文章指出网络安全领域寄望数据科学与自动化技术加速威胁响应，但 RMIT 大学高级讲师 Jeffrey Chan 博士强调，自动化非开箱即用方案，需跨学科专业知识与大量人力投入，数据可用性与多学科协作是核心挑战。
多学科协作的复杂性：
数据科学本质上要求融合计算机科学、网络工程、商业、政策、安全分析等多领域方法，网络安全行业正是从庞大人才池汲取专长。这种多利益相关者协作非短期可成，既需要数据科学家理解业务场景，也要求安全专家掌握建模逻辑，双向知识迁移成本高、周期长，原文未给出具体协作案例数据。
数据可用性与解释难题：
Clive Humby 2006 年提出「数据是新石油」，原始数据如同原油须经提炼才具价值，该过程对资深统计学家亦属繁重昂贵。网络安全场景下，日志格式不一、标签稀缺、对抗样本干扰等问题加剧了数据获取与解释难度，导致模型训练样本质量难以保证，原文未给出具体数据量指标。
机器学习非万能药：
截至 2020 年仍无确定的自动化网络安全解决方案，市面案例多来自厂商与安全从业者，数据科学家视角极少。2016 年 Masergy 曾发推称机器学习是网络安全「最后希望」，但 Chan 博士指出自动化需长期投入人力完善特征工程、模型迭代与误报抑制，无法实现开箱即用。
对运维与网络工程师而言，部署自动化安全工具前需评估团队跨学科能力与数据质量，避免盲目引入模型导致误报漏报；持续投入人力完善特征工程与标注流程，才能让机器学习在威胁检测中发挥实效。
原文: APNIC Blog（2020-10-22）｜编译自 APNIC Blog，事实以原文为准。
来源：APNIC Blog