Les principales techniques

L'une des principales techniques que nous utilisons est l'« ensembling ». Ce procédé consiste à « utiliser plusieurs modèles et à les combiner de façon appropriée ». Il est essentiel pour obtenir les meilleurs modèles possibles et a été notamment utilisé dans le fameux  Netflix Prize. Nous ajoutons un peu de « magie » avec quelques techniques d'ensembling exclusives qui permettent à nos systèmes d'apprendre la meilleure façon de combiner les prédictions issues de nombreux modèles différents, mêmes si nous ignorons quelles sont les prédictions correctes pendant l'apprentissage.

Une autre technique clé est l'« adaptation ». Nos modèles de sécurité doivent continuellement être ajustés pour effectuer un suivi des attaquants, de l'évolution du monde des logiciels et des réseaux, ainsi que de l'évolution du comportement des utilisateurs. Ces éléments constituent des obstacles importants pour le Machine Learning traditionnel. Pour DigiCert Endpoint Protection, nous utilisons un « méta-algorithme » appelé boosting qui s'attache à améliorer un modèle de façon itérative, en se concentrant chaque fois sur les erreurs que le modèle a commises antérieurement et en les corrigeant sans « désapprendre » les éléments qui étaient corrects.

Dernier point, mais pas le moindre, l'automatisation est essentielle pour  faire évoluer le Machine Learning. Nous avons intégré l'automatisation tout au long du processus de Machine Learning : de l'ingestion au nettoyage et au traitement des données de télémétrie en passant par l'optimisation et l'exploration des différents modèles. Sans automatisation (et bien sûr, sans une puissance de calcul suffisante), il serait tout simplement impossible d'effectuer tous les calculs et de produire les meilleurs modèles. 

Quel est le résultat final?

En termes simples, DigiCert possède le système de Machine Learning le plus avancé en matière de sécurité des terminaux. Une société de tests indépendante de renom (AV-Test) a récemment testé notre solution DigiCert Endpoint Protection 14, qu'elle a classée première du point de vue de la détection et de la performance avec des faux positifs minimaux. Même dans les tests « d'analyse » artificiels, le nouveau logiciel a détecté quasiment 100 % des menaces à un taux de faux positifs quasiment nul (fait important, la performance des faux positifs dans DigiCert Endpoint Protection 14 peut être ajustée selon la stratégie client).

Nous sommes impatients de découvrir les nouveaux horizons qu'ouvrent le Machine Learning et l'intelligence artificielle en matière de détection des menaces. Bien utilisés, et combinés à l'analyse d'énormes volumes de données enrichies et diversifiées provenant des terminaux et du cloud, ces technologies changent substantiellement la donne face aux attaquants.

Pour plus d’informations, visualisez le webinaire à la demande sur  les fonctionnalités et les avantages du Machine Learning dans DigiCert Endpoint Protection 14. En savoir plus sur le nouveau produit  ici.