随着云计算，大数据，物联网等新兴产业的发展。网络边界也逐渐模糊。
越来越多的设备接入网络，也就意味着更多的潜在攻击节点，也就意味着更大，更多无法预测的网络漏洞。
新的变化
如果有10%的利润,它就保证到处被使用；有20%的利润,它就活跃起来；有50%的利润,它就铤而走险；为了100%的利润,它就敢践踏一切人间法律；有300%的利润,它就敢犯任何罪行,甚至绞首的危险。
利益往往是驱动欲望与安全的一大重要因素，随着黑色产业链的不断壮大，网络中的攻击手段，攻击方式也做着不断地变化与跟进。
面对网络中层层的潜在威胁，越来越多的人将希望寄托于人工智能之上。
人工智能能通过高级算法，来进行“记忆，自我学习，分析运算。”从而对海量的事件进行排查，筛选，从而发现异常，风险和威胁。这也算得上是人工智能在防御领域的这个天然优势 。
尤其是在检测未知威胁、阻止恶意软件与文件执行等方面的应用，让以前被动的防御变成了主动预防，这将大大提升网络安全能力，提高防护效率。
有效落地
越来越多的网络安全企业宣传自己在AI与网络方面的能力，然而，现实中存在的网络问题，并非如宣传中能够轻易解决的。
环境差异，接口标准化，法律政策不同往往是网络安全厂商所思考的主要问题。
这也导致了AI融入网络安全存在一定的风险与不确定性。
算法融合
由于新技术的引进，网络技术的更新，传统的网络防御规则适用的场景越来越少，自然AI同样并不能适应所有的应用场景。
在此为背景下，基于规则、特征、统计的方法要和AI形成互补的关系， 只有这样才能做出实用的安全产品。
持续演进
传统方式的缺憾在于需要匹配场景，这无疑加大了算法设计的工程量。
AI是依赖数据的， 人工智能算法要能够持续的检测新型威胁，需要不断被训练，靠的是不断的加入新的数据， 同时调整模型，更新AI算法，从而达到持续演进的能力。
科学分工
在实践当中，攻防专家、数据科学家、安全服务专家应当与AI进行通力合作。攻防专家识别出安全问题，例如根据最新的恶意行为提出解决问题的新思路，数据科学家对问题进行建模，例如特征工程、模型构建，安全服务专家对AI识别的结果进行过滤和反馈。只有这样AI才可以真正的落地。
基于上述思想，深信服已经在AI领域取得了令人振奋的效果。
