MIT團隊：開發自動化假新聞檢測器｜技術前沿洞察

新聞 02-19

矽谷Live / 實地探訪 / 熱點探秘 / 深度探討

隨著人工智慧、5G、區塊鏈等技術越來越多出現在我們的科技新聞當中，到底這些技術的最新進展如何？學界、產業界都是如何對技術前沿進行探索的？

無論是開發假新聞探測器，還是輔助醫生進行診斷，又或者是如何讓 5G 延遲減半。今天密探帶大家來看看，從麻省理工學院到電信巨頭，從高校到企業，近期的技術新進展！

5G技術動態

Verizon：邊緣計算將5G延遲減半

根據 Telecoms 報道，美國電信巨頭 Verizon 已成功完成利用邊緣計算將 5G 延遲削減一半的測試。

5G 旨在減少前一代無線通信技術的延遲，這就意味著需要減少信息進行往返的時間。延遲的減少，將為視頻遊戲，實時VR甚至遠程手術等應用開闢一系列可能性。（5G應用場景可參考密探此前相關文章：遠程做手術、實現自動駕駛……5G如何影響這五大行業？）

近日，Verizon工程師將 Multi-access Edge Compute（MEC，多路邊緣計算）設備和 MEC 平台軟體安裝到更靠近網路邊緣的網路設施中。他們希望證明，減少某個無線設備與正跑著該設備的應用程的計算設備之間的距離可以提高性能。

對於他們的測試，Verizon 使用了一款面部識別應用程序。測試證明，在網路邊緣分析數據，與使用傳統的集中式數據中心進行分析相比，這個應用識別個體的速度提高了一倍。

Verizon 網路規劃高級副總裁 Adam Koeppe 說：

「對於需要低延遲的應用程序，向中心化的雲發送和接收大量數據已不再適用。數據處理和管理需要更接近用戶。MEC 將應用程序的運算、存儲和管理轉移到無線接入網路的邊緣，以提供所需的低延遲體驗，從而實現新的顛覆性技術。應用程序數據處理地點的轉變，5G 更有效的傳遞數據的能力，以及使用毫米波波段，對於我們未來的通信場景都是至關重要的。」

Verizon 的試驗是在德克薩斯州休斯頓的5G測試平台進行的。不過，他們並沒有提供確切的延遲結果。

同時，他們的競爭對手也開始測試邊緣計算。 AT&T最近在矽谷開設了一個邊緣計算測試平台，並正與Linux基金會合作開發一個支持它的軟體項目。

A10 Networks：如何對抗針對5G網路的威脅

5G 技術在帶來更快的網速，更低的延遲，以及更大的覆蓋範圍的同時，也會帶來新的網路安全風險。舉例而言，隨著更多強大的智能設備上線，承載這些設備的網路將具有更大的攻擊面，這使得他們成為 DDoS 攻擊的目標。近期，A10 Networks發布了一份報告，強調了去年 DDoS 武器化增長的主要觀察結果，以下是總結的一些要點：

1、放大武器

攻擊者利用UDP（用戶數據報協議）中的漏洞來欺騙獲取目標的IP地址，並利用啟動反射響應的伺服器中的漏洞。此策略通過生成遠大於初始請求的服務響應來放大攻擊。

2、DDoS殭屍網路武器

攻擊者會利用惡意軟體感染的計算機，伺服器和越來越多的物聯網設備，這些設備由殭屍牧民控制，通常來自DDoS-for-hire服務（受雇DDoS服務）。生成的殭屍網路用於啟動有狀態和無狀態的體積網路和應用程序攻擊。

3、武器的主要來源

雖然DDoS攻擊的性質是分散式的，但數據顯示，高度集中的DDoS武器來自最密集的互聯網連接人群。中國4,374,660例，其次是美國3,010,039例。報告還強調，DDoS武器在雲端託管的趨勢越來越明顯。這歸因於移動設備的湧入和雲的日益普及。

這些觀察突出了當下企業面臨的挑戰。企業DDoS防禦的重點應始終放在用戶身上。畢竟，當關鍵服務的訪問暫停時，員工會選擇回家或使用不安全的方法。企業需要全面、經濟的防禦，以確保服務可用並保護用戶。這就是採用彈性和複雜的雙管DDoS防禦（two-pronged DDoS defense）以及威脅智能（threat intelligence）解決方案對於抵抗攻擊最有效的地方。

4、威脅智能

先進的DDoS威脅情報與實時威脅檢測和自動簽名提取相結合，使企業能夠抵禦最大規模的多向攻擊。可操作的DDoS威脅智能通過對當前精準的DDoS殭屍網路IP地址和這些類型的攻擊中常用的易受攻擊的伺服器創建黑名單，來實現主動的DDoS防禦。

如果想要獲取完整報告，鏈接在此：https://www.a10networks.com/resources/ebooks/state-ddos-weapons

人工智慧領域動態

MIT：機器學習輔助醫生做診斷

據麻省理工學院（MIT）新聞報道，本校研究人員已經開發出一種機器學習模型，可以讀取並學習多種類型的、看似並不相關的患者的健康數據，併合成為一份相對較為完整的健康數據報告，以輔助醫生對患者作出診斷。

