恶意软件日新月异，突变的速度越来越快，单纯靠资安专家以人力防范恶意攻击可能不足，微软揭露了机器学习如何应用在自家防毒软件Windows Defender Antivirus上，以自动化及多层机器学习架构，试图缩小新的恶意软件出现到被侦测的时间差。
Windows Defender Antivirus使用倒金字塔分层恶意软件侦测模型（上图），像滤网一层层筛出隐藏的恶意软件，侦测模型第一层为本机端启发式与通用型侦测，接着是元资料机器学习模型、样本分析机器学习模型、引爆式的机器学习模型，然後到最底层的大资料分析。
疑似恶意软件的档案会经过各层把关，每一层所负责侦测档案的特徵不同，但多数的恶意软件，在第一层本机端启发式与通用型侦测阶段就会被发现，当经过第一层侦测後，仍存在疑虑时，便往下层移动进行更复杂的分析，越下层的分析便越精确，但是相对，所花的时间也会增加，耗费时间从第一、二层的几毫秒到第三层的数秒，第四层数分钟甚至是大资料分析的数小时。
微软表示，Windows Defender Antivirus用了许多不同演算法来侦测恶意软件，有一些是二元分类器，结果便是非0即1，有一些则是多元分类器，做出机率性的结果，像是分类恶意软件、乾净档案、可能不需要的应用程式等类型。每一层的机器学习都被训练来侦测不同的程式特徵，有些需要负责数百个特徵，有些则需要侦测数十万个特徵。
在倒金字塔分层恶意软件侦测模型，最快动作的分类器便是本机端启发式与通用型侦测，用来侦测特定事件（Events）发生时的静态属性（Static attributes），当第一层分析结果为未定论，Windows Defender Antivirus便会把档案放到沙盒中执行，藉由分析其运作时的行为，这个阶段微软称他为引爆式分析，或是称为动态分析。
（下图）执行引爆式分析的时候，Windows Defender Antivirus会记录像是注册档变更、档案的产生与删除甚至是程序注射等动态特徵，并把这些特徵供给其他机器学习模型使用，而其他的机器学习模型便可以综合动态与静态特徵，做出更加可信的预测。
微软举了一个14分钟防护勒索软件的例子。2017年10月14日早上11点47分，在俄国圣彼得堡的一名Windows Defender Antivirus的使用者，从一个恶意网站下载了一个名为FlashUtil.exe的档案，这看似是一个Flash的更新软件，实则是Tibbar勒索软件。
Windows Defender Antivirus本机端认为这是一个可疑的档案，便查询云端防护服务，发现有几个元资料机器学习模型认为此档案有嫌疑，但是不到需要阻挡的层级。於是Windows Defender Antivirus暂时锁住档案，并将完整档案上传处理，等待发落。
数秒钟後，经过多重深度类神经网路的样本分析机器学习模型回传结果，认为这个档案有81.6％机会是恶意软件，但是Windows Defender Antivirus设定阻挡的阈值是90％，因此档案仍可以继续执行。但与此同时，全世界已经有8位受害者电脑被勒索软件控制，不过也因为勒索软件在这些受害者的电脑上运作，让Windows Defender Antivirus有机会进行引爆式分析，纪录勒索软件的动态特徵，当多重深度类神经网路再次分析这些动态特徵时，对於预测此档案是恶意软件的信心高达90.7％，云端防护便开始在发布封锁指令。
就在11点31分，Windows Defender Antivirus取得了这个新的勒索软件的第一滴血。第10位使用者在乌克兰下载了同样的勒索软件，Windows Defender Antivirus同样上传勒索软件的特徵，不过这次在查询云端防护系统後发现此为恶意软件，便封锁了这个档案而成功保护了使用者的电脑。从发现恶意软件到防护中间历时14分钟。
