過去在網路安全方面的做法包括在基礎設施四周建立屏障，以阻止惡意者入侵。不過隨著企業持續進行數位轉型，面對裝置數量激增、更複雜的網路安全攻擊，以及需要保護極為龐大的資料網路，必須探索新的網路安全方法。
另一個做法是把網路安全視為資料科學問題加以解決。此舉是期待更好的瞭解網路中的所有使用者和活動，以便找出哪些交易是正常，哪些有可能是惡意交易。
安全資訊和事件管理（security information and event management，SIEM）等傳統的網路安全解決方案會收集活動日誌，要是偵測到威脅便能分析日誌內容。即時監控已經完成，但許多企業只監控它們生成資料的一小部分。這些資料量過大，若要全部進行運算成本太高。
新一代工具和解決方案必須是分散式，不僅要靠集中分析和收集，也須仰賴邊緣運算。它們還必須著眼於觀察即時行為，立即向安全營運團隊發出問題警報，在潛在威脅造成破壞之前找出它們。
企業可在其基礎設施中使用海量資料，以建立這種主動網路安全態勢，但此舉需要用到強大複雜的工具。可使用建立在 NVIDIA RAPIDS 及 NVIDIA 人工智慧上的 NVIDIA Morpheus 人工智慧應用程式框架，為網路安全開發者和實踐者建立強大的工具，以前所未有的龐大規模執行網路安全解決方案。在 NVIDIA 認證伺服器上搭配強大的 NVIDIA GPU 和 DPU 加速器及 DOCA 遙測技術，能為資料中心帶來新的安全級別。
非監督式學習能偵測到看不見的威脅
您可以使用 NVIDIA Morpheus 人工智慧框架，利用 GPU 的運算能力建立細粒度模型，並且大規模進行部署。我們以一個預先訓練的全新工作流程展示這種能力；這個工作流程會分析網路中每個人和每具機器的行為，以偵測有無出現異常行為。在尋常的任何一天，整個企業的使用者都會存取多個帳戶和應用程式來完成日常工作。除了這些人工作業，還有由機器發起的數十萬件自動化操作項目，這些操作產生出海量資料，構成了當今網路上的大部分流量。
假使有人假扮成機器控制帳戶執行未經授權的操作，傳統的網路安全措施幾乎不可能偵測到。
使用 NVIDIA Morpheus 就能做到過去無法實現的大規模非監督式學習，以便從網路資料進行學習。這麼一來就可觀看網路上的所有動作，明白其中的好壞，無需事先加以標記。對每個跟系統進行互動的使用者、帳戶、權杖和機器，都能掌握跨多個維度的典型行為模式。
可為每種組合建立兩個模型：時間序列模型和順序模型。清理資料並建立一個時間序列模型，有效為特定使用者、機器和帳戶組合的預期活動週期建立模型。其他模型使用自動編碼器模擬連續活動。其實它是在學習給定的用戶、機器和帳戶組合，在網路上執行的一組和一系列操作。
像是把將學習時間設定為 72 小時，然後切換到推論模式。Morpheus 現可部署和協調大量數位指紋，以偵測特定組合的兩種模型之一的行為變化。接著萬一有人試圖接管一個機器帳戶，安全操作部門就會立即標記它，以便進行更深入的檢查。這個應用場合展現出 Morpheus 可能處理的資料量與涉及的模型數量：必須管理數十萬，甚至是數百萬個單獨的模型。
必須持續監控模型及其效能。Morpheus 現在能自動監控概念漂移（一種模型漂移）。使用新的概念漂移節點，便能查找概念漂移和將結果傳送到 MLFlow 這個通用的 MLOps 平台。
大規模加速網路安全人工智慧
最新版本的 NVIDIA Morpheus 採用專為網路安全設計的更新工作流程，將資料分析速度較過去提高兩個數量級，提供了更高的準確性和威脅偵測能力。Morpheus 在 NVIDIA GPU 加速伺服器上運行。舉例來說，使用單個 A100 的伺服器，將會比未搭載 GPU 的伺服器在效能上高出 600 倍。
