在七月，華爾街經歷了自2022年以來最糟糕的一天，以科技為主的納斯達克指數下跌了3.6%。此次下跌主要由于一些主要科技公司的業績未達到預期，評論人士認為這是引發市場波動的原因。值得注意的是，受此次下跌打擊最嚴重的公司，往往是那些在AI領域投入大量資金的企業。

盡管AI引發了大量投資和樂觀預期，但越來越多的人開始擔憂其能力可能被過度夸大。科技股的下跌凸顯了決策者們面臨的巨大壓力，要求他們證明AI能真正實現其預期目標。

對于首席信息安全官(CISO)而言，這種壓力尤為顯著，他們現在的任務不僅是確保AI驅動的舉措能加強網絡安全，還要展示出可以向公司高層和董事會傳達的可量化成果。

網絡安全尤其能夠從AI的能力中受益，AI的機器學習算法能夠幫助檢測用戶行為中的異常，這在當今快速變化的威脅環境中是至關重要的。事實上，一項最新研究發現，78%的CISO已經在某種程度上利用AI來支持其安全團隊的工作。

然而，正如任何發展中的技術一樣，AI的應用需要保持適當的懷疑態度。為了確保對AI的投資能夠帶來實際成果，CISO在將AI整合到其網絡安全策略中之前，必須自問三個關鍵問題。

1. AI的應用在哪些領域最有意義?

在實施AI之前，確定它可以在哪些領域產生最大的影響是至關重要的。

盡管許多從業者希望將AI整合到威脅檢測和響應中，但了解其局限性同樣重要。大型語言模型(LLMs)在分析檢測日志并提供高級響應指導方面可能非常有用，然而，威脅環境的動態特性帶來了挑戰：威脅行為者也在使用AI，他們演化的速度往往超過了現有的威脅識別系統。

為了跟上威脅行為者的步伐，AI可以在某些領域產生顯著且即時的影響，尤其是在自動化處理安全團隊當前大量耗時的重復性任務上。例如，AI驅動的見解和指導可以幫助安全運營中心(SOC)的分析師更快地分流警報，減輕工作負擔，使他們能夠集中精力處理更復雜的威脅。通過利用AI提升SOC中的分析師，CISO可以釋放團隊資源，專注于高優先級問題，提升整體效率和響應速度。

2. 我的用例中AI的有效性有證據支持嗎?

并非所有的用例都能同樣有效，在嘗試更具創新性的應用之前，依賴經過驗證的應用會更安全。

例如，安全信息和事件管理(SIEM)系統長期以來一直使用AI和機器學習進行行為分析。基于機器學習的用戶和實體行為分析(UEBA)系統在檢測可能表明安全威脅的異?；顒臃矫姹憩F出色，如內部攻擊、賬戶被盜或未經授權的訪問。

這些系統通過分析大量的歷史數據來建立用戶和實體的行為基準，并持續監控實時活動是否偏離常規。

通過專注于像UEBA這樣成熟的AI應用，CISO可以確保其AI投資帶來價值，同時降低風險。

3. 提供給AI模型的數據質量如何?

AI成功的一個關鍵因素是提供給模型的數據質量。AI模型的表現取決于其消耗的數據質量，如果沒有準確、完整且經過豐富處理的數據，AI系統可能會產生有缺陷的結果。

在網絡安全領域，威脅不斷演變，為AI系統提供涵蓋攻擊面上下文、詳細日志、警報和異?；顒拥亩鄻踊瘮祿陵P重要。

然而，像API這樣的新興攻擊面帶來了獨特的挑戰。API安全成為黑客的主要目標，因為API經常傳輸敏感信息。雖然傳統的Web應用防火墻(WAF)過去可能足以保護API，但如今的威脅行為者已經開發出更復雜的技術來突破外圍防御。不幸的是，由于API安全是一個相對較新的領域，這一攻擊面很少被監控，更糟糕的是，它通常不包含在AI的威脅分析中。

由于成功取決于高質量數據的可用性，AI可能尚未成為應對諸如API等尚未成熟或正在興起的攻擊面的最佳解決方案，因為這些領域的基礎安全實踐可能仍在發展。在這種情況下，CISO必須認識到，即使是最先進的AI算法也無法彌補基礎安全措施和可靠數據的缺乏。

結論

AI在改變網絡安全方面具有巨大的潛力，但它并非萬能。通過提出有關AI在哪些領域可以創造最大價值的關鍵問題，依賴經過驗證的用例，并確保獲得高質量的數據，CISO可以做出明智的決策，決定如何以及何時將AI整合到其網絡安全策略中。在一個機遇和威脅都快速演變的環境中，AI實施的戰略性方法將成為成功的關鍵。