演讲实录 | 张钹院士：深度学习与信息安全，如何从“事后诸葛亮”到“防患于未然”？

本文经张钹院士授权，如需转载请联系后台。

以下为讲座文字整理版及PPT演示

（全文共7000字，阅读时间约12分钟。）

 演讲题目：深度学习与信息安全

     张钹：很高兴有机会来演讲，今天我要讲的两个都是最热门的话题，一个是深度学习，一个是信息安全。我讲的主题是：人工智能改变信息安全的未来；信息安全促进人工智能的未来发展。

“入侵检测”可以带动大多数信息安全问题

信息安全包含的内容非常之多，有网络安全、主机和存储器安全、身份认证、入侵检测等等。我今天围绕入侵检测问题进行讨论。

为什么选这个题目？入侵检测、身份认证等，本质上是模式识别问题。入侵检测，要判断是入侵、非入侵；身份认证要判断是本人、非本人，可以说如果是“本人”代表不是入侵，“非本人”则代表入侵。因此“入侵检测”可以代表大多数的信息安全问题。

人工智能最重要的进展是在模式识别方面。深度学习用得最好的、效果最好的地方也是模式识别。因此我选这样一个话题来谈信息安全，有一定的代表性。

解决网络攻击智能化新挑战仍需借助AI

信息安全面临非常大的挑战。人工智能既有助于信息安全，同时也给信息安全带来非常大的危险。因为同样的，进攻方、入侵方完全可以利用人工智能技术来加强进攻能力。随着网络的扩大，可能被入侵的地方或被进攻的地方越来越多，漏洞越来越多，缺陷也越来越多，所以进攻的次数也会越来越多。现在已经有利用人工智能技术——攻击的智能化，制造一种病毒或入侵的手段，可以自动寻找网络的缺陷进行进攻。有了人工智能技术以后，进攻方产生各种各样新的进攻手段越来越快。进攻非常频繁、出现的频率非常之高。这就带来一个问题，我们如何面对新的挑战？唯一的办法就是借助于人工智能技术。

这张图是斯坦福大学发起的“AI100”的研究，他们估计在2015-2030年这15年间，人工智能有可能在以上8个方面取得突破，或者说这8个方面是人工智能重要的应用领域，其中有一个就是公共安全。因此，信息安全领域肯定是人工智能最近15年重要的应用方向。

那么，如何利用人工智能技术特别是深度学习技术来进行入侵检测呢？

基于特征标志的入侵检测

入侵检测怎么做？

传统的做法，无论是防病毒也好，防入侵等其他形式的攻击也好，基本上用的是基于特征标志的方法，把各种各样已知入侵的特征组成一个特征库，当数据进来以后，如果跟这个特征库中的某个特征匹配上，就认为是入侵。

新一代专家系统

从人工智能角度来看，基于特征标志的入侵检测实际上是一个简易的专家系统，特征库相当于知识库，通过人工编程方法把特征写入特征库，然后对输入数据的特征进行匹配，匹配上了就算找到入侵。这显然是一个最简单的、没有推理的专家系统。

专家系统的方法有一个非常大的缺点，即就事论事，也就是说只能针对已知的入侵，新的入侵只有发生之后，事后才有可能去发现它的特征，然后进行特征库的更新。所以特征库要不断更新，更新包括两方面内容：

第一，把不需要的、没用的特征去掉，因为有的攻击是针对一定的软件版本的，当软件升级，漏洞补上以后，它的特征就无用了。这些多余的特征必须去掉，以保证系统的效率。

第二，需要把新发现的入侵的特征加进特征库。

为了更快地发现新的入侵，提出了第二代专家系统。在系统中增加一个统计分析，用来分析数据流的异常行为，比如说数据量突然增加等等，从中发现可能存在新的入侵。这种系统也存在缺点，通常误报率很高。比如数据流量突然增加了，可能是正常的，但是也有可能发出警报。

