کاربردها و محدودیت های ماشین لرنینگ در امنیت سایبری

مدل‌های ماشین لرنینگML باید به صورت دوره‌ای به‌روزرسانی شوند تا بتوانند به مفهوم تغییر و جابجایی (تغییر در روابط اساسی) بپردازند و نقاط داده جدید را در خود جای دهند. فراوانی و سرعت به‌روزرسانی‌ها به میزان تغییر داده‌ها، بزرگی مفاهیم تغییرات، الزامات دقت و همچنین اندازه مدل و ظرفیت محاسباتی شما بستگی دارد.

به‌عنوان مثال، رفتار کاربران متغیر است و پروفایل‌ها برای دریافت ترندهای روز و کاهش قطعیت‌های کاذب (supervised learning) باید حداقل به‌صورت روزانه آپدیت شوند. مدل‌های نظارت شده (Supervised Model) که بازخورد تحلیلگر را ثبت می‌کنند، برای جلوگیری از بررسی موارد مشابه و تکراری که توسط تحلیلگر انجام می‌شود، ممکن است نیاز به به‌روزرسانی‌های مکرر و نزدیک به زمان واقعی داشته باشند.

این الزامات و همچنین حجم داده‌هایی که باید مورد تجزیه‌و‌تحلیل قرار گیرند، به احتمال زیاد شما را از نقطه امن یادگیری به سمت جریان‌های تحلیلی و مدل‌های یادگیری آنلاین سوق می‌دهد.

به نظر می‌رسد با افزودن داده‌های آموزشی بیشتر، راه‌حلی برای بهبود کیفیت مدل‌ها به‌وجود‌ آید، اما این راه‌حل  فقط تا زمانی که داده‌های جدیدی به محتوای اطلاعاتی مدل اضافه شود و باعث افزایش تنوع مجموعه داده شود، کار خواهد‌ کرد. علاوه بر مهندسی ویژگی‌های مناسب، تنظیم پارامترها و نظارت بیش از حد، ایجاد تنوع نیز یک عامل اصلی برای تولید یک مدل کلی است.

برای افزایش تنوع، باید داده‌هایی از مشتریان متعدد، صنایع مختلف، کسب‌و‌کار با سایزهای مختلف و مناطق جغرافیایی مختلف را بیفزاییم. با توجه به حساسیت داده‌های امنیت سایبری، نمی‌توانیم این مجموعه داده‌ها را بطور مستقیم با هم ترکیب کنیم، اما می‌توانیم Federated Learning را برای اطمینان از وزن مدل‌های فردی اعمال کنیم تا امنیت اطلاعات مشتریان را تضمین کنیم.