Imperva近兩年大動作地強化雲端安全防護能力，2018年收購Prevoty提供RASP（Runtime Application Self Protection），2019年收購Distil Networks提供Bot Management，即著眼於從使用者就近存取的邊緣端，經過WAF（應用防火牆）、呼叫API運行應用服務，以及存取檔案的完整行為，皆提供相對應的保護機制。
Imperva亞太暨日本區技術總監周達偉觀察，過去企業大多只部署WAF設備，近幾年的需求已經改變，除了自建部署WAF以外，還得具備雲端服務保護能力。Imperva基於發展已屆完整的解決方案，提出全新的FlexProtect授權模式，讓防護機制就如同套餐般可選用實體設備、虛擬化版本，甚至是雲端服務，滿足不同企業IT安全需求。
嚴防對外服務API遭攻擊威脅
針對雲端服務的發展，Imperva是基於雲端原生架構的Incapsula解決方案來提供，整合API防護、惡意機器人管理等進階功能，或是依照現實需求改變增添的新服務。
在當今網路應用環境下，API已經成為最常見的資料傳輸與交換方式，企業或組織得以藉此在新架構下開發應用服務、介接內部與外部資源建立流程自動化。隨著數位化轉型成為各產業的發展目標，API介接方式更加普及，針對API發動的攻擊也在同步增長。
周達偉指出，狀態異常、缺乏保護或遭受攻擊的API端點，由於先天存在向公眾服務暴露敏感資料的隱患，往往會成為重大資料外洩事件的肇因，凸顯出API防護機制的重要性。Imperva設計的方案，主要特色在於能夠建立一個動態的、主動的安全模型，保證API發布的第一時間即可受到保護，並且持續同步更新與修補。
「通常為了有效地保護API部署，將不可避免地涉及日常維運的投入，而Imperva的API安全解決方案，實現了自動化的操作能力，旨在減少甚至完全免除相關的人力介入。此外，亦可搭配Imperva的DDoS 防禦服務，享有業界最快的防禦回應速度，也就是服務等級協定在3秒內即可自動防禦大規模的DDoS攻擊。」周達偉說。
之所能實踐快速阻絕攻擊，背後功臣還包括SecureSphere硬體解決方案中提供的應用防禦中心（Application Defense Center），是由Imperva內部設置的研究機構發布最新威脅情資，也有在公開網頁上每月發布網路威脅指數（Cyber Threat Index），根據不同國家或地區，深入分析威脅來源、主要標的等相關資訊。資料來源就是Incapsula雲端服務平台所蒐集取得，從中可推導出各種結論。
增添RASP掌握微服務架構內溝通行為
以往IT維運多種異質技術的資安方案，主要是仰仗日誌分析系統來協助，近幾年在接連爆發重大資安事故後卻發現，即使統整日誌進行關聯分析，往往欠缺資安專業人力判讀數據代表的意義，對此資安相關方案紛紛納入機器學習與人工智慧應用，藉此提升大數據分析能力，便能經過交叉比對凸顯異常行為，具體指出可疑行徑，以及帶來的影響。
過去Imperva曾經推出全域使用者追蹤（UUT）機制，透過Imperva旗下的WAF、資料庫安全，把前端與後端行為模式加以整合，來追蹤存取行為。只是UUT機制適用於三層式系統架構，最終用戶、前端網頁、後端資料庫，彼此可相互關聯，然而如今應用系統快速演進到微服務架構，不再僅有三層，可能是多層，亦必須達到同樣的追蹤目的。對此，近幾年資安市場上興起的使用者行為分析（UBA或UEBA），仍舊僅為部分實現，比較偏重在前端，結合終端裝置分析存取行為。周達偉表示，Imperva提出的Attack Analytics及Data Risk Analytics，則運用先進的機器學習運行大數據分析來提供防禦服務，強調的不僅只是前端，包括微服務架構內的溝通行為也可掌握。
他指出，「完整的資料來源是在Imperva整體解決方案中開始增添了RASP機制後，即可藉此掌握微服務架構中API之間的溝通行為，搭配既有WAF、資料庫安全、雲端安全方面的技術，讓運行環境得以相互串聯追蹤到最原始的位址。」
無監督機器學習搭配演算提高精準度
Imperva使用先進的機器學習、人工智慧以及大數據分析多項技術來實施演算模型的輔助偵測，為Attack Analytics與Data Risk Analytics（前稱為Counter Breach）等違規防禦解決方案提供正確且迅速的邏輯判定依據。
實際上人工智慧演算分析的法則相當多，不同場景有適用的選項。周達偉表示，在資安防護領域，通常無法在人工智慧應用中限定所有場景模式，若可以定義，即屬於監督式學習模式，概念上類似表列白名單。Attack Analytics與Data Risk Analytics的特性是採用無監督學習方式，讓企業端各種應用場景，能夠藉此協助歸納、推演出安全需求，不是單純的人工智慧可以辦到，所以衍生出主成分分析系統，甚至聚類算法，可說是較其他同樣提供人工智慧應用的資安廠商差異之處。
他進一步說明，機器學習屬於人工智慧領域，電腦利用訓練或觀察學習到的數學運算式來探測相關模式，並確定其基準行為。機器學習能夠處理與分析大數據，這對於人類來說可不是輕而易舉的事情。學習任務主要分為兩大類：
．監督學習：向機器內輸入各種資料，以及預期輸出內容，如此，以後只要餵入相關內容，就能得出預期輸出。
．無監督學習：此類機器用於沒有明確輸入具體查詢模式的前提下，檢測數據集中的各類數據模式。
Imperva亞太暨日本區技術總監周達偉認為，混合雲模式已成為新型態應用普遍場景，須確立一套不同雲端平台與資料中心皆可採用的安全性，且不至於出現盲點，此時人工智慧應用即可發揮效益。
在無監督機器學習過程中，有多種技術可識別各類資料模式，最終生成有價值的分析結構。關鍵在於了解問題領域才得以正確選擇採用的技術，否則無法精準地解決。
除此之外，無監督式學習有許多不可預期的狀況，可能會導致誤判、漏判率過高，必須要搭配後續的分析演算法，才可精準地掌握正確率。 例如Imperva利用無監督動態學習對等群組模型的建立，來確定每位最終用戶各種存取行為模式，以及權限指標，首先Imperva會將最終用戶存取行為留下的稽核記錄轉化為目錄矩陣，依主成份分析法從現有特徵中選擇，在組合特徵後進行降維處理，找出存取模式關聯性以推導矩陣中的共線。最後使用聚類算法（OPTICS）因應未知對等群組資料來聚集用戶，得出最正確的決策保障。