基于异常的入侵检测

先谈把传统统计机器学习的方法应用于基于异常分析的入侵检测，即采用机器学习的方法进行“入侵”的学习和判断。做法比较简单，对已知的入侵，先人工抽取一些特征，经过机器学习之后，机器就会根据所选择的特征对是否是入侵进行判断。这叫做“有监督学习”，它的优点是有一定推广能力，即针对已知入侵的变种，只要变化不是很大，仍然可以鉴别出来。如果变化很大的话，还是辨别不出来。所以这种方法原则上也只能检测已知的入侵方式。

深度学习极大提高图像识别率

实际上深度学习很简单，只是把原来神经网络的层次增加。可是加多层次以后，却发现两个没有想到的现象：

第一，识别率提高非常之多，提高了两位百分数，这在模式识别里非常罕见。我们过去要提高1%-2%，需要花好长时间，这里只要把神经网络层次增加了，居然性能提高这么多，这是出乎大家意料的。

人工智能的重要突破

第二个出乎大家意料的，可以算是人工智能的重要突破。过去搞模式识别，比如人脸识别，我们必须去寻找判别不同人脸的特征，人工选择特征，这是比较难的。因为我们通常说不清楚怎么去区别张三和李四，张三、李四脸部的特征是怎么的？有了深度学习以后，我们只要输入原始数据，机器会自动选取特征。这种方法自然也可以用到入侵检测，因此有了深度学习方法，可以不需要“选择特征”的专业知识。

大家为什么对深度学习寄予这么大的希望，因为运用深度学习可以解决“知其然不知其所以然”的问题。过去人工智能只能解决“知其然又知其所以然”的问题，这类问题很有限。但是知其然不知其所以然的问题很多，模式识别一般属于这类问题。

比如，声音识别，我们通常说不清楚张三的声音和李四的声音有什么区别，你为什么能判断出是你父母说的话，它的特征是什么，说不出来。传统的学习方法只能通过不断的试错，最终找到合适的特征。有了深度学习以后就不用了，只要有足够的样本，完全可以让机器自动找到所需的特征。正是这一点不仅给我们带来好处，也带来很多问题。深度学习实际上并不完美。

深度学习方法的优势

无需人工寻找特征，机器自动选择特征。

正因为如此，很多公司都往这个方向走。目前IBM最主要的是把两项技术引进Watson系统，一个是人工智能，一个是区块链技术。大家认为这是解决安全问题的两大杀手锏，第一个是区块链技术，从底层来保证数据的安全，不被篡改、不被盗窃。区块链和人工智能两个技术结合起来，有可能得到一个真正的安全系统。

基于深度学习方法的局限性（不可解释性、鲁棒性差、需要大量的训练样本、推广能力差）

现在看看应用深度学习带来的问题，这些问题主要由于深度学习不需要专业知识所引起的。不需要专业知识虽然给我们带来方便，但是也带来了很大的问题。深度学习需要大量的数据，这些数据必须是完整的、确定性的等等。换句话讲，如果数据缺损，缺损的内容就学不到了。还有不可解释性、鲁棒性差、推广能力差等。这些都是方法本身带来的。

    下面用一些例子来说明深度学习的缺陷。比如，这是一个“物体识别”系统，向它输入一组噪音，系统却判断为知更鸟、猎豹等等，而且不能做出解释，因为它是一个“黑箱”学习方法。因为没有专业知识，只能盲目的黑箱式的学习，并且没法解释，这种系统就很难进行人机交互了，人就很难判断其结果是对还是不对。所以一旦机器做出错误的决策、错误的判断，人无法进行纠正，因为他不能理解（解释），这一点非常危险。

鲁棒性非常差。例，原来是熊猫，只要加了一点特定的噪声，在人看起来还是熊猫，但是机器看起来却是长臂猿，也就是说，“熊猫“加上一点干扰，就成为长臂猿，这是鲁棒性差的表现。这种系统很容易被攻击，也带来了一些问题。

