攻擊者的策略變化莫測，攻擊發生的頻率也越來越高，迫使企業必須做好應對任何網路威脅，而這就是機器學習與人工智慧（ML/AI）發揮救援的長處，可提供高效率、可擴充性和卓越的效能預測智慧，為網路威脅偵測和防禦制定重要的優先決策並檢測異常行為。
世界正在以更迅速的方式進行數位轉型與擴張。隨著網路變得更龐大、資料變得複雜，人們已面臨更複雜龐大的網路安全挑戰。現今，網路正走向一個以資料為中心的安全性問題。安全系統處理與分析大量資料，以獲得更多可操控與分析的情報。隨著資料的增加而必須快速收集和儲存更多更複雜的資料。例如，與惡意流量的增長比例相比較，與網路相關的資料量更巨大，需要進行大量分析。
攻擊者的策略變化莫測，攻擊發生的頻率也越來越高，迫使企業必須做好應對任何網路威脅。網路安全人口的供需仍然非常龐大，這使得安全威脅問題益發嚴重。這些都指向網路安全領域不僅僅是透過人工介入，而這就是機器學習與人工智慧（ML/AI）發揮救援的長處。
ML/AI使企業能夠以自動化的方式檢測威脅，進而減少手動處理海量資料的認知辨別責任。ML/AI提供高效率、可擴充性和卓越的效能預測智慧。它還能為網路威脅偵測和防禦用例，制定重要的優先決策並檢測異常行為。
在大規模實施網路優化和執行人工智慧網路安全工作流程，也會遇到一些問題。為了了解和解決網路安全的最佳化和擴展問題，針對DGA（域名生成演算法）檢測模型的一些架構進行了基準測試。在雲端環境中的不同ML/AI框架上運行DGA模型，以分析有效性和可擴展性，並確定資料處理的完成速度。
了解DGA檢測模型
DNS攻擊不斷呈現上升趨勢，攻擊者正在部署網域名稱生成等先進技術，以隨機產生的方式，用於命令和控制（C&C）網域的溝通。 為了偵測DGA攻擊，而提出了一個ML/AI模型，該模型偵測DGA的準確度高達98.63%。在DGA檢測任務中，採用了以往工作中最有潛力的方法，並且使用整合了長短記憶（LSTM）、卷積神經網路（CNN）等各種深度學習性能最好的模型。與其他ML/AI解決方案相比較，它提供了領域的詞彙序列和更好的空間模式檢測，有助於追蹤長期依賴關係（圖1）。
圖1 表示檢測框架的建置組塊
典型的DNS回應時間範圍為20毫秒到120毫秒，執行ML/AI模型需要大量計算。資料中心級DGA偵測框架，可輕鬆與DNS服務器整合，透過低延遲和高流通量處理DNS請求，對資料進行推理操作，以獲得快速可靠的偵測結果。為了優化DGA檢測框架的吞吐量和延遲，必須評估各種ML/AI框架的可擴充性。因此，使用由深度學習模型組成的DGA偵測框架，作為基本場景，以確定在雲端中受支援的哪種ML/AI框架，能夠產生高效的結果。
架構比較
為了達到最佳效能，架構的硬體和軟體元件都需要適合該項目。在硬體方面，圖形處理器有多個核心平行運作，進而能夠協助平行的任務運作得更快，尤其是在批次大量資料處理上。這就是深度學習所執行的核心數學運算，適合使用GPU進行平行運作的原因。人們可以檢查比較中央處理器（CPU）與圖形處理器（GPU）的效能，以分析哪種處理流程最適合任務的要求。
在軟體方面，F5擁有TensorFlow（TF）、OpenNeural Network Exchange（ONNX）和NVIDIA Morpheus等ML程式庫、格式和框架。這次所有ML/AI框架都將使用CPU和GPU運算引擎特定的基礎設施來確定吞吐量和延遲。
在此次試驗中的測試平台，從各種開源情報（OSINT）來源收集資料並進行預先處理。使用TensorFlow程式庫開發深度學習模型。該架構在GCP的「n1-highmem-8」機器上實現，該機器具有52GB RAM和8個vCPU，GPU使用的是tesla V100。嘗試了多種硬體和軟體配置，如表1所示。
