日前,网络安全和应用交付解决方案提供商Radware®(NASDAQ: RDWR)公司发布了针对最高管理层的2017年应用及网络安全高管调查报告,报告发现,人工智能(AI)和可以保护企业免遭更多动态网络威胁侵害的机器学习系统受到了美国与欧洲高管们的高度重视。
每年,Radware都会发布信息安全行业调查的发现和分析结果。全球应用及网络安全报告面向整个安全行业,可以帮助他们了解威胁现状、对企业的潜在影响、防范程度、新兴威胁以及对未来一年安全形势的预测。
Radware为了更完善上述的调查研究报告。今年第二季度,Radware针对全球最高管理层高管开展了一项调查。目的是了解他们最大的业务关注点;不断变化且优先考虑的技术和人员配备技术;如何在遵守网络安全的前提下,符合政府法规和态度。
今年的研究揭示了全球重要趋势,以及美国和欧洲高管的看法和他们之间的微妙差别。2017年调查报告结果包括:
采用人工智能/机器学习:今年的调查报告提出了这样一种观点,即:安全自动化达到了一个转折点——约有五分之四(81%)的高管都表示更多依赖自动化解决方案。约有57%的高管表示,相比人工,他们更愿意相信自动化系统可以更好地保护企业安全。五分之二(38%)的高管表示,在两年内,自动化安全系统将成为管理网络安全的主要方式。
Radware安全解决方案副总裁Carl Herberger表示:“企业需要以毒攻毒。现在的威胁攻击者仍在继续创建高度自动化和自适应工具,如Mirai和Hajime僵尸网络。这些攻击会对网络造成灾难性的破坏。还没有通过不断适应的攻击检测和缓解功能来对抗这些动态威胁的高管,无疑让企业陷入了危险的境地。”
安全是董事会的关注点:多数(85%)受访者都表示,在他们公司,安全威胁是CEO或是董事会关注的问题。94%的受访者告诉我们,安全的优先等级很高。约有五分之三(62%)的人认为安全“极其重要”,这一比例比去年略有增加,去年只有53%的人持相同观点。
安全是数字化转型的主要推动因素:今年的调查受访者都表示,他们的企业正在积极整合数字技术,网络安全则是进行数字化转型的头号推动因素。将近一半(47%)的高管表示,提高信息安全是他们进行数字化转型的主要目标。更重要的是,对四分之三的企业而言,网络安全方面的考量在决定进行业务数字化时至关重要。
下一个可能的目标:高管们认为,未来三到五年面临最大安全威胁的是网络基础架构(27%),其次是物联网(IoT)设备(22%)和能源/电力基础架构(21%)。
发生网络攻击时高管最大的担忧是什么?是他们的客户。很多高管都担心网络攻击会严重影响客户体验,39%的高管认为这是安全威胁对企业的最大冲击。品牌声誉损失紧随其后(36%),然后是运营和客户损失(均为29%)以及收入损失(34%)。
Radware首席营销官Anna Convery-Pelletier表示:“高管们从来没有像现在这样如此仔细地审查安全缺口,采取更积极的方式保护客户体验,规避黑客可能带来的品牌损害。由于客户体验与声誉管理和数据保护息息相关,因此受过良好教育的消费者对安全很敏锐。正因如此,消费者会将这些重要参数作为决定与某公司合作的基础。”
高管们认为,政府在保护消费者隐私方面做的远远不足。世界各地的高管都认为政府在破坏数字安全方面扮演了重要角色。三分之二(67%)的高管认为,当前与信息安全相关的法律和立法都会损害个人隐私,79%的高管认为政府应当采取更多措施保护个人信息。
与美国同行相比,欧洲高管更倾向于雇佣前黑客。在欧洲,58%的人表示他们很有可能这样做,但在美国,只有27%的高管会这样做。四分之一的美国高管表示他们不会雇佣前黑客,36%的人表示他们可能会。
这份报告提供了对高管们视角及深刻见解的详细分析,其中还包括对个别国家的想法和观点的汇总。阅读完整调查结果报告,请点击下载:2017年应用及网络安全高管调查报告。
研究方法
2017年4月,Merrill研究所代表Radware对200名IT高管(美国100名,欧洲100名)进行了调查。参与2017年应用及网络安全调查的受访者必须来自收入至少为2.5亿美元(或同等数量)的企业,且拥有高级副总裁或更高的头衔。尽管今年的调查吸引了更多的一流企业,但至少有一半的受访者必须是最高管理层高管。参与调查的企业中约有一半企业拥有1000到9999名员工,平均员工数约为4600。美国受访者中还包括一些员工人数不足1000人的企业,但在员工数量方面并没有什么显著差异。
好文章,需要你的鼓励
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
麻省理工学院研究发现过度依赖AI会导致认知债务,削弱基本思维能力。研究表明交替进行无辅助思考和AI支持工作的模式能保持认知敏锐度。这种认知高强度间歇训练模仿体能训练中的HIIT模式,通过短时间高强度思考与恢复期交替进行,可以强化大脑神经回路,防止认知衰退,提升独立思考能力。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。