背 景

在現(xiàn)代網(wǎng)絡環(huán)境中，網(wǎng)絡安全面臨著日益復雜的挑戰(zhàn)，包括新興的勒索軟件、多變的木馬病毒以及其他先進的持續(xù)威脅。這些威脅不斷演變，要求安全解決方案不僅要快速反應，還要能在前所未有的規(guī)模上進行精確識別和攔截。

針對日益增多的各類惡意程序的網(wǎng)絡攻擊，火絨安全建立了多層次主動防御系統(tǒng)來有效應對，在病毒檢測方面，基于傳統(tǒng)模式匹配和行為分析技術(shù)已取得了一定的成效。然而，隨著惡意軟件技術(shù)的快速進步，傳統(tǒng)方法面臨著速度慢、誤報率高和適應新威脅的能力不足的問題。為了應對這些挑戰(zhàn)，火絨安全采用了基于深度學習的算法來增強其病毒檢測能力以及檢測效率。這種方法的優(yōu)點在于其能夠持續(xù)學習和適應新出現(xiàn)的惡意行為，大大提高了檢測的精確度和速度。

OpenVINO是英特爾推出的針對深度學習模型進行優(yōu)化、推理加速以及快速部署的開源工具套件。利用OpenVINO工具套件，針對病毒檢測深度學習模型，火絨安全能夠?qū)崿F(xiàn)模型的優(yōu)化與推理加速。OpenVINO提供了一系列的模型優(yōu)化工具，可以有效減小模型尺寸并加快推理速度，從而更有效地在用戶端實現(xiàn)實時威脅檢測。

模型跨平臺的快速部署，以及推理負載的輕松切換。通過OpenVINO具有的“一次編寫，任意部署”的特點，火絨安全的病毒檢測深度學習模型可以很方便地部署在多個硬件設備上，并可以在不同的設備上快速地進行推理負載的切換。通過利用英特爾酷睿Ultra平臺中的神經(jīng)處理單元（NPU），火絨安全可以將計算密集型的病毒掃描任務遷移到這些專用硬件上。這不僅減輕了主CPU的負擔，還降低了整體系統(tǒng)的功耗，同時保持了掃描任務的高效率和低延遲。

更快速更省力的軟件開發(fā)。目前，OpenVINO已經(jīng)同時支持英特爾架構(gòu)以及ARM架構(gòu)的CPU作為運行深度學習模型推理的硬件，同時，也支持英特爾的集成顯卡、獨立顯卡、以及NPU、FPGA上的模型部署。由于這種跨平臺多架構(gòu)硬件設備的支持，火絨安全也可以利用OpenVINO縮短病毒掃描監(jiān)測軟件在跨平臺上的開發(fā)時間，同時大大減少了開發(fā)的工作量。

火絨安全攜手OpenVINO工具套件以及英特爾新一代酷睿Ultra處理器，這種軟硬件協(xié)同的方法不僅提高了終端安全的效率，也為用戶創(chuàng)造了更為安全和高效的計算環(huán)境。

基于OpenVINO的病毒掃描監(jiān)測模型的優(yōu)化與推理加速

為了應對惡意軟件和病毒技術(shù)快速進步帶來的挑戰(zhàn)，火絨安全采用了基于深度學習的算法來增強其病毒檢測能力以及檢測效率，流程圖如下圖所示。

利用虛擬沙盒中進行病毒掃描而收集到的動態(tài)行為序列組成的數(shù)據(jù)集，火絨安全基于PyTorch深度學習框架進行模型訓練，并獲得了可高效高準確度進行病毒檢測的AI模型。接著，火絨安全利用OpenVINO工具套件，實現(xiàn)了模型優(yōu)化、并將該模型根據(jù)不同用戶使用的硬件平臺進行簡單快速的部署。

首先，利用OpenVINO提供的模型優(yōu)化工具，例如模型轉(zhuǎn)換工具、神經(jīng)網(wǎng)絡壓縮框架（NNCF）等，火絨安全可以將訓練好的病毒掃描監(jiān)測模型由原始的PyTorch模型格式轉(zhuǎn)化為OpenVINO 中間表達格式（IR格式），實現(xiàn)對模型的優(yōu)化壓縮。經(jīng)OpenVINO模型轉(zhuǎn)換與優(yōu)化壓縮后，相對于PyTorch以及ONNX的模型格式，模型占用體積可以減小50%左右。由此，模型在運行推理時的推理速度也可以提到顯著提升，提升幅度達到20%以上。使得火絨安全的病毒檢測算法能夠?qū)崿F(xiàn)更快的響應時間和更高效的運行，顯著提升病毒的檢出速度和準確度。

基于OpenVINO的病毒掃描監(jiān)測模型快速部署

OpenVINO的另一個重要特點是其支持跨平臺的模型部署能力，無需重寫大量代碼，可以實現(xiàn)深度學習模型的無縫遷移，達到“一次編寫，任意部署”，這對于快速響應新出現(xiàn)的網(wǎng)絡威脅尤為重要。特別是針對新一代酷睿Ultra處理器中的NPU（神經(jīng)處理單元）的支持。這使得火絨安全可以輕松將優(yōu)化后的深度學習模型部署到各種硬件平臺上，包括但不限于英特爾和ARM架構(gòu)的CPU以及英特爾的GPU。自OpenVINO 2024.0的版本開始，深度學習模型可以很方便的部署在英特爾酷睿Ultra平臺中的NPU上。由于NPU具有低功耗的特點，火絨安全的深度學習模型可以在NPU上持續(xù)進行病毒的掃描和監(jiān)測、且保持較低的耗電量，為搭載了酷睿Ultra的用戶設備提供較高的能效利用率。同時，將深度學習模型推理遷移到NPU上，也很好地釋放了CPU上的工作負載，使得CPU的占用率在病毒持續(xù)掃描監(jiān)測時仍然保持較低的水平，從而使得用戶對病毒掃描無感、對其它的工作負載不會造成影響。

異構(gòu)架構(gòu)支持，開發(fā)省時省力

OpenVINO支持包括英特爾X86和ARM在內(nèi)的多種CPU架構(gòu)，這為開發(fā)人員提供了極大的靈活性和便利。異構(gòu)架構(gòu)的支持意味著開發(fā)者可以編寫一次代碼，然后將其部署到多種硬件平臺上，無論是在個人電腦、服務器還是移動設備上。這種能力不僅簡化了開發(fā)流程，也使得火絨安全可以輕松適應各種硬件環(huán)境，保證軟件的廣泛兼容性和高效性。此外，這種支持也使得火絨安全能夠更好地利用不同設備的特定硬件加速功能，進一步提高其產(chǎn)品的性能和效率。

展望未來，火絨安全計劃繼續(xù)深化與英特爾的技術(shù)合作，通過不斷的技術(shù)研發(fā)和創(chuàng)新，旨在為用戶提供更為高效、智能的安全解決方案。隨著AI技術(shù)的不斷進步和應用的深化，火絨安全與包括OpenVINO工具套件、酷睿Ultra處理器在內(nèi)的英特爾軟硬件技術(shù)的合作不僅提升了病毒掃描的效率，還為終端用戶提供了一個更加安全、快速且能效優(yōu)越的解決方案。