解密弱电信号的人工智能行为分析正在塑造扩展检测与响应（XDR）的未来。
随着网络安全的不断发展，首席信息安全官（CISO）及其团队正从端点检测与响应（EDR）转向XDR。这一转变不仅实现了大幅的整合成本节约，也为所有攻击面和潜在威胁提供了统一视图。在各类安全预算受到严格审查的时代，整合更多电信信号，特别是基于行为的信号以识别异常活动（包括内部威胁），突显了人工智能在增强XDR能力方面的重要作用。
XDR平台在人工智能和机器学习的应用上各有千秋，但它们共享几个核心功能：数据采集、伪装于合法代码中的威胁检测和自动调查。根据CrowdStrike的博客，XDR的快速发展得益于人工智能在限制数据移动方面的能力，这也是当今安全领导者的首要任务。
2024年是安全技术整合的关键年。Gartner预测，到2027年，最多有40%的企业将使用XDR，远高于目前不足5%的水平，同时96%的CISO计划简化其安全供应商。在这些CISO中，有63%将XDR视为首选解决方案。
顶尖XDR供应商正在优先考虑人工智能、生成式AI和机器学习，以加速技术整合。CrowdStrike在其XDR产品中融入人工智能，Palo Alto Networks和Zscaler的相关举措也表明这一策略的有效性，反映在不断增长的收入报告中。
Palo Alto Networks的首席执行官Nikesh Arora表示：“我们收集的端点数据在业内处于领先地位，每个端点接近200MB，几乎是大多数竞争对手的10到20倍。” 利用人工智能的主要XDR供应商包括Broadcom、Cisco、CrowdStrike、Fortinet、Microsoft、Palo Alto Networks、SentinelOne、Sophos、TEHTRIS、Trend Micro和VMware。
实时获取从端点到Web应用的多样化电信数据，提高了预测准确性，而大型语言模型（LLM）正在持续利用这些数据进行训练，从而改善端点安全性。CrowdStrike总裁Michael Sentonas强调，人工智能自成立以来就是其战略的基础，表示：“我们认定人工智能是解决安全挑战的关键，并定期将其纳入我们的威胁狩猎和预防模型中。”
有效的人工智能整合能够填补身份与端点安全中的关键漏洞。随着新身份在端点上被广泛使用，XDR平台必须利用人工智能和机器学习来识别潜在攻击的异常行为。考虑到攻击者在超过62%的情况下利用被盗身份，而许多组织对不到75%的端点进行监控，因此在安全中实施人工智能的紧迫性不容忽视。
在2023年RSAC大会上，首席执行官们强调人工智能的变革潜力。NextDLP的首席执行官Connie Stack指出：“人工智能和机器学习显著提升了数据泄露防护能力，通过在政策违反之前识别异常和安全事件，保障数据安全。”
人工智能增强XDR的十个关键领域：
1. 实时威胁检测与响应：随着电信数据的激增，预计将更加依赖AI和机器学习，支持更好的监控和威胁识别。
2. 行为分析与异常检测：AI和机器学习能够有效检测行为偏差，对于识别内部威胁至关重要。
3. 减少误报：历史数据增强了准确性，使安全团队能够专注于真正的威胁。
4. 自动化威胁响应：领先的XDR平台正在实施AI驱动的自动化响应，例如隔离受损的端点。
5. 更准确的威胁狩猎：AI模型能够识别遗留系统常常忽视的妥协指示，从而提升漏洞检测能力。
6. 自适应学习：AI和机器学习支持的XDR平台能够持续学习，以应对新兴的威胁技术。
7. 增强实时可见性与关联性：强大的数据聚合和关联性是提升可见性和事件响应的重要因素。
8. 自动化SOC手动工作负载：自动化报告任务使SOC分析师能专注于更复杂的问题。
9. 更精确的预测分析：AI和机器学习提升了趋势和漏洞的预测准确性，这是网络安全策略的基础。
10. 整合趋势：人工智能与XDR平台的结合在当前财务压力下为CISO提供了预算缓解，同时提升了长期预测能力。
总之，人工智能对XDR平台的财务影响减轻了CISO的短期预算担忧，为更高效的入侵预测和漏洞识别奠定了基础。通过汇聚电信数据以训练大型语言模型，显示了人工智能和机器学习在推进XDR技术成熟度方面的变革性作用。
排行榜
