Wichtige Techniken

Eines unserer wichtigsten Verfahren ist das "Ensembling". Einfacher ausgedrückt geht es dabei darum, "viele Modelle zu verwenden und sie intelligent zu kombinieren". Dies ist entscheidend, um die bestmöglichen Modelle zu erhalten, und dieses Verfahren wurde erfolgreich bei dem  mit 1 Mio. US-Dollar dotierten Netflix Prize eingesetzt. Wir reichern das Ganze mit etwas "Magie" an, indem wir proprietäre Ensembling-Techniken einsetzen, mithilfe derer unsere Systeme lernen können, wie sie Prognosen aus zahlreichen verschiedenen Modellen am besten kombinieren, selbst wenn wir während des Trainings noch nicht wissen, welche Prognosen richtig sind.

Eine weitere wichtige Technik, die wir verwenden, ist "Adaptation". Unsere Security-Modelle müssen fortlaufend justiert werden, um Angreifer, Veränderungen in der Software- und Netzwerklandschaft sowie Veränderungen im Benutzerverhalten zu überwachen. Für herkömmliches maschinelles Lernen stellen diese Aspekte bedeutende Hindernisse dar. In DigiCert Endpoint Protection kommt ein "Meta-Algorithmus" zum Einsatz, der als "Boosting" bezeichnet wird. Dieser Algorithmus verbessert ein Modell iterativ, was bedeutet, dass er sich in jedem Durchgang auf die Fehler konzentriert, die das Modell zuvor gemacht hat, und diese korrigiert, ohne jedoch die Dinge zu "vergessen", die korrekt waren.

Zu guter Letzt ist Automatisierung für uns unerlässlich, um  maschinelles Lernen zu skalieren. Wir automatisieren den gesamten maschinellen Lernprozess – von der Einspeisung, Bereinigung und Verarbeitung unserer Telemetriedaten bis hin zur Optimierung und Untersuchung verschiedener Modelle. Ohne Automatisierung (und natürlich ausreichende Rechenleistung) wäre es nicht möglich, all diese Berechnungen durchzuführen und die besten Modelle zu erzeugen. 

Wie sieht das Endresultat aus?

Einfach ausgedrückt: DigiCert verfügt über innovativste maschinelle Lerntechnologien für Endgerätesicherheit. Ein führendes unabhängiges Testlabor (AV-Test) testete vor kurzem DigiCert Endpoint Protection 14, das alle unsere Mitbewerber bei Erkennung und Leistung mit nur einer äußerst geringen Anzahl von Falschmeldungen (False Positives) hinter sich ließ. Selbst in künstlichen "Scan"-Tests erkannte die Software fast 100 % der Bedrohungen mit einer Falschmeldungsrate von nahezu null. (Wichtig ist hierbei, dass die Leistung in Bezug auf Falschmeldungen in DigiCert Endpoint Protection 14 so angepasst werden kann, dass sie den Richtlinienanforderungen des Kunden entspricht.)

Wir sind von den neuen Horizonten bei der Bedrohungserkennung, die durch maschinelles Lernen und künstliche Intelligenz ermöglicht werden, begeistert. Richtig eingesetzt und mit enormen Mengen an aussagekräftigen, vielfältigen Daten, die auf Endgeräten und in der Cloud analysiert werden, können diese Technologien die Spielregeln bei der Bekämpfung von Angreifern verändern.

Weitere Informationen erhalten Sie im On-Demand-Webinar zu  den Funktionen und Vorteilen von maschinellem Lernen in DigiCert Endpoint Protection 14 Erfahren Sie  hier mehr über unser neues Produkt.