眾創時代，生成式AI進入主流，大語言模型（LLM）有如雨後春筍，應用普及化加速。由於市場嚴重缺乏技術人手，初期應用均集中在協助設備設定。

透過生成式AI，廠商可協助用戶簡化設定設備，節省管理人手。近期思科終於宣布推出生成式AI應用，未來擴展至全線保安產品，目前Cisco Policy Assistant可為防火牆建議設定規則，簡化管理工作。

長遠來說，思科會推出針對保安營運中心（Security operations centre，SOC）生成式AI助手，從電子郵件、Web、端點和網絡日誌檔，直接推論出網絡威脅和影響的範圍，建議修復方法，設置最佳的防禦步驟。

分析日誌快速應變

類似生成式AI協助網絡和保安設定越來越普遍。據Juniper Networks亞太區企業總監梁定康說，以Juniper全球首創的虛擬網絡協定助手Marvis為例，透過Mist AI的自然語言對話，協助全域網絡設備設定和維護，生成式AI學習最佳設定，自動找出適合建議，降低維護人員技術要求，其實越來越成為常態。

「生成式AI應用於保安分析研究，正是方興未艾，以自然語言處理分析日誌，已呈現不少優勢，潛力不容忽視。」梁定康指出。

近期多間公營機構受攻擊，更多機構考慮安裝「保安資訊及事故管理」（SIEM），及早識別入侵威脅。SIEM的原理是分析系統內多個來源紀錄或日誌檔，全面了解網絡狀況後，通過關聯性引擎（Correlation Engine）的分析，識別和回應威脅入侵，問題在於SIEM經常產生大量報告和雜音，難以逐一以人手分析，缺乏專業分析人員，管理SIEM往往要延聘專業外判商，不少廠商加入AI功能，以減少SIEM的誤鳴。

但是，生成式AI不但可減少以人工分析數據，還可在關聯性的分析以外，加入新分析機制，更快速識別攻擊，營運成本也更低。

梁定康指出，以全球最大數據科學比賽平台Kaggle為例，一直舉辦比賽透過高額獎金，鼓勵開發人員創新算法和預測分析，解決網絡和保安難題。以往不少透過機器學習分析；近期Kaggle流行以LLM開發識別威脅方案，效果甚至比機器學習算法，還更勝一籌。從Kaggle上趨勢推測，生成式AI應用於保安分析研究，正是方興未艾，以自然語言處理分析日誌，已呈現不少優勢，潛力不容忽視。

他提到，「以往，數據科學家先分類不同數據，暸解結構和相關性後，建立起預測性算法；LLM則透過自然語言處理（NLP）深度學習，直接讀取日誌內容，建立相關性再產生可能答案，幾乎毋須編程，就可找出相關性，新一代LLM具「多模態」（Multi -Modal）能力，結合蛛絲馬跡，獲得更準確答案。」

AI保安雨後春筍

近代的LLM透過Transformer技術，利用自注意力機制，免除大量標注數據和數據分類，又解決多層深度學習的失真，準確分析大量日誌，可迅速找出可疑活動。

梁定康說，LLM深刻影響網絡管理和保安，以Skyhawk、Microsoft、Google Cloud三間公司推出LLM工具為例，可直接評估識別網絡的威脅。Skyhawk以LLM提高識別威脅準確性，甚至可自我改進的AI威脅分析框架，套用不同LLM分析日誌檔後，均可加快識別惡意行為，而且準確度更高。

Skyhawk曾利用ChatGPT4，加快識別速度達78%，Skyhawk推出基於不同LLM的預測評分，發現部署Meta開源Llama2，識別威脅的準確率，竟還高於ChatGPT4。Llama2免費授權又可本地部署，再結合API擴展用途。不少保安應用傾向以本地部署，Skyhawk發現可本地部署LLM，檢測能力較收費版本更佳，LLM用於威脅應用，帶來更多啟示。

Microsoft推出Security Copilot工具，而Google Cloud推出了Security AI Workbench，兩者利用LLM配合保安技術和網上最新情報，亦可更快反應消除威脅。

以子之矛攻子之盾

梁定康認為，不少研究也集中以LLM作終端防禦。網絡釣魚電郵和訊息，已成為網絡上最大威脅。黑客已經利用LLM，通過學習攻擊目標的個人訊息，編寫更易令人上當個人化欺詐內容，研究人員也開發LLM應用，自動識別出類似的詐騙訊息。「生成式AI透過學習後，就產生適當建議，小量數據已可作分析，毋須累積大量數據作訓練，已可獲得準確結論。多間初創正開發方案，自動分析可疑意圖訊息，以識別網絡欺詐。」

不少人預期，LLM加速普及化，很快成為手機和個人電腦標準應用，其中一個用途可過濾接收的訊息，警告用戶加以提防，隨身保安助手的出現，不再是天方夜譚。

--

《星島頭條》APP經已推出最新版本，請立即更新，瀏覽更精彩內容：https://bit.ly/3yLrgYZ