如何透過 Google Cloud log 即時偵測處理高風險資料外洩威脅

資料外洩的案例層出不窮,監控、相關法律條款、分配來作緊急善後的資源,讓企業對資料外洩所付出的成本迅速增加。根據 IBM 的調查顯示,在美國資料外洩的成本高達 392 萬美元,比 2018 年增加 1.5%,相較於五年前更增加了 12%。接下來,我們將會告訴您 Event Threat Detection 如何透過 log 通知您正面臨高風險危機和高潛在威脅,並協助您做適當的處理。文末影片也會引導您如何操作使用。

如何使用 Event Threat Detection

當您開始使用 Google Cloud,Event Threat Detection 將會出現在 Cloud Security Command Center (Cloud SCC) 介面。 繼續閱讀 “如何透過 Google Cloud log 即時偵測處理高風險資料外洩威脅”

為什麼要用 Data lake?淺談企業自建資料湖泊的關鍵因素

企業因應數位化紛紛加速轉型動作。iThome 在 2019 臺灣企業雲端大調查中發現,台灣已有 6 成的企業在推動數位轉型,各產業皆然,另外也有 25% 企業認為有必要推動但尚未執行。這一波數位轉型浪潮來自網路的全面化;無時無刻連網的情境帶動了行動、O2O 等各種全新商業模式;而數據量暴增,也迫使傳統企業思考如何藉由數據與科技提高用戶忠誠度、改善消費體驗、提升內部效率。

大數據分析、AI 技術藉此快速竄起;例如近幾年行銷領域很紅的 Martech(行銷科技),就是透過科技與改善人為判斷的偏誤,改以數據導向、機器學習驅來優化廣告行銷成效。但是,暴增的數據要如何有效整合運用?企業又要有多深的口袋才能做到? 繼續閱讀 “為什麼要用 Data lake?淺談企業自建資料湖泊的關鍵因素”

四大提升 API 資訊安全的方法

無論是在科技導向的媒體分析報告中,越來越常看到 API 和「資安」擺在一起,或是 API 與「外洩」負面的詞彙一同出現在標題中

APIs (Application Programming Interfaces) 不僅能作為應用程式、系統和數據之間的連結,亦是幫助開發人員將數位資產用於新用途的機制。APIs 幾乎包含了所有數位使用案例,在資訊安全的新聞中,APIs 被這樣分類錯誤並非是因為它與生俱來的缺陷,只是因為某些 APIs 遭受入侵,導致 vault 被錯誤分類。但上述提到的媒體標題仍透露了一個重要的訊息:假如 API 的安全性沒有被企業列為優先重要事項,那優先事項清單就不完整。

事實上,現今對 API 安全性的要求已成為共識: 繼續閱讀 “四大提升 API 資訊安全的方法”

美國抵押貸款領導品牌 Black Knight 透過 Google Cloud API 管理平台:Apigee,一次串連合作夥伴/開發者/客戶

註:此篇文章透過與 Black Knight Inc. 的資深 API 策略產品經理 Brad Homer 對話,了解 Black Knight 如何使用 Google Cloud 的 Apigee API 管理平台為抵押貸款行業進行軟體、數據和分析的革新,並利用 API 去簡化處理房屋所有權中的許多業務流程並使之自動化。

Black Knight 是抵押貸款行業中領先的技術、數據和分析供應商,可同時滿足美國大型和中型銀行的需求。 在過去的幾十年中,Black Knight 傾向於逐案管理客戶各自的整合項目。每當銀行需要連接 Black Knight 應用程式時,Black Knight 都會啟動另一個整合項目。在不斷重複、低效率的狀況之下, Black Knight 決定想辦法集中處理這些流程。

該自建還是購買 API 管理平台?

一開始 Black Knight 已經自己的 API 解決方案,儘管在其中一種解決方案上取得了很大的進展,但技術進步的速度遠遠超過了更新自有解決方案的能力,所以 Black Knight 需要一個支持 RESTful 架構並且完全具備移動解決方案的 API 平台,同時它也必須非常安全。要建立具備此條件的平台是非常複雜的事情,為了讓開發人員能更專注的為客戶提供核心解決方案,Black Knight 選擇與外部供應商合作。 繼續閱讀 “美國抵押貸款領導品牌 Black Knight 透過 Google Cloud API 管理平台:Apigee,一次串連合作夥伴/開發者/客戶”

[懶人包] 常見監督式機器學習演算法 – 機器學習兩大學習方法 (二)

前篇文章所述,監督式學習的演算法就是要學習得出一個方程式 y = f(x) 以表達資料集的分布狀況,讓我們之後匯入新的資料 (x) 就能做出相應的預測 (y)。這種方法通常也被稱作「預測模型」或「預測性分析」,而預測模型或預測分析的目標,就是盡可能地提高預測與實際結果的精準度(關於精準度的判斷,我們會在下期說明)。

本文針對機器學習新手簡述資料科學家經常使用的幾個演算法的基本概念,並比較其中幾項差異與優缺點。

迴歸的演算法

線性迴歸 Linear Regression、多項式迴歸 Polynomial Regression

迴歸在統計中相當常見。回顧先前文章與上述方程式 y=iwixi+b,迴歸的演算法,即藉由尋找每個 x 的權重 w 與 b 去寫出預測的方程式。若以直線去趨近資料,則稱為線性迴歸 (Linear Regression);若是以曲線趨近資料,則為多項式迴歸 (Polynomial Regression)。另外,也有以分類器為趨型的迴歸樹(以決策樹為雛形)、SVR(Support Vector Regression,以 SVM 為雛形),能夠處理非線性的資料。 繼續閱讀 “[懶人包] 常見監督式機器學習演算法 – 機器學習兩大學習方法 (二)”