「預測分析」領域為許多醫療保健應用帶來了希望。通過數據學習——預測——分析的方式，可以訓練機器學習模型尋找患者數據中的固定模式，從而預測患者在 ICU 中患病或死亡的風險，協助病患的護理，或為設計更安全的化療方案提供參考。

由於患者的數據有很多不同的來源，而且通常是不完整的，若要獲得有效的診斷輔助數據，機器學習模型需要分析所有可以找到的可用數據。但是，大多數機器學習模型都無法處理高度複雜的數據，或者是無法捕捉到不同健康變數之間關係的相關性，例如呼吸模式如何幫助預測睡眠時間或疼痛程度等等。

在一篇即將在 AAAI 人工智慧會議上發表的論文中，MIT 研究人員提出，他們研究出了一個單一的神經網路，它在輸入簡單和高度複雜的數據後，使用已知變數，填寫所有缺失的變數。比如，根據來自患者的心電圖（ECG）信號（測量心臟功能和自我報告的疲勞水平）的數據，該模型可以預測患者的疼痛水平，患者可能不記得或正確報告。

該模型將各種子模型拼接在一起，而每個子模型被賦予以描述變數之間的特定關係。子模型在進行預測時共享數據，並最終輸出預測的目標變數。「在我們這個模型網路中，各個子模型可以相互溝通，所以我們從不同類型的數據中獲得的信息，可以預測我們不知道的東西」，該論文的主要作者 Hao Wang，一位計算機科學與人工智慧實驗室（CSAIL）的博士後說。「如果我們需要八種不同類型的病患數據，並且目前這位病人只有其中七項的數據信息，利用模型之間的溝通，我們也可以填補這位病人在第八項數據中的空白部分。」

MIT團隊：開發自動化假新聞檢測器

麻省理工學院的一個團隊發表了一篇題目為The Language of Fake News: Opening the Black-Box of Deep Learning Based Detectors的論文，揭示了機器學習模型捕捉真新聞與假新聞語言中的微妙但一致的差異的方法。該研究還對假新聞探測器應如何進行更嚴格的測試作出了解釋。

隨著社交網路的發展，虛假新聞越來越成為讓人們頭疼的事情。為了解決這一問題，研究人員開始開發自動化假新聞檢測器——用神經網路對從大量數據進行「學習」和預測，以識別指示虛假文章的語言線索。

然而，在這裡有一個「黑匣子」問題——沒有人知道深度學習在自我學習、分析期間的所接觸的到語言模式是怎樣的。我們看不見深度學習所習得的內容，也無法了解其每一步的學習進程。

在會議和神經信息處理系統研討會上發表的一篇論文中，MIT 的研究人員解決了這兩個問題。他們開發了一種深度學習模型，學習如何檢測虛假和真實新聞的語言模式。他們的部分研究「破解」了深度學習的黑匣子，即找出此模型捕獲的單詞和短語，並對這些內容進行預測和分析。

除此以外，他們還將此模型在它沒有接觸過的話題上進行訓練。這種方法基於語言模式對單一文章進行分類，從而與真實世界的新聞讀者們所接觸到的應用軟體更接近。傳統的假新聞檢測器往往基於文本結合源信息對文章進行分類，例如維基百科頁面或網站等。

「在我們的研究中，我們想要了解僅僅基於語言，人工智慧在分類時的決策過程是什麼樣的，因為這可以提供我們關於假新聞語言的見解，」論文共同作者Xavier Boix，Tomaso Poggio實驗室的博士後說。

「在機器學習和人工智慧的研究中，有一個關鍵問題——機器學習給了你答案，但你不知道為什麼會得到這個答案，」論文第一作者Nicole O"Brien說，他是一名在校研究生。「展示這些內部工作，是邁向了解基於深度學習的假新聞探測器是否可靠的第一步。」

該模型檢測了在真實或虛假新聞中出現頻次高的辭彙集合——有些可能是顯而易見的，有些則是不容易察覺的。研究人員表示，從研究結果可以看出，虛假新聞喜歡用誇張或最高級的形容詞，然而真實新聞則傾向於使用相對保守的詞語。

想要查看完整論文，地址在此：https://cbmm.mit.edu/sites/default/files/publications/fake-news-paper-NIPS.pdf

MIT和微軟合作，提高自動駕駛領域安全性

麻省理工學院和微軟研究人員開發了一種新型的機器學習模型，這種模型可以檢測出自動駕駛車輛的訓練材料和現實世界有哪些出入。這樣一來，工程師就可以使用該模型來提高無人駕駛車輛和自動機器人等人工智慧系統的安全性。

無人駕駛車所使用的 AI 系統，通常都是在模擬了幾乎所有真實世界可能發生的情況的這種虛擬模擬的環境中訓練的。然而，這些無人車在真實世界行駛時，常會因為各種各樣的突發情況而出現錯誤。

