O que é o Aprendizado profundo em linha?

Novos ataques estão sendo lançados muito mais rapidamente do que o sandboxing tradicional, proxies e tecnologias de assinatura independentes podem implantar proteções. Após uma infecção inicial, o malware moderno pode infectar milhares de outros sistemas em segundos, bem antes que as medidas de proteção possam ser desenvolvidas e estendidas às organizações. Para evitar ameaças avançadas, as organizações devem evitar infecções iniciais de ameaças nunca antes vistas o mais rápido possível. O objetivo é reduzir a zero o tempo entre a visibilidade e a prevenção. Graças ao aprendizado profundo em linha, isso agora é possível.

O que é Aprendizado profundo?

Para entender melhor o conceito de aprendizagem profunda em linha, é útil definir primeiro a aprendizagem profunda e a aprendizagem de máquina e, em seguida, diferenciar as duas. O Aprendizado profundo é um subconjunto do aprendizado de máquina (ML) que usa redes neurais artificiais para imitar a funcionalidade do cérebro e aprender com grandes quantidades de dados não estruturados. As redes neurais são treinadas usando grandes quantidades de dados não estruturados. Eles podem coletar, analisar e interpretar informações de várias fontes de dados em tempo real, sem intervenção humana. O aprendizado profundo pode ser especialmente útil ao inspecionar grandes quantidades de dados sobre ameaças cibernéticas para detectar e evitar ataques cibernéticos. O aprendizado profundo automatiza as extrações de recursos, removendo qualquer dependência de humanos: Por exemplo: Ao categorizar animais como cães, gatos ou pássaros, o aprendizado profundo determinará quais características (por exemplo, orelhas, nariz, olhos etc.) são essenciais para distinguir cada animal de outro. Esses recursos avançados são o que torna o aprendizado profundo extremamente benéfico para melhorar as tarefas analíticas e relacionadas à automação.

O que é aprendizado de máquina?

O aprendizado de máquina é um aplicativo de IA que inclui algoritmos que analisam dados, aprendem com os conjuntos de dados e aplicam o aprendizado para tomar decisões informadas. Normalmente, os computadores são alimentados com dados estruturados e os utilizam como dados de treinamento para se tornarem melhores na avaliação e na ação. Embora os modelos básicos baseados em aprendizado de máquina sejam projetados para melhorar sua precisão ao longo do tempo, eles ainda exigem intervenção humana.

Aprendizado de máquina vs. Aprendizado profundo

A inteligência artificial (IA) está sendo cada vez mais usada em vários setores para alimentar tarefas automatizadas. Dois grandes componentes da IA são o aprendizado de máquina e o aprendizado profundo. Os termos são frequentemente usados de forma intercambiável, mas há diferenças distintas:

• O aprendizado de máquina exige que um cientista ou engenheiro de dados escolha manualmente os recursos ou classificadores, verifique se o resultado é o desejado e ajuste o algoritmo se as previsões geradas forem consideradas imprecisas.
  
  O Aprendizado profundo elimina a necessidade de intervenção humana. Estruturando algoritmos em camadas por meio de suas redes neurais, o Aprendizado profundo pode determinar por si só se uma previsão é precisa ou não.

• Os algoritmos de aprendizado de máquina tendem a ter uma arquitetura simples, como a regressão linear ou uma árvore de decisão. Os recursos de aprendizado de máquina também tendem a envolver menos poder de processamento. Ele pode ser configurado e operado rapidamente, mas pode produzir resultados limitados.
  
  O Aprendizado profundo é muito mais complexo. Embora normalmente exija hardware mais potente, recursos e tempo de configuração, geralmente gera resultados instantaneamente e requer um mínimo de manutenção, se houver.

• Os algoritmos tradicionais de aprendizado de máquina exigem muito menos dados do que os modelos de aprendizado profundo. As tecnologias alimentadas por ML podem operar usando milhares de pontos de dados; a aprendizagem profunda normalmente requer milhões. Os dados usados também são, em grande parte, não estruturados e podem incluir imagens e vídeos, o que permite eliminar flutuações e fazer interpretações de alta qualidade.

Como funciona o Aprendizado profundo em linha?

O próprio aprendizado profundo é usado em uma ampla gama de setores, incluindo segurança de rede. Como pode evoluir continuamente e aprender ao longo do tempo com os volumes de dados de ameaças que ingere, tornou-se uma tecnologia essencial para prever ataques cibernéticos. Para aumentar sua eficácia na detecção e prevenção de novas ameaças cibernéticas, surgiu uma tática mais recente e líder do setor: o aprendizado profundo em linha. No evento de uma violação de segurança, o aprendizado profundo em linha é usado para analisar e detectar tráfego mal-intencionado à medida que ele entra em uma rede e bloquear ameaças em tempo real. Isso é crucial porque os atores de ameaças modernas usam técnicas sofisticadas que tornam os ataques desconhecidos para as defesas de segurança tradicionais. Embora o aprendizado profundo em linha tenha esses recursos incríveis, ele também opera sem interromper a capacidade do indivíduo de usar seu dispositivo. Ele é executado em segundo plano sem ser notado, sem causar interrupções no fluxo de trabalho ou na produtividade do dispositivo.

Prevenção contra ameaças desconhecidas com a aprendizagem automática em linha

A Palo Alto Networks entregou o primeiro firewall de próxima geração (NGFW) com tecnologia ML do mundo, fornecendo aprendizado de máquina em linha para bloquear ameaças desconhecidas baseadas em arquivos e na rede. Usando uma abordagem patenteada sem assinaturas, o WildFire e o avançado URL Filtering evitam proativamente arquivos armados, phishing de credenciais e scripts maliciosos sem comprometer a produtividade dos negócios. Os NGFWs virtuais e de hardware da Palo Alto Networks podem aplicar novos recursos de prevenção baseados em ML:

• O ML em linha do WildFire inspeciona arquivos na velocidade da linha e bloqueia variantes de malware de executáveis portáteis, bem como arquivos do PowerShell, que representam uma parcela desproporcional do conteúdo malicioso.
• O URL Filtering inline ML inspeciona URLs desconhecidos na velocidade da linha. Esse recurso pode identificar páginas de phishing e JavaScript mal-intencionado em milissegundos, bloqueando-os em linha para que ninguém em sua rede os veja.

Para saber mais sobre o Aprendizado profundo em linha, leia o whitepaper da Palo Alto Networks: Requisitos para prevenção de ameaças evasivas.

Perguntas frequentes sobre Aprendizado profundo em linha