高级网络安全技术：工作原理

决策树组合、位置敏感型哈希、行为模型或传入流群集 - 我们的所有机器学习 (ML) 方法都旨在满足现实世界的安全要求：低误报率、可解释性和针对潜在对手的稳健应对。

与单一端点解决方案不同，EDR 类解决方案提供了多主机事件可见性和“重型”检测方法（沙盒、深度学习模型、事件关联），以及用于事件调查、主动威胁搜寻和攻击响应的专业工具。

为了检测和应对包括 APT 在内的最复杂的威胁，需要对整个企业基础架构中聚合的事件和对象应用先进的技术（例如机器学习、沙盒和自动/主动式威胁搜寻）。

真正的网络安全应基于各种保护技术的协同作用，从经典的 AV 记录，到具有深度学习模型的、基于行为的检测。

复杂的云基础架构从全球数百万自愿参与者那里收集并分析与网络安全相关的数据，以通过使用大数据分析、机器学习和人类专业知识对新威胁做出最快的反应。

该专业系统可实时汇总全球范围内有关可疑对象的所有统计信息和元数据，并通过 Kaspersky Security Network 云为所有用户立即提供检测决策。

具有基于 ML 的模型的威胁行为引擎可以在执行的最早阶段检测到以前未知的恶意模式，而内存保护和补救引擎可以防止用户数据受到损害和丢失。

此技术可实时发现和阻止恶意软件尝试从软件漏洞中获利。

这种减少攻击面的方法结合了简单的安全强化规则和基于行为分析进行的智能自动调整。

使用多层保护堆栈中的技术，在恶意软件交付和执行阶段防范勒索软件。

无文件威胁不会将其主体直接存储在磁盘上，但它们无法绕过基于行为的高级检测、关键区域扫描和其他保护技术。

一些检测和清除过程针对特定的 rootkit 技术，而其他反 rootkit 模块则扫描系统内存和可能隐藏恶意代码的各个关键区域。

我们的沙盒可以在本地、云端和 Kaspersky 恶意软件分析基础架构中运行，可以应用各种反规避技术，同时，它们的检测性能将获得 Kaspersky Security Network 提供的威胁情报支持。

模拟器在安全的虚拟环境中逐一执行对象的指令，收集工件并将其传递给启发式分析器以检测二进制文件或脚本的恶意行为特征。

现代移动设备需要全方位的安全措施，从反恶意软件保护和 VPN，到物理盗窃防范，包括远程擦除、定位被盗设备和阻止对设备进行访问。

通过限制应用程序启动或访问关键系统资源的能力，甚至可以有效地阻止未知威胁。

完整磁盘加密可防止由于设备丢失而造成的数据泄漏；文件级加密可保护在不受信任的通道中传输的文件；加密磁盘将加密的用户数据存储在单独的文件中。

通过基于主机的入侵防御系统 (HIPS) 和自我防护技术，安全支付允许您在安全容器中执行浏览器进程，从而保护在线金融交易免受网络钓鱼、中间人 (MITM) 攻击和其他攻击 。