機器學習可以幫助企業更好地了解自身面臨的安全威脅，幫助員工專注于更有價值的戰略任務。同時，它還可能是解決下一輪WannaCry風波的有力武器。
20世紀中期，Arthur Samuel在AI之后創造了“機器學習”這個短語，并將其定義為“在沒有被明確編程的情況下就能學習的能力。”跨大型數據集應用數學技術，機器學習算法可以構建行為模型，并基于新輸入的數據，使用這些模型作為對未來進行預測的基礎。視頻網站（如Netflix）可以根據您之前的歷史觀看記錄為您提供新劇集，自動駕駛汽車可以通過與行人近距離接觸的過程了解道路狀況，這些都是機器學習在生活中最普遍的例子。
那么，信息安全中的機器學習應用又是什么呢？ 原則上來說，機器學習可以幫助企業組織更好地分析威脅，并響應攻擊和安全事件。它還可以幫助自動執行一些更為瑣碎繁復的工作，這些工作或是任務量巨大或是此前由技術欠缺的安全團隊所執行。
除此之外，機器學習在安全性方面的應用也正呈現快速增長的趨勢。ABI Research 的分析師估計，到2021年，機器學習在網絡安全方面的應用將推動大數據、人工智能（AI）及分析方面的支出增長到960億美元，與此同時，世界上一些科技巨頭也已經紛紛采取措施以更好地保護自己的客戶。 例如，谷歌正在利用機器學習來分析在Android上運行的移動終端威脅，以及識別和移除受感染手機中的惡意軟件；而云基礎設施巨頭亞馬遜也已經成功收購了初創公司 harvest.AI，并推出了Macie——一種使用機器學習來發現、排序和分類S3云存儲上數據的服務。
與此同時，企業安全供應商也一直致力于將機器學習集成到新舊產品線中，旨在進一步改進惡意軟檢測效率。J. Gold Associates總裁兼首席分析師Jack Gold表示：大多數主流安全公司已從幾年前用于檢測惡意軟件的純‘基于簽名’的系統，轉變為試圖解釋行為及事件，并從各種源中學習判斷什么是安全，什么不是的機器學習系統。它仍然是一個新興的領域，但它也顯然是未來的發展方向。AI和機器學習將極大地改變安全運作方式。
雖然這種轉變不會在朝夕之間發生，但機器學習已經在某些領域出現。德國電信創新實驗室（以及以色列本古里安大學網絡安全研究中心）首席技術官Dudu Mimran表示：人工智能——作為一個更廣泛的定義，包括機器學習和深度學習——正處于驅動網絡防御的早期階段，但已經在終端、網絡、欺詐或SIEM中起到了識別惡意活動模式的明顯作用。我相信未來我們會在防御服務中斷、歸因和用戶行為修改等方面看到越來越多的用例。
1. 使用機器學習來檢測惡意活動并阻止攻擊 機器學習算法將幫助企業更快地檢測惡意活動，并在攻擊開始之前予以阻止。英國初創公司Darktrace就成功把握住了這種發展機遇，據悉，這家創立于2013年的公司已經在其基于機器學習的企業免疫解決方案（Enterprise Immune Solution）方面取得了很大成就。
Darktrace公司技術總監David Palmer介紹稱，Darktrace曾利用機器學習算法幫助北美一家賭場成功檢測到了數據泄露攻擊，該攻擊使用“聯網魚缸作為進入賭場網絡的切入點。”該公司還宣稱，在之前肆虐全球的WannaCry勒索軟件活動中，其算法也成功防止過一起類似的攻擊。
談及感染了150個國家20多萬受害者的WannaCry勒索軟件，Palmer表示：我們的算法在幾秒鐘內，就成功地從一家國民醫療服務（NHS）機構的網絡中檢測出了攻擊，并在該攻擊尚未對該機構造成任何破壞前成功緩解了威脅。事實上，我們的客戶沒有任何一家受到了WannaCry攻擊的傷害，甚至包括那些沒打補丁的用戶。
2. 使用機器學習來分析移動終端 在移動設備上，機器學習已經成為主流，但到目前為止，其大部分活動都是為了改善Google Now、蘋果的Siri和亞馬遜的Alexa等基于語音的體驗。不過，機器學習在安全方面確實有應用。如上所述，谷歌正在使用機器學習來分析針對移動終端的威脅，而企業則在防護自帶及自選移動設備上看到了更多機會。
2017年10月，云服務器，MobileIron和Zimperium宣布合作，幫助企業采用集成了機器學習技術的移動反惡意軟件解決方案。MobileIron表示，它將把Zimperium基于機器學習的威脅檢測與MobileIron的安全和合規性引擎相集成，并作為組合解決方案出售，該解決方案將解決諸如檢測設備、網絡及應用程序威脅等方面的挑戰，并快速采取自動化措施來防護公司數據。
