2020 年網路安防產業 5大技術趨勢

Johan Paulsson

我總是以回顧去年所寫的內容,做為展望新技術趨勢部落格文章的開頭。這不僅出於好奇我對預見未來的準確性 (這樣做一直都非常冒險),更有趣的是看看年中有沒有出現我們沒有預見到的任何新趨勢。

 

回顧去年預測的趨勢,基本上和過去十二個月的實際發展很接近,這讓我很高興。展望未來,我仍然預見一些重要的改變。

 

1: 邊際世界

當今世界的科技日趨先進,網路「邊際」的運算能力持續在增長。數十億個設備連接到網路,這些數字還在快速成長,這已不是什麼新聞,不過這些設備的性質和需求確實有一些很實質的意義。

簡而言之,很多與網路的「事物」,都需要或受惠於可以即時知道正在發生什麼事、決定怎樣做、然後採取行動的能力,無人駕駛汽車就是個例子。不論是與外部環境溝通 (例如交通號誌),還是透過檢測風險的感應器溝通 (例如感應在汽車前方行走的物體),都必須在一秒鐘內決策。若汽車透過網路發送數據到數據中心處理和分析,然後才決定要採取的行動,這樣會延遲太久。

影像監控也是一樣,如果我們要採取主動而不是被動回應,也就是要預防事件而不是事後才反應,相機本身便需要進行更多數據處理和分析。

不過先進設備數量增加,加上這些設備在安全與保安的範疇上越來越重要,便帶來許多不同結果,我會在下方深入分析。

 

2: 專用設備的處理能力

專為特定應用目的而設計的專用及優化硬體軟體,對於邁向更高層級的先進運算非常重要。連接網路的設備需要更強大的運算能力,而設計目的也要從晶片研發初期就開始考量,所以 Axis 持續專注於研發自主晶片。這使我們能夠設計集成電路,即「晶片系統」,專為滿足當今和未來的影像監控需求而設計,這些產品與最新版本 ARTPEC-7晶片相同 ,在設計方面遵循安全第一的理念。

以機器和深度學習運算形式做為嵌入式 AI 的概念也會越來越流行。對於使用 AI 的人來說,AI (或更準確地說機器和深度學習) 已經不再僅是新潮詞彙,而是日常現實,這使 AI 較少是以「令人興奮」的科技話題而引起關注,使一些人感到 AI 還未能發揮其潛力。實際上,AI 的使用將會超出大多數人的理解範圍,甚至對他們而言成為了理所當然的事。不過,AI 還有一個仍然需要解決的問題,那就是創造「更輕便」的最新深度學習模型,而要求更少的記憶空間與運算能力。

 

 

3: 邁向信任的邊際

信任有很多種,相信不同組織會負責地收集和使用我們的數據;相信設備和數據不受網絡犯罪分子的侵害;相信數據本身準確,而該項技術本身會按設計運作……這些都是一份信任。是否是危機,就看這份信任會被建立還是破壞。

信任對整條供應鏈非常重要。雖然將間諜晶片直接植入硬體本身的可能性相對較小,不過透過後續韌體升級將間諜「後門」安裝到設備中,會比在製造時植入容易得多。

全球仍然會針對個人資料私隱問題持續爭議。雖然可以在邊際使用諸如動態匿名化和遮罩等技術保護隱私,但跨地區和跨國家的態度和監管並不一致,各公司的監控部門將會需要掌握國際法律框架。

越來越多資料處理分析在設備裡進行,使網路保安更加重要。即使有證據顯示會面臨越來越多複雜的網路攻擊,許多組織仍然無法進行最基本的韌體升級。個別設備管理和整個監控解決方案的全面生命週期管理,都需要透過明確的硬體、軟體和用戶策略,達到安全系統的基本要求。

 

4: 範:使用目的與技術

對技術加以規範非常困難(在大多數情況下理應如此),即使如此並非沒有可能。最實際的做法,是規範技術的使用情況。先以臉部辨識作舉例,在某些使用目的中 (例如加快機場過關),臉部辨識可能被認為無害,甚至是需要的。不過,當用做監視公民和社會信用體系時,則被認為更加危險和不必要。這就是技術的使用目的可以有天淵之別。

全世界對於合適的使用情況和法規的態度都有所不同,歐盟的一般資料保護規範 (GDPR) 是最矚目的例子。GDPR 保障歐盟公民在收集、儲存、處理和使用個人資料的權利,是全球最嚴格的資料法。其他國家/地區的嚴格程度遠不及此,其他地區提供網路服務的很多組織由於不能完全遵守 GDPR,而阻止了歐盟公民存取。

法規正在努力跟上技術的進步,不過政府將會持續尋找控制使用情況的方法,能使公民或政府自身受惠。產業需要保持不斷更新,而商業道德仍然會持續接受嚴格審查。

 

5: 網路多元化

由於某些監管複雜性、隱私和網路安全問題,我們看到過去二十年的趨勢是遠離完全開放的互聯網。儘管互聯網和公共雲端服務將仍然是我們傳輸、分析和儲存資料的其中一個方法,但使用混合雲端和私有雲端的趨勢正在成長。我們看到「智慧島」的數量有所增加,特定應用程式系統會在這些智慧島與其他關聯系統之間建立有限制的直接連接。

儘管有些人認為任何遠離開放性的舉動都是不可取的,但有關安全性和資料保護的爭論卻令人信服。此外,從前開放和資料共用的好處是讓 AI 和機器學習進步,因為當時認為機器學習取決於龐大的數據資料才能讓電腦學習。不過,如今科技更先進,可以針對特定的應用目的量身打造相對少量數據資料的預先訓練網路模型。例如,我們最近參與了一個項目,該交通監控模型僅以 1,000 張照片用做訓練的參考案例,便能在事故檢測中的誤報率降低了 95%。

 

預視未來在任何環境下都有風險,在科技領域更可視為非常愚蠢!但滿足當今客戶的需求至關重要,所以我們必須關注未來將會面臨的機會和風險。

 

我們永遠樂於聽到您的意見,請發表您的想法和意見。

 

如果您想即時了解 Axis 和我們網路安防產業好友發表的最新安全趨勢和觀點,請訂閱《網路安防產業趨勢與觀點》電子報。

 

立即訂閱