推广能力差。例，我们需要大量的学习样本，如，猫，必须给出不同背景下面的猫，让机器学习，学完以后，虽然能认识相似背景下的猫。可是如果拿一个没有见过的背景下的猫，机器就不认识了。这就是说，深度学习训练的样本越多，推广能力却越差。这是大家没有想到的。

现在人工智能唯一引起骄傲的，在不加约束条件下，声称可以战胜人类的，恐怕只有像Alpha Go这样的程序了。许多时候说，机器超过人类，都是有条件的。语音识别超过人类，也是在一定的条件下面这么说的。如有噪声的话，语音识别率马上跟人没法比。问题出在什么地方？还是出在我们用的方法本身，因为深度学习推广能力比较差。

回到信息安全问题：当机器学会判别若干攻击方法之后，如果攻击方法稍加变化，机器就判别不了。

信息安全面临的挑战

如何解决这个问题？这是目前正在研究的课题，即：如何提高模式识别的鲁棒性，以及应对变化的能力。让入侵检测不再是”事后诸葛亮“，而是”防患于未然“。人工智能在其中能起什么作用？

入侵检测方法

入侵的检测方法有两种：第一，通过人工编程，找到它的特征，进行检测。第二，通过学习进行检测。这两个方法都有其弱点。第一个方法只能检测已知的入侵，第二个方法虽然检测得比较快、比较方便，但是推广能力很有限。目前发展的趋势是把这两个方法结合起来。即把知识驱动的方法跟数据驱动的方法结合起来，才有可能解决刚才讲的那些问题。

基于知识与基于数据方法的结合

知识驱动方法需要知识，当你对需要解决的问题的规律了解很少，甚至不了解时，又如何做好这项工作呢？知识驱动属白箱方法，要求你对所要解决的问题有透彻的了解。数据驱动需要充分的数据，可以不需要领域知识。可是，在实际问题里，这两点（完全知识与完全数据）都很不容易达到。通常情况是掌握的知识有限，掌握的数据也有限，介乎这两者之间，我们只有通过这两种方法的结合来解决。

知识驱动方法：知识库+推理机制

知识驱动方法要建立很大的特征库（或知识库），但只有特征的知识是很不够的，所以基于专家系统的入侵检测的发展方向是，建立完善的知识库和推理机制，把我们对于入侵的了解变成一个知识，然后根据知识进行推理，这样就有可能去发现新的、没见过的入侵方式。这些工作正在研究过程中，最新研究表明：通过这些方法，确实可以对入侵进行更好的检测。

智能Agent

在深度学习的基础上，加上智能agent模块，就可以自动寻找特征和问题。将深度神经网络与agent技术结合在一起，体现了知识驱动跟数据驱动结合起来的方向。

AlphaGo的成功源自何处？

Alpha Go大家讲的非常多了，有些地方宣传得有点神秘。实际上，下围棋这件事对计算机来讲是不难的，对人来讲倒有些难。为什么对计算机来讲不难呢？因为它满足以下四个条件：确定性、完全性、问题边界清晰以及有大量的数据和经验。凡是满足这四条，对计算机来讲都比较容易，尽管这个问题可能非常复杂，但是计算机处理信息的速度比人快，因此做起来比人容易。过去为什么觉得难？因为没有找到一个合适的办法，因此过去的围棋程序只能跟业余棋手下，错在我们使用下象棋的方法来下围棋。

下象棋是利用知识与经验的推理过程。马这么走，大师们能说清楚为什么这么走。围棋不然，白子为什么落在这个地方？说不清楚，这是一种棋感或直觉。所以深蓝打败了卡斯帕洛夫，不是计算机打败了人类，而是大量的大师在一起打败了一个大师，因为编制和调整象棋程序时有很多象棋高手参与，包括利用了卡斯帕洛夫过去下棋的经验，所以深蓝实际上汇聚了许多大师的智慧，包括卡斯帕洛夫的智慧在内，打败了卡斯帕洛夫。