其他工作流程增進項目包括通過使用基於光纖的程式設計方法，以實現非同步運算和減輕 I/O 及 GPU 阻塞情況。Morpheus 不再觸發 Python 全域解譯器鎖（Global Interpreter Lock，GIL）。
安全性投入數量有點不可靠，在整個過程中都實現了背壓支援，各階段之間同時存在著阻塞佇列。Morpheus 也支援分散式運算，使用遠端直接記憶體存取（remote direct memory access，RDMA）和 Unified Communication X（UCX），快速高效的傳遞訊息。
Morpheus 現在還首次支援動態重新配置，都由一個集中的協調服務處理這些作業。這麼一來便能在運行時流暢的將更動內容進行向上擴增及水平擴增。可利用 Python 和 C ++ API 來使用 Morpheus，按照思考順序編寫程式，卻又是從大量的平行運算中受益。
NVIDIA Morpheus 讓您可利用 GPU 的運算能力建立細粒度模型，並且大規模進行部署。您基本上是在為網路上的每個參與者量身建立人工智慧。想要消化網路上的每一件資料並不容易，即時建立、使用和維護數十萬個模型和簽名也是個難題。Morpheus 使您能快速建立這些複雜的工作流程和部署模型，以前所未有的方式保護網路。
偵測威脅的準確性和速度不斷提高
NVIDIA Morpheus 現在還加入已預先完成訓練的網路釣魚偵測模型。網路釣魚依舊是一大問題，對全球 75% 的組織造成影響，在 2020 年時出現讓人震驚的一件事：在鎖定美國企業的網路釣魚攻擊活動中，有 74% 是成功的。
從前偵測網路釣魚電子郵件的方法只有偵測 URL、針對已知攻擊進行複雜的查找動作，以及在沙箱環境中追蹤可疑連結。而保護環境免受網路釣魚攻擊的更好做法，就是分析電子郵件的整個原始內容，除了使用的文字及連結，還包括文字的語法和語義，以及電子郵件的結構。過去由於運算上的限制跟缺乏通用工具，無法在網路安全環境中流暢部署自然語言處理（NLP）模型，因此根本做不到這一點。
有了 NVIDIA Morpheus，如今已經能做到這些事。Morpheus 網路釣魚偵測模型會分析電子郵件的整個原始內容、單純分析 URL 或是兩者都分析，並且把資料投入自訂的深層神經網路（DNN）序列分類器中：Hugging Face 提供的 BERT 模型。然後將微調後的模型轉換為 TensorRT，並且載入到 Morpheus 中進行推論。
Morpheus 中的新工作流程支援比舊版本快上 67 倍的工作流程。圖 3 顯示了敏感資訊偵測（sensitive information detection，SID）工作流程及加密異常行為分析（abnormal behavior profiling，ABP）工作流程的執行速度加快。速度提高有助於減少誤報，這麼一來便能減少浪費時間及縮減誤報調查週期。
我們還提高了現有模型的準確性，例如在 SID 工作流程中使用了預先訓練模型。使用規模更大、內容更多樣化的訓練資料集，該模型現在的 macro-F1 為 0.96，而舊版本的 macro-F1 為 0.74。也就是說準確性提高了 22%。
總結
現在可通過 Morpheus 搶先試用計畫，體驗全新「將機器視為人類、人類視為機器（humans-as-machines, machines-as-humans）」的工作流程。當中還包括全新預先訓練網路釣魚活動偵測模型。申請搶先試用。
NVIDIA Morpheus 開發合作夥伴正與 NVIDIA 合作，以實現人工智慧網路安全解決方案。敬邀參加 NVIDIA GTC 大會，瞭解部分合作夥伴是如何將 NVIDIA 加速人工智慧技術，與其網路安全解決方案進行整合。