[ad_1]
سرعت افزایش تهدیدات پرمخاطب (مثلاً باج افزار) تا دو رقمی (15.8٪) رشد می کند. نتیجه یک مسیر خطرناک است که به احتمال زیاد منجر به تلفات مداوم برای سازمان هایی می شود که قربانی یک حمله سایبری بدون هیچ گونه دستاوردی در قدرت های دفاعی می شوند. در واقع، گزارش نقض داده در سال 2021 توسط IBM و موسسه Ponemon نشان میدهد که میانگین هزینه نقض دادهها 4.24 میلیون دلار است.
علاوه بر هزینه ها، یک حمله سایبری می تواند صدمات جبران ناپذیری به برند، قیمت سهام و فعالیت های روزانه شرکت وارد کند. بر اساس نظرسنجی اخیر Deloitte، 32 درصد از نقض اختلالات عملیاتی، بزرگترین تأثیر یک رخداد یا نقض سایبری است. سایر عواقب ذکر شده توسط شرکت های مورد بررسی شامل سرقت دارایی معنوی (22٪)، کاهش قیمت سهام (19٪)، از دست دادن شهرت (17٪) و از دست دادن اعتماد مشتری (17٪) است.
با توجه به این خطرات مهم، سازمانها به سادگی نمیتوانند وضعیت موجود در حفاظت از داراییهای دیجیتال را بپذیرند. کاسپی میگوید: «اگر میخواهیم از دشمنان خود پیشی بگیریم، جهان باید طرز فکر را از تشخیص به پیشگیری تغییر دهد.» سازمانها باید نحوه اجرای امنیت و مبارزه با هکرها را تغییر دهند.»
![](https://poshit.ir/poshitfiles/2024/08/یادگیری-عمیق-دفاع-سایبری-فعال-را-ارائه-می-دهد_edited.webp)
یادگیری عمیق می تواند تفاوت باشد
تا کنون، بسیاری از کارشناسان امنیت سایبری، یادگیری ماشینی را نوآورانهترین رویکرد برای حفاظت از داراییهای دیجیتال میدانستند. اما یادگیری عمیق به طور ایده آل برای تغییر روش جلوگیری از حملات امنیت سایبری مناسب است. هر ابزار یادگیری ماشینی را می توان درک کرد، و از لحاظ نظری مهندسی معکوس کرد تا یک سوگیری یا آسیب پذیری معرفی شود که دفاع آن را در برابر حمله تضعیف کند. بازیگران بد همچنین می توانند از الگوریتم های یادگیری ماشین خود برای آلوده کردن راه حل های دفاعی با مجموعه داده های نادرست استفاده کنند.
خوشبختانه، یادگیری عمیق با دور زدن نیاز دانشمندان داده بسیار ماهر و با تجربه برای تغذیه دستی مجموعه داده راه حل، محدودیت های یادگیری ماشین را برطرف می کند. در عوض، یک مدل یادگیری عمیق، که به طور خاص برای امنیت سایبری توسعه یافته است، می تواند حجم وسیعی از داده های خام را برای آموزش کامل سیستم جذب و پردازش کند. این شبکه های عصبی پس از آموزش، مستقل می شوند و نیازی به مداخله دائمی انسان ندارند. این ترکیبی از روش یادگیری مبتنی بر داده خام و مجموعههای داده بزرگتر به این معنی است که یادگیری عمیق در نهایت قادر است الگوهای بسیار پیچیدهتری نسبت به یادگیری ماشینی را با سرعتهای بسیار سریعتر به دقت شناسایی کند.
میرل سهیک، معاون مدیر کل فناوریهای ساختمانی هانیول (HBT)، یک شرکت چندملیتی و ارائهدهنده هوافضا، مواد عملکردی، ایمنی و بهرهوری، میگوید: «یادگیری عمیق بر هر فهرست انکار، مبتنی بر اکتشاف یا رویکرد یادگیری ماشین استاندارد برتری دارد. فن آوری ها “زمانی که برای یک رویکرد مبتنی بر یادگیری عمیق برای شناسایی یک تهدید خاص طول می کشد، بسیار سریعتر از هر یک از این عناصر ترکیبی است.”
دانلود گزارش کامل.
این محتوا توسط Insights، بازوی محتوای سفارشی MIT Technology Review تولید شده است. این توسط هیات تحریریه MIT Technology Review نوشته نشده است.
[ad_2]