围棋不是如此，围棋的编程人员最高的是业余五段，少数懂得一点围棋，大多数人不懂围棋。所以Alpha Go打败了李世石或其他冠军，是真正意义上机器打败了人。为什么？我们从分析深度学习入手，深度学习取得成功来自三个因素：数据、计算能力（计算资源）和人工智能算法。人工智能算法是非常重要的，很多人忽视了，但我这里不讲，只讲数据。

AlphaGo的启示

首先把过去大师们下过的棋局学一遍，一共约3000万个棋局，用有监督学习方法，大概花了两个多礼拜。光有这一点，似乎难以与大师抗衡。关键是第二步，自己跟自己下，在跟李世石比赛之前，也就下了两三千万个棋局，所以李世石还能赢一盘。到后来跟其他大师下的时候，它已经下了接近20亿棋局。所以有时大师很尴尬，因为有的棋局大师们根本没有见过，但是Alpha Go已经下过很多次了。换句话说，人类大师一生中只能下百万级的棋局，而Alpha Go下过几十亿级的棋局。

亿级的棋局是如何生成？靠强化学习、自学习。这给我们启示：通过强化学习自己产生数据、自己学习。人工智能的方法可以帮助我们产生数据，可以产生真实数据（正样本）、也可以产生虚假数据（负样本），这就给入侵和反入侵同时提供机会。入侵者利用这一条，产生很多假数据欺骗计算机，防守方利用同样原理产生数据（真的和假的）来训练自己，提高鉴别能力。

这就是矛和盾的关系，没有永远安全的盾，也没有什么都能攻破的矛。人工智能给我们提供了机会，让矛与盾在相互对抗中发展。

自动生成样本可以欺骗机器识别系统

我们看两个例子。第一个，阿拉伯数字手写体的识别，系统是用深度学习的方法构造的，能识别0到9手写体数字，声称这个系统的识别率比人还强。但是利用遗传算法产生一组样本，实际上是噪声。我们看左边第一列样本，计算机能以99.99%的确定性认定是0；第二列认定是1；第三列认定是2等等。也就是说，可以造出来假样本欺骗机器识别系统。即可以制造一套攻击的手段，让入侵检测系统误认为是正常的。

图像检测的例子

我们也可以采用产生式对抗网络生成入侵样本，让入侵检测系统把入侵样本误判为非入侵。我们以图像为例设想一下可能的做法，比如，可以产生一些假的（疑似）“人脸”、假的场景，让系统误认为是真的。然后我们用生成的正负（真假）样本，来训练神经网络，以提高它的检测性能。为了提高入侵检测的性能，我们必须把矛和盾、入侵和反入侵技术结合起来，才有可能做到：从“事后诸葛亮”到“防患于未然”。

信息安全需要走人机结合这条路，不能把人完全排除在外，攻击发生在瞬息之间，几个毫秒的差错就能够引起很大的危害，特别是机器本身（包括深度学习）并不完美，很容易受到攻击，很容易受到欺骗，很容易受到干扰。在这种情况下，人怎么介入？这涉及到人工智能另外一个大家非常关心的问题，就是”人机合作“。

人机协同：走向可解释的人工智能

人机交互，过去大家比较强调的是“机器了解人”，现在看来这是不够的，更重要的是“人了解机器”。深度学习系统做出来的决策往往是不可解释的，人通常不理解。对于入侵检测来讲，有的时候并不知道机器做出的判断究竟是对还是错。所以今后人工智能的发展方向，是走向可解释的人工智能。系统必须告知人类：为什么它是一个入侵，把这个道理说出来。不仅能说what，还能说why。这是我们今后的方向。机器有了自我解释的能力，才能实现人机的结合。

总结：机器跟人类各有优缺点，简单、技巧性的工作机器做得比较好；涉及专业、知识等，人类就比较擅长。当然我们可以把知识、专业这些放到机器里面，让它像人一样来运用。但是机器毕竟随机应变的能力不如人类，这种情况下我们如何建造一个人机协同系统，是需要大家努力的。谢谢大家！