比如，當一輛感測器不全的無人駕駛車行駛在道路上，它很難區分帶有紅色燈光的大型白色麵包車與閃著警報紅光的救護車的區別，不知道是否要減速或停在路邊，從而造成事故。

在去年的Autonomous Agents and Multiagent Systems會議，以及即將召開的人工智慧促進會議上發表的一篇論文中，研究人員描述了一個利用手動輸入來找出這些 AI 訓練「盲點」的模型。

與傳統方法一樣，研究人員通過模擬訓練設置了 AI 系統。但是，當該系統在真實世界中使用時，人們密切監視系統的行為，並在系統製造或即將發生任何錯誤時，立刻提供反饋。然後，研究人員將訓練數據與人工反饋數據相結合，並使用機器學習技術生成一個模型，該模型可以精確指出AI系統最有可能需要「人工指導」的情況。

「這個模型可以幫助 AI 系統更好地了解他們不知道的東西，」論文第一作者Ramya Ramakrishnan說，他是計算機科學和人工智慧實驗室的研究生。「很多時候，當部署這些系統時，他們的模擬模擬與現實環境不匹配，因而AI系統可能會犯錯誤，例如發生事故等等。我們的想法是提前在安全的環境下，用人工反饋將模擬環境與現實世界相連接，從而降低真實使用時事故發生率。」

想要查看完整論文，地址在此：//interactive.mit.edu/sites/default/files/documents/Ramakrishnan_AAAI_2019.pdf

UCSF：如何更快地用AI診斷阿爾茲海默症

加利福尼亞大學舊金山分校（UCSF）的一個研究小組正在展示深度學習和數據結合的強大程度——以及這項研究對改善醫療保健系統的潛力。這次，針對的是我們通俗叫做「老年痴呆症」的阿爾茨海默病。

通過機器學習，在使用來自 1000 名阿爾茨海默病患者的 2000 多張腦圖像訓練深度學習演算法後，UCSF 這個團隊在最終診斷時平均提前75個月檢測到疾病，靈敏度達到100％。這意味著，能比醫生對阿爾茨海默病患者的診斷早了六年。

這些數據來自於阿爾茨海默病神經影像學倡議組織（ADNI），90％的ADNI圖像進行訓練，而10％的圖像用於驗證。該團隊還利用TensorFlow和Keras深度學習庫以及Google的Inception神經網路架構進行圖像分類和檢測。

此次研究者包括 UCSF 的助理教授Dexter Hadley，其母親就是一位阿爾茲海默症患者。Hadley 希望，深度學習可以成為早期發現多種疾病的答案。例如還有乳腺癌。

區塊鏈技術動態

蘇黎世大學研究人員：如何阻止黑客將比特幣分成兩部分

黑客可以把比特幣分成兩部分。根據2017年的研究，這甚至不是一件難事。由於支持互聯網的技術的不安全性，擁有足夠能力的人可以利用邊界網關協議（BGP）偽造他們的身份並誤導網路發送洪水數據到不當的地方。這被稱為「互聯網上最大的安全漏洞」，並且已被用於從窺探政府電子郵件到竊取加密貨幣等各方面。

就分裂比特幣而言，這樣的攻擊如果成功執行，網路的一部分將完全切斷另一部分。沒有人可以與作為「其他」網路一部分的人進行通信和發送交易。這就是來自著名的瑞士蘇黎世大學的研究人員希望提供幫助的地方。

如新白皮書所述，他們發明了一種名為 SABRE 的中繼網路，並希望有一天能夠建立在比特幣之上。與拿破崙時代常見的彎曲刀片同名，SABRE聽起來像是用來將比特幣切成兩半。相反，它希望做的事情是對即將發生的攻擊者使用軍刀，將其阻止。

SABRE 是一個由一個實體管理的網路，為比特幣節點提供了一個「額外的安全通道」，用於在網路中移動區塊。該網路由各種節點組成，這些節點具有公知的IP地址（允許其他節點查找並連接到它們的ID號）。這樣，任何比特幣節點都可以連接到它們。並且比特幣節點僅需要連接到其中一個節點以利用其保持與其他節點連接的能力。

Eth Zurich 計算機網路研究員Maria Apostolaki說：「SABRE 是一個小型中繼網路，其節點的戰略位置使得它們保持相互連接並連接到儘可能多的常規節點，即使存在劫持流量的AS級攻擊者。」她說，這個網路將「使分區失效」。

研究人員聲稱，當使用 SABRE 時，分裂的風險會下降。如果沒有SABRE，ISP 可能只用「小」路由攻擊就能攻擊和分區比特幣。但是，根據研究人員對一組五個節點的模擬，攻擊者劫持網路並對其進行分區的可能性僅為3.1％。隨著節點數量的增加，概率也會降低。

本周的技術前沿就先到這裡，大家還希望了解什麼技術動態和科技前沿的趨勢呢？歡迎告訴小探！

（文章頭圖來自the Atlantics，版權屬於原作者）