Morpheus流程在延遲和吞吐量方面優於其他配置，詳細配置之間的比較結果將有詳細說明。
實證分析：實驗與結果
TensorFlow中實作了Astra架構，並在各種架構上執行CPU和GPU。表2顯示了各模型在不同架構上的吞吐量。
首先，使用CPU和GPU對TF/SKL批次大小32和1024的運作進行比較。TF/SKL-CPU配置在批量大小為32吋模型的吞吐量為162個請求/秒，在批量大小為1024吋模型的吞吐量為1013個請求/秒（表2）。當使用GPU運作相同的配置時，在批次大小為32和1024時，吞吐量分別增加11倍（1883個請求/秒）和43倍（43668個請求/秒）。對於在這裡，對於GPU架構，使用cuDNN程式庫來實作LSTM與GPU的平行操作。cuDNN是一個為深層神經網路設計的GPU加速程式庫，可最佳化RNN效能。
第二步，使用ONNX模型架構，這是優化計算最快的模型格式之一。將模型轉換為ONNX格式，並使用CPU和CUDA GPU提供執行運作。CPU執行ONNX批次大小為32（818 req/秒）的效能，是TensorFlow CPU（162 req/秒）的5倍，而批次大小1024的ONNX（1504請求/秒）的效能，是TensorFlow CPU（1013請求/秒）的1.5倍。
研究發現，執行批次大小為32和1024的ONNX時，具有CUDA GPU執行提供者的ONNX效能，比CPU執行提供者高6倍和13倍。在批次大小為1024時，使用GPU的TensorFlow效能優於使用GPU執行提供者的ONNX。相較之下，在所有其他配置中，後者性能表現更好，因為LSTM的ONNX實作，並未像TensorFlow中的cuDNN LSTM那樣，針對GPU進行最佳優化。圖2和圖3顯示了各種架構上，批次大小32和1024的吞吐量與延遲比較。
最後，比較了不同批次大小的Morpheus-GPU。在這裡，於Morpheus上執行的配置，批次大小為32和1024時，吞吐量達到22382請求/秒和208077請求/秒，分別較先前批次大小為32和1024最佳表現的運作下，分別高出4倍和5倍（圖2、圖3）。Morpheus在NVIDIA GPU加速伺服器上運作。
圖2 各種架構的吞吐量和延遲模型
圖3 不同架構上，批次大小32與批次大小1024的模型吞吐量和延遲。
效能的提升，不僅透過硬體加速，程式設計模型也扮演關鍵的角色。Morpheus可以動態調整資源，並在壓力下將資源重新導向到流程部分。增強、執行非同步運算，以及減輕I/O和GPU阻斷，用基於光纖的編程方法有助於提高流程的性能。 Morpheus-GPU架構在延遲和吞吐量方面，優於所有其他架構。因此，可以利用更大的批次規模，為大型網路提供服務。此外，當與快取一起使用時，這種效能還允許在資料中心級DNS流量上，即時運作DGA檢測模型。
結語
隨著各行業數位化的爆炸性成長，手動瀏覽大量資料已不再可行，對於本已短缺的網路安全人才來說，AI是一個新選擇。人工智慧能夠即時偵測並阻止惡意軟體威脅，進而減輕網路安全專業人員的識別負擔。同時，開發商更需要了解ML工作流程的組成部分，以設計一個最佳化的AI管道，為他們獨特實作用例提供服務。而NVIDIA Morpheus在軟體優化和硬體加速幫助下，為AI人工智慧網路安全方面，提供卓越的推理論速度，實現即時威脅偵測。
＜本文作者：F5 資安威脅情資中心該中心將來自合作夥伴的應用程式威脅資料，分析處理成有價的威脅資訊，並與資訊安全社群分享，以協助應對網路威脅。＞