“他們將能夠相互交流，并根據當地情報采取行動。“另外， 僵尸網絡 會變得聰明，根據命令行事，而無需人工操縱。

因此，蜂巢網絡將能夠以群集的速度成倍增長，擴大其同時攻擊多個受害者的能力，并顯著阻礙防守方的緩解和響應動作。“

      有趣的是，Manky說這些攻擊還沒有使用swarm技術，這項可以使這些蜂巢網絡Hivenet從他們過去的行為中自我學習。作為人工智能的一個子領域，swarm技術被定義為“分散的、自組織的系統，自然的或人造的集體行為”，現在已經用于無人機和羽翼未豐的機器人設備中。（編者按：雖然是未來派的小說，但有些人可以從“Black Mirror’s Hated in The Nation ”中的swarm技術的犯罪可能性中得出結論，那里有成千上萬的自動化蜜蜂，因為監視和物理攻擊而受到威脅。）

3.先進的魚叉式網絡釣魚郵件變得更聰明

      敵對機器學習的一個更明顯的應用，是使用文本到語音轉換、語音識別和自然語言處理（NLP）等智能 社會工程 算法。畢竟，通過經常性的神經網絡，你已經可以形成這樣的軟件寫作風格，所以理論上 釣魚郵件 可以變得更復雜和可信。

      特別是，機器學習可以促進高級魚叉式 網絡釣魚 電子郵件針對高調的數字，同時整個過程自動化。系統可以接受真正的電子郵件培訓，并學習如何使看起來和閱讀的東西令人信服。

      在McAfee Labs對2017年的預測中，該公司表示，犯罪分子將越來越多地利用機器學習來分析大量被盜記錄，從而識別潛在的受害者，并能夠針對這些個人，構建非常有效地、內容詳盡的電子郵件。

      此外，在2016年美國黑帽會議上，John Seymour和Philip Tully發表了一篇名為“社會工程數據科學的武器化：Twitter上的自動化E2E魚叉式網絡釣魚”的論文，其中介紹了一種經常性的神經網絡，學習如何向特定用戶發布網絡釣魚信息。在這篇論文中，他們提出經過 魚叉式攻擊 釣魚 滲透測試 數據訓練的SNAP_R神經網絡，是動態的從目標用戶時間線帖子（以及他們發送或者關注的用戶）中獲取主題，以便更容易觸發潛在受害者點擊鏈接。

      隨后的測試表明，這個系統非常有效。在涉及90個用戶的測試中，該框架的成功率在30％到60％之間變化，對手動釣魚和群發釣魚的結果有相當大的改進。

4.威脅情報可能被“提高噪聲基線”技術糊弄

      在機器學習方面， 威脅情報 可以說是一種混合的祝福。一方面，普遍接受的是，在誤報時代，機器學習系統將有助于分析人員識別來自多個系統的真實威脅。Recorded Future首席技術官兼聯合創始人StaffanTruvé在最近的一份白皮書中表示：

  “應用機器學習在威脅情報領域有兩個顯著的增長。

  “首先，處理和構建如此龐大的數據，包括對其中復雜關系的分析，幾乎不可能單靠人力來解決。用更有能力的人來訓練機器，意味著你可以更有效的武裝起來，比以往任何時候都更有能力揭示和回應新出現的威脅。”

               “其次是自動化 - 讓機器承擔人類可以毫無問題地完成的任務，并利用這項技術擴大到更大的數量處理量。”

      然而，也有這樣的信念，即犯罪分子會再次適應這些警報。邁克菲的Grobman之前曾指出過一種被稱為“提高噪聲基線”的技術。黑客會利用這種技術來轟擊環境，從而對常見的機器學習模型產生大量的誤報。一旦目標重新校準其系統以濾除誤報，攻擊者就可以發起真正的攻擊，可以通過機器學習系統獲得。（小編，嗯？這是個挺有意思的想法，對于機器自學習及安全基線的設備有影響）

5.更有效的進行未授權訪問

      2012年，研究人員Claudia Cruz，Fernando Uceda和Leobardo Reyes 發表了一個機器學習安全攻擊的早期例子。他們使用支持向量機（SVM）來打破在reCAPTCHA圖像上運行的系統，精度為82％。所有驗證碼機制隨后得到改進，只有研究人員再次深入學習才能打破驗證碼。2016年，發表了一篇文章，詳細介紹了如何使用深度學習以92％的準確率打破簡單驗證碼。

      另外，去年 BlackHat 的“我是機器人”研究揭示了研究人員如何打破最新的語義圖像CAPTCHA，并比較了各種機器學習算法。該文件承諾打破Google的reCAPTCHA準確率為98％。2017年10月， unCAPTCHA和AIBot成功突破google recapcha驗證碼， 5秒多突破450個成功率85%

6.對機器學習引擎的輸入數據投毒

      一個更加簡單而有效的技術是，用于檢測惡意軟件的機器學習引擎可能被毒害，使得它不起作用，就像過去犯罪分子對反病毒引擎所做的一樣。這聽起來很簡單，機器學習模型從輸入數據中學習，如果數據池中毒，則輸出也中毒。來自紐約大學的研究人員展示了卷積 神經網絡 （CNN）如何能夠通過CNN如Google、微軟和AWS產生這些虛假（但受控制的）結果