深度學習技術在安全和欺詐檢測方面的六大應用

深度學習因為其積極影響成為了2017年最流行的流行語之一。深度學習（更準確地應該被稱為深層神經網路）試圖模擬大腦的活動。自20世紀50年代末以來，神經網路的基本原理已經存在，直到2010年左右，計算機才變得足夠強大（數據也變得足夠大），而且強大到足以使高度複雜的「深層」神經網路應用於實際。

現如今，這種技術正在徹底改變著自然語言處理和惡意軟體檢測。深度學習可以想出解決棘手問題的辦法，比如，識別可疑的網路行為。這種技術以及相關的系統和工具將在反欺詐和安全應用中發揮越來越大的作用。

與其他形式的機器學習相比，深度學習解決問題時需要的手動編程較少。利用傳統機器學習演算法中花費最大的部分是被稱為特徵提取的一個階段。工程師，分析師或數據科學家需要通過編寫代碼從機器學習演算法的數據中提取有趣的特徵，比如，一個人每天做的交易數量，或他或者她正在使用信用卡時離家的距離。分析師必須明確暗示著欺詐或安全漏洞的特徵。

深度學習改變了這個方程式，它導入原始交易和用戶數據，並應用神經網路技術自動執行這個特徵提取的過程。 對於某些問題（如圖像識別），人類很難編寫出提取這些特徵的代碼。深度學習為許多領域的創新產品開闢了新的機遇，但它在安全，欺詐和檢測濫用方面的表現尤其令人激動。它的一些應用包括：

1.發現不當行為。

用戶提供內容的社交網路和其他論壇有時會引發異常行為，例如發布色情或暴力圖像的人。有了深度學習，公司可以自動發現禁止的內容，而不需要僱用人手來查看用戶報告的圖像。這樣可以節省資金和時間，而且可以更為積極主動地確保用戶不違反公司政策。

2.照片驗證：

網路犯罪分子經常創建假照片和ID。他們能夠因此獲得一個新的身份，從而創建假帳戶來欺騙用戶共享數據或註冊虛假服務。諸如Airbnb等受到這些攻擊的影響越來越大。深層神經網路在經過訓練後可以識別被操縱過或複製的圖像，而且自2015年以來，神經網路在相似的圖像識別任務上的表現優於人類。

3.釣魚郵件：

網路釣魚---發送看似來自合法發送者（如UPS或銀行）的電子郵件的做法---然後欺騙人們點擊鏈接並騙他們打開會竊取私人電腦數據的病毒。我們中的部分人無意中就把個人數據，包括帳號和密碼給了這些騙子。經過訓練的深度學習系統可以用來識別這些釣魚郵件，並阻止他們被傳送到任何人的收件箱里。

4.垃圾郵件檢測：

深度學習可以通過學習垃圾郵件和合法郵件之間的區別來消除各種形式的垃圾郵件。深層神經網路可以理解電子郵件文本中包含的概念還可以，例如，確定電子郵件是否包含推銷產品的行為。

5.用戶和實體行為分析：

用戶和實體行為分析（UEBA）側重於分析連接組織網路的人以及伺服器，帳戶，筆記本電腦等實體的行為。 UEBA用於外部違規檢測以及識別流氓內部人員（它是通過分析什麼是正常行為，例如，用戶通常登錄的位置以及他們訪問的應用程序來識別的）。深度學習減少了UEBA所需的特徵工程，而神經網路可以學習那些可能會指示惡意會話的用戶行為模式。

6.帳戶泄露檢測：

像UEBA一樣，安全工程師和研究人員開始注意到根據個人用戶行為訓練循環神經網路的能力。如果該用戶的行為與模型充分偏離，則可能表示該帳戶已被泄密。

然而，深度學習存在一些問題。首先，它需要大量被標記的數據才能生效。這需要人員挑選數據並將數據輸入系統，以便它可以學習識別模式，例如用於釣魚郵件的虛假標誌或電子郵件地址。其次，據估計深度學習非常昂貴。

這就是深度學習直到大約2010年Google開始發布最先進的結果時還是一個新興領域的原因。它可以做到這一點是因為出現了更便宜，更強大的被稱為GPU的處理器（遊戲玩家用來渲染令人印象深刻的3-D視覺的顯卡）。此外，到2010年，Google等大型公司已經積累了深度學習起作用所需要的大量培訓數據。世界數據每兩年翻一番為新型機器學習取得成功提供了獨特的機會。

幸運的是，你不需要頻繁地用一個巨大的數據集來訓練深度學習。許多研究團體在開源許可下在網路上發布了預先訓練的模型。此外，你可以使用一種稱為轉移學習的策略，從這些預先訓練好的網路開始，並根據自己的數據進行細化。例如，你可以採用可以識別不同的動物，並能將其細化為景觀數據集的經過預先訓練的深層神經網路，它只需幾百或幾千個樣本即可獲得最高水平表現。

深度學習安全和欺詐檢測的潛能仍處於其早期階段。深度學習可以改變機器學習的數學，在大多數問題上，不僅僅是今天的惡意軟體檢測，我們都可以使用更少的分析，得到更好的結果。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！