fuzz也就是我们常说的模糊测试，模糊测试是安全人员在安全测试中常用的技术之一，一般用于发现硬件和软件接口以及应用程序中的漏洞。能够通过将无效、意外或随机的数据注入程序或接口中，然后监控是否出现崩溃、跳转、弹出等现象，能够有效的查找潜在的内存泄露、代码故障等问题。
由于在AI领域中，威胁载体目前可以定义为未知状态，所以也会有大量的0day存在，在这种情况下，使用模糊测试也许会有意想不到的结果。尽管使用fuzz技术查找0day这种方法现在并不被重视，但随着人工智能和机器学习应用的普及，fuzz也许会因其高效的特点，再次成为黑客手中的香饽饽。
尽管现在存在大量的已知漏洞，但实际上真正被黑客使用的只有不到6%，但出于安全的角度考虑，任何一个安全工具都必须要做到全面覆盖，因为无法确定攻击者会利用哪一个漏洞。随着潜在威胁的不断扩大，对安全工具的性能要求也不断提升。
虽然现在存在一些如零信任安全架构的框架，能够提供一些有效的帮助，但毕竟刚刚起步，并没有大量使用。也就是说，在这种问题面前，多数个体、组织都没有对即将到来的新一代威胁做好准备。传统的安全防护机制只能够修复已知的问题，但针对未知的安全威胁的探测十分有限。随着现在的网络攻击频率逐渐增加，仅仅是防护必然是不够的，或许某一天连沙盒都不够用了。
什么是群体活动，举个例子，僵尸网络就是最大的群体活动。随着高新技术的发展，越来越多的恶意活动表现出了集群性质的特点。僵尸网络可以随意在协同或自主的状态间切换，这也是为什么多数网络防御措施在僵尸网络面前都显得不堪一击。最重要的是，像是利用0day采矿一样，僵尸网络的大量存在很有可能对日后的犯罪模式产生影响。
目前来说，网络犯罪的生态系统是由人来驱动的。再专业的黑客也需要花钱来发现、打造或利用所需要的漏洞，甚至像勒索软件供应商这类服务也需要有专业的黑客作为资源支持。但是，如果出现能够提供自主学习的环境时，黑客、服务供应商、客户之间的交互将大幅降低，这又进一步增加了防护的难度以及提高了他们的盈利能力。
在虚拟网络中，经常会选择根据不同的需求分配资源、带宽，实时选择或更改启动或关闭虚拟机，以解决资源紧张的问题。同样，套用在网络安全领域中，在攻击过程中可以重新分配网络中的资源以完成重点打击任务。入侵网络如同钻孔打洞，在严防死守的网络防护体系下寻找漏洞。在攻击过程中，黑客可以通过预编程来设定资源分配的性质，从而使其自主完成网络攻击行为。
机器学习被视为当前最有前途的网络安全工具之一，因其能够训练设备以及自主执行特定任务，例如应用行为分析。能够在面对网络威胁的时候主动分析其复杂性并采取有效的对策。相对于传统的手动修复，机器学习大大减轻了安全人员的工作负担。
但有利就有弊，机器学习以其高效的学习、执行效率得到了多数技术人员的青睐，但不要忘了，黑客的本质也是技术人员，机器学习强大的学习能力以及无自主意识的弊端也因此显现了出来：黑客可以通过入侵机器学习的过程，直接更改设备设定或行为，将其占为己有。
通过对一些具有前瞻性的网络威胁做一定的了解，对于网络安全来说有益无害，网络世界的格局不断在改变，黑客的攻击手段决定了我们的安全策略。鉴于当今全球威胁的走势，组织机构必须对发生的威胁迅速做出反应以尽可能的减少损失。或许高新技术如AI如机器学习能够帮助我们改善被动的安全局面，但目前网络防护的根本，还是需要广大网络安全工作者的支持。内容来自FreeBuf.COM