【现场提问环节】   

提问：非常荣幸倾听您的报告。因为我现在做大数据，以后想往人工智能领域转，或者把大数据与人工智能结合，对我以后的研究方向有一些迷茫。能不能请您给我点拨点拨？

张钹：大数据有什么特点？过去大家讲到很多特点，核心都是围绕着数据量如何之大，变化如何之快等。其实这都没有抓住要害，其中有一条要害，并没有引起大家注意。因为我们现在讲的大数据特别是指网络上来自大众的数据，这个数据对人工智能才有意义。传统的气象数据，数据量也很大，但和我们这里谈的“大数据”有所不同。我们现在讲的大数据主要指生数据，即没有煮熟的（没有经过加工）的，不仅仅指非结构化，特别是指数据里面有价值的东西很少，大部分是无用的、比如造谣的、不符合事实的等等，这种数据我们过去没有遇到过。我们过去遇到是科学数据，最多在测量中引入一些噪声而已。这就给传统的处理方法带来困难。我们不能不遇到新的问题，比如，什么叫做“有用”？什么叫做“没用”？很难定义。也可以说，属于知其然不知其所以然的问题。

传统信息处理中的噪声很容易定义，比如，“白噪声”有很严格的数学定义，搞一个滤波器就很容易把它滤掉了。现在遇到了“垃圾邮件”，又怎么定义，什么是“垃圾”，什么是“非垃圾”？所以我们现在讲的大数据，确实需要用深度学习这类人工智能的方法来处理。

提问：非常感谢有机会跟您直接面对面学习。AI今后怎么走，您刚才讲的很多更多是基于集中式学习、基于中心化的，未来到5G或更广以后的网络空间，更多来自于边缘计算和分布式计算，怎么样和AI有一个结合点？

张钹：对分布式计算我不是很熟悉，我回答你前面一句话，人工智能今后怎么走？我讲过，人工智能现在比较容易解决的问题，需要满足四个条件：拥有大量的数据或知识；确定性；完备性（完全性或完全信息）；单领域。这类问题只占现实问题的很小一部分。计算机容易解决的问题有，数值计算，下围棋（Alpha Go），下象棋（深蓝）等等属于这一类。如果这四个条件中有一个或者多个不满足，对人工智能来讲就困难了。所以人工智能未来研究的方向，就是当这四个条件中有一个或多个不满足时，我们怎么去解决它，这就主要涉及许多问题：

    不确定信息的处理，不完全信息该如何处理等，下围棋、下象棋是完全信息，对方怎么下、你怎么下，大家都一清二楚，打桥牌就不是一回事了，这叫做不完全信息博弈，需要不同的解决办法。。

    又比如领域扩大。最简单的例子是无人驾驶汽车，开始大家信心比较足，以为短期内就能实现。其实，马路的路况千变万化，是一种开放的环境，存在大量的不确定性和未知性的动态环境；车辆驾驶涉及的领域知识很宽，有马路、行人、自行车、路牌、信号灯等。现在的深度学习方法尽管本事很大，当遇到开放的环境时，也显得束手无策，因为机器不可能预先学习所有的路况，一旦出现新路况机器就难以应对了。

    人工智能现在比较合理的做法是，我们不能只盯着“深度学习”这棵树，必须回过去想一想，人工智能在创立的前五十年都做了什么事，这些事今天不少是被遗忘和忽视了的。比如，知识表示、推理、强化学习、基于知识的学习等等。人工智能已经走过六十多年的路，我们不能只看到这十几年，而忘掉前五十年的历史，这段历史是由人工智能的先驱们开拓出来的，他们当时的想法多数并没有错，只是在当时的条件下，由于计算机能力弱、数据缺乏等原因，没有发展起来。我们应该回望前五十年的历史，重新审视当时的各种思想、方法与技术，把它们跟深度学习结合起来，以开拓人工智能的未来。

谢谢！