“AI+Security”系列第3期（五）：AI技术在网络安全领域的本地化应用与挑战

近日，由安全极客、Wisemodel 社区、InForSec 网络安全研究国际学术论坛和海升集团联合主办的“AI + Security”系列第 3 期技术沙龙：“AI 安全智能体，重塑安全团队工作范式”活动顺利举行。此次活动吸引了线上线下超过千名观众参与。

在活动中，天翼安全高级安全算法专家杨刚发表了题为 “AI 技术在网络安全领域的本地化应用与挑战” 的主题演讲，从网安与 AI 的技术特点、面临的挑战以及本地化之路和未来展望等维度进行了分享，使我们对智能浪潮时代 AI 赋能网络安全所带来的重大变化有了更为深刻的理解和认知。人工智能技术在网络安全中的应用，向我们展现了网络安全领域在智能时代的新发展和新机遇。

网安与AI的技术特点

“网络安全从“个人英雄”时代逐步演进，如今已经迈入AI驱动的智能化时代。在早期，网络安全主要依赖于个人黑客或小型团队的单点技术和点状防御，难以形成全面、系统的防御体系。然而，随着人工智能，尤其是大模型技术的引入，网络安全技术不断升级，行业进入了“无AI不网安”的新阶段。” 杨刚先生如是说。

人工智能技术在处理非结构化数据（如图像、文本和分子结构）方面具有显著优势，能够从海量数据中提取细节信息，从而实现复杂模式的识别和预测。这使得AI技术在网络安全中的应用超越了传统的规则和情报驱动模式，为安全防御注入了更多的智能化元素。借助AI的能力，安全系统可以从大数据中发现隐藏的威胁模式，预测未来的攻击趋势，并实现对复杂攻击行为的精确响应。

具体到网络安全的应用场景中，AI技术通常采用“整体优先，逐步深入”的分析策略，从宏观视角对安全态势进行评估，再深入到细节分析。例如，AI能够基于历史数据和实时监测信息，预测潜在威胁并识别攻击趋势，这种宏观与微观相结合的方式，使得安全防御体系能够更加全面和高效地应对复杂多变的网络攻击。

然而，尽管AI技术为网络安全带来了新的发展机遇，但其应用也伴随着许多不确定性和挑战。AI模型的训练和应用需要大量的高质量数据和强大的计算能力，同时，如何保障模型输出的可靠性和可解释性也是企业面临的难题。要更好地应用这些技术，企业需要在数据管理、模型优化和实际部署等方面不断探索和改进。

挑战与本地化之路

现阶段，人工智能AI技术应用于网络安全领域面临着如下典型应用挑战：

1. 数据挑战

格式挑战：AI技术擅长处理非结构化数据，如图像和文本，但网络安全数据通常具有高度结构化的特点，且数据维度差异较大。这种数据格式上的差异，使得AI算法在应用于网络安全时遇到障碍。安全数据的多样性和复杂性对AI模型的解析和理解提出了更高要求。

体量挑战：网络安全数据种类繁多，难以涵盖所有可能的攻击类型。模型训练数据的不足会导致AI模型的泛化能力不足，即模型只能对特定场景表现良好，无法有效识别未见过的攻击行为。此外，数据来源的局限性容易使模型陷入“捷径学习”误区，即模型只学习到表面特征，无法真正理解攻击行为的本质。
定义模糊挑战：网络安全中关于概念和技术的定义往往不够明确。例如，病毒、木马和蠕虫等恶意软件的定义存在交叉，而高级持续性威胁（APT）的识别标准也不统一。这种定义上的模糊性导致数据标注时容易出现偏差，进而影响模型的训练效果和准确性。

2. 模型训练与标注挑战

动态标注：网络安全环境复杂多变，传统的静态数据标注方式难以适应实际需求。为提升数据标注的准确性和有效性，需采用精细化切分、规则过滤和弱监督聚类等动态标注方法。这些方法能够根据不同场景和需求灵活调整标注策略，使模型在处理复杂数据时具有更高的精准度。
算力瓶颈：AI模型在运行时通常需要大量的计算资源，但网络安全产品的硬件性能往往难以满足这一需求，安全产品部署到实际环境中时无法支持复杂模型的高效运行。因此，在有限算力条件下，如何优化模型性能，如何将AI模型的能力有效应用在当前安全产品中，成为AI技术在网络安全领域应用的关键挑战。

3. 解释性与运维挑战

AI模型的“黑箱”特性使得其决策过程难以解释，这对安全事件的因果分析和模型决策的可解释性提出了挑战。为了提升AI模型的透明度和信任度，可引入三种解释性机制：

全局解释：通过全局数据集中的特征交互关系，解析模型的整体决策逻辑，使用户能够了解模型的决策依据。
因果解释：对模型中特定决策进行局部解释，分析单个样本或样本组的具体行为及其影响因素。
增强认知：利用AI模型对数据进行深度分析与归纳，帮助安全人员更好地理解安全事件，提高对模型的信心和信任。

针对上述挑战，杨刚先生表示，AI技术在网络安全领域的应用需要进行本地化处理，以更好地满足实际需求。以下是几项关键的本地化策略：

数据层面的处理： 根据网络安全数据的特性，采取适当的解析策略，提取完整且具备代表性的样本特征。在此过程中，需特别关注非字符化特征，如流量模式和通信行为，从而保证数据在AI模型训练中的有效性和准确性。
模型层面的优化：为应对算力不足的问题，将AI模型具体化为情报和规则，便于在实际环境中部署和应用。这种优化策略能够在低算力场景中保持模型性能的同时，提升其对复杂安全事件的应对能力。
部署层面的分布式设计：构建分布式探针与智能引擎相结合的安全防御体系。通过将流量探针、终端探针、蜜罐和测绘系统联动部署，形成集中调度的安全防御网络，从而提升安全事件响应的及时性和防御的整体性。
运维层面的解释性提升：通过引入多种解释性机制，提升对AI模型决策过程的理解，确保模型输出结果的透明性和可解释性。这不仅有助于提升安全人员对模型的信任度，还能满足安全监管和合规审计的需求，为企业安全运维提供更加可靠的保障。