石油与天然气价格的波动、更高的运营费用、愈发严重的网络/物理威胁，迫使公共事业部门不得不在安全策略方面大踏步迈进。另外，COVID-19疫情也给公共事业部门带来巨大挑战，在导致行业前景的不确定性之外，还迫使从业者们思考该如何快速变化。就当下来看，几十年前设计的现场与远程位置安全制度，已经无法应对层出不穷的网络与物理安全威胁。
快速行动，将网络与无力完全合并起来
凭借着已有数十年历史的工业控制系统(ICS)，目前世界各地的公共事业部门仍然不可能充分保护多达数百万个前所未有的威胁。包括化工、电力、食品与饮料、天然气、医疗保健、石油、运输、供水等在内的各类关键基础设施行业，目前只能依赖于ICS应用加数字隔离式物理安全机制以保护运营环境。从传统角度来看，ICS的设计思路主要强调可靠性与正常运行时间，而极少涉及对远程位置进行实时监控。
可以肯定的是，现在我们必须消除网络与物理安全之间的鸿沟。ICS不足以保护每个新的威胁面，也未能全面集成至现场与远程位置的实时监控体系当中。根据《2017年Dragos工业控制漏洞》报告，在所有与ICS相关的漏洞中，有63%可能导致现场失去操作控制能力，71%的漏洞可立即扰乱或阻断操作视图。
为此，各类新兴公共事业公司开始将AI驱动型网络安全与物理安全整合到统一的平台当中，希望以创新手段攻克这一不断演进的历史性难题。公共事业部门需要意识到，他们运营体系中的每一台机器与设备，都代表着安全范围的新边界。
而对各端点及威胁面的实时监控，则将带来宝贵的数据，可用于保障现有网络/物理安全系统的运行、调整乃至重建。下图来自德勤公司发布的《2030年电力市场研究：能源行业新前景》报告，其中解释了公共事业公司应如何更新运营平台与相关安全方法，保证其运行表现与客户的期望保持同步。
公共事业部门在迁移至新的现场与设施位置的同时，需要将网络与物理安全机制整合起来
——德勤公司《2030年电力市场研究：能源行业新前景》报告
AI与实时监控技术保护公共设施的十种方式
利用实时监控方案成功实现网络与物理安全性合并，将帮助公共事业部门更好地为客户服务、实现更加一致的运营稳定性，同时避免各类计划外停机事件。对各个端点及威胁面的有力保护，既能确保短期内的运营稳定性，又可立足长期赢得客户信任。在实现这两项目标的过程中，实时监控技术有望发挥巨大作用。
下面来看实时监控技术保护公共设施的十种方式：
- 对指向设施、机器或资产的每一次访问请求进行实时监控，预防入侵、破坏与盗窃行为。通过在整体网络之上建立实时监控机制，公共事业部门能够在1秒之内了解到当前系统是否存在安全漏洞、故意破坏或者潜在的盗窃行为。如果有形资产遭遇违规，管理员将实时收到警报、锁定威胁面、在几秒钟内阻断攻击路径，最终阻止公共事业远程设施可能受到的损害或网络攻击。
- 公共事业部门将第一次能够随时保证任意设施位置/设备的最低访问权限。实时监控与访问控制方案相结合，将为IT及信息安全团队带来强大的灵活性优势，帮助他们第一次在各个层级为用户授权特定的访问权限。
- 了解哪些设施、现场、机械及远程设备能够正常运行，哪些需要根据状况进行养护、更新与维修。通过配置，我们可以利用实时监控从机器及远程设备端收集状态数据，并将这些目标作为威胁面加以保护。麦肯锡最近发布的《利用人工智能实现智能化——对德国及其工业领域的预期影响》研究报告指出，实时了解远程机械及设备运行状况，每年可为IT及设施运营团队节约数千小时的工作时长。参见下图：
麦肯锡最近发布的《利用人工智能实现智能化——对德国及其工业领域的预期影响》研究报告
- 实时监控与AI(特别是无监督机器学习算法)相结合，能够“学习”远程机器与设备的访问行为，据此判断发生盗窃或破坏事件的可能性。将实时数据/分析与机器学习模型结合起来，可以帮助我们预测哪些机器或设备类型最有可能遭到盗窃或破坏。利用这些预测性洞见，公共事业部门则可以启动更强大的威慑性策略以保护自有财产。而将AI、实时监控与来自物理监控的连续数据加以整理，也能够减少误报几率、帮助监控团队提高工作效率。
- 将远程位置视频与实时监控相结合，可建立起关于远程位置的360度网络与物理安全视图。公共事业安全机制的未来必然在于数字化，而其核心驱动力，正是实时监控以及为各个远程位置建立起精准实时视图的能力。
- 一切公共事业部门的安全系统与策略都应作为整体设备、位置与网络安全体系的组成部分——而不仅是附加产物。只有这样，才能让实时监控成为可能。对公共事业网络中各个端点及威胁面进行保护，第一步应该从管理各处设施、位置及系统开始。在合并工作完成后，要进一步实现网络与物理安全保障，我们需要立足各个位置扩展独立的安全策略。
- AI与机器学习将把多项安全技术集成至同一共通目标当中，借此开启位置智能与态势感知的新纪元。公共事业部门需要尽快着手研究如何在全部下辖部门及团队当中扩展物理与网络安全体系。机器学习技术可以通过风险评分提供可量化的信任度，此评分将根据每一位用户面向各系统或物理位置执行的实际访问操作而实时创建并更新。利用风险评分，我们可以量化信任度背景并准确定义当前可用的资源数量。
- 以机器学习为基础，不断通过用户的行为模式、上下文与设备学习各位置与系统中的访问态势，借此消除凭证滥用攻击。努力跟踪用户的行为模式，及其获取安全系统访问权限时的具体上下文及设备使用方式，从而提高安全性并改善客户体验。先进的机器学习算法还能够定义特定用户需要访问哪些系统与物理位置、一般访问多长时间等量化指标。
- 使用机器学习技术实时生成风险评分与安全分析结论，并据此调整公共事业安全网络。实时监控还有助于优化各安全网络，并跨越整体公共事业网络做出响应。利用实时传入数据，我们可以准确筛查故障排查结果，减少远程位置中经常出现的误报信息。
- 将实时监控数据与机器学习相结合，能够加快新员工风险评分速度、明确定义访问权限以简化新员工的入职培训流程。以风险评分为基础，AI方案将随时间推移而不断改进，帮助新入职的员工加快工作速度并获取必要访问权限，借此提高工作效率。在利用连续实时数据流创建并训练预测模型时，我们将得出更准确的风险评分，并配合实时监控机制以覆盖各类设施、机械与设备。这一切不仅将加快新员工的上手速度，同时也可严格限制非必要人员与特定系统间的接触。
