引言

本文论题为《智能防线：AI 驱动的网络空间防御体系》，主要从人工智能在网络空间安全智能防御体系中的现状、挑战、机遇与应用前景等方面综合阐述 AI + 智能防御的理念。

网络安全目前面临的挑战

网络安全目前面临的挑战主要包括以下几个方面：

• 攻击技术日趋复杂：随着网络技术的不断发展，攻击者在攻击技术方面也不断创新，采用了更加复杂、隐蔽的攻击手段，传统的安全防护措施难以有效应对。例如，勒索软件攻击、供应链攻击、零日漏洞攻击等，都对网络安全造成了严重威胁。
• 攻击目标日益扩大：随着网络技术的普及应用，网络空间已经成为人们工作、生活的重要场所，各种重要信息和系统都存储在网络空间中。攻击者不仅针对政府、企业等重要机构，也针对个人、家庭等普通用户发起攻击，攻击目标日益扩大。
• 攻击动机多样：攻击者的动机也越来越多样化，不仅有窃取数据、破坏系统等传统动机，还有破坏社会秩序、影响国家安全等动机。这也给网络安全防护带来了更大的挑战。
• 安全人才短缺：网络安全人才是网络安全防护的重要力量。随着网络安全形势日趋严峻，对网络安全人才的需求也越来越大。然而，目前我国网络安全人才短缺的现状依然存在。

AI 在解决网络安全问题中的潜力

人工智能（AI）在解决网络安全问题方面具有巨大的潜力，可以有效应对上述挑战，

针对攻击技术日趋复杂的挑战，AI可以通过以下方式发挥作用：

• 提高威胁检测和分析能力。AI可以利用大数据分析技术，从海量数据中发现潜在的威胁，并对威胁进行深入分析，识别其攻击意图和行为模式。
• 开发新的安全防护技术。AI可以用于开发新的安全防护技术，例如基于机器学习的防火墙、入侵检测系统等，这些技术可以更加有效地防御复杂、隐蔽的攻击。

针对攻击目标日益扩大的挑战，AI可以通过以下方式发挥作用：

• 提高安全防护的自动化水平。AI可以用于自动化执行安全防护任务，例如漏洞扫描、威胁情报分析等，从而减轻安全人员的工作负担，提高安全防护的效率。
• 提高安全防护的针对性。AI可以根据不同目标的特点，制定针对性的安全防护措施，从而提高安全防护的效果。

针对攻击动机多样化的挑战，AI可以通过以下方式发挥作用：

• 提高安全防护的综合性。AI可以用于综合运用多种安全防护措施，从而提高安全防护的综合效果。
• 提高安全防护的弹性。AI可以根据攻击动机的变化，调整安全防护措施，从而提高安全防护的灵活性。

针对安全人才短缺的挑战，AI可以通过以下方式发挥作用：

• 辅助安全人员工作。AI可以用于辅助安全人员执行安全防护任务，从而提高安全人员的工作效率。
• 自动化执行安全防护任务。AI可以用于自动化执行安全防护任务，从而减轻安全人员的工作负担。

总体而言，AI具有强大的学习和分析能力，可以有效应对网络安全面临的各种挑战，为提高网络安全水平提供新的思路和途径。

AI 对网络安全的革命性影响

AI 技术的简要概述

人工智能的潜在目标或定义：

• 思维模仿（Thinking Humanly）：通过人工智能技术使计算机系统能够模仿人类思维模式，包括推理、学习、问题解决等方面。
• 行为模仿（Acting Humanly）：使计算机系统能够表现出类似人类行为的特征，如语言交流、感知环境、执行任务等，以实现与人类的自然交互。
• 性思考（Thinking Rationally）：通过逻辑推理、推断和问题求解等技术，使计算机能够以理性的方式思考和决策，而不仅仅是模仿人类的行为。
• 理性行为（Acting Rationally）：使计算机系统能够基于逻辑推理和准则行动，以实现在特定环境下最优化的决策和行为，而不一定模仿人类的行为方式。

AI 在网络安全中的应用案例

人工智能（AI）在网络安全领域的应用日益广泛，以下是目前部分应用场景

• 威胁检测和分析：基于机器学习的威胁检测和分析系统，这些系统可以从海量数据中发现潜在的威胁，并对威胁进行深入分析，识别其攻击意图和行为模式。
• 安全防护：基于机器学习的防火墙、入侵检测系统等，这些技术更加有效地防御复杂、隐蔽的攻击。
• 安全运营：自动化执行安全运营任务，例如漏洞扫描、威胁情报分析等，从而减轻安全人员的工作负担，提高安全运营的效率。

AI 在提高网络安全性能方面的潜在优势

AI在提高网络安全性能方面具有许多潜在优势，其中一些包括：

• 实时威胁检测：AI可以实时监测和分析网络活动，并快速检测到潜在的安全威胁，从而提高威胁检测的速度和准确性。
• 智能自动化响应：借助AI的自动化能力，可以快速响应安全威胁，自动隔离受感染的设备或阻止恶意流量，从而加快安全事件的响应速度并降低潜在的损失。
• 异常行为识别：AI可以识别网络中的异常行为模式，并自动发出警报或阻止可疑的活动，从而帮助提高对新型威胁的识别能力。
• 自动化安全补丁管理：AI可以帮助自动管理系统和软件的安全补丁更新，确保网络中的设备始终处于最新的安全状态，从而减少由于漏洞和脆弱性导致的安全风险。
• 大规模数据分析：AI可以分析和处理大规模的安全数据，从而识别出潜在的威胁模式和趋势，帮助提前预防未来可能的网络安全威胁。
• 智能身份验证和访问控制：AI可以实现更强大的身份验证和访问控制，包括基于生物特征的身份识别和行为分析，从而提高网络中数据和资源的安全性。

通过利用这些潜在优势，AI可以在提高网络安全性能方面发挥重要作用，帮助组织应对日益复杂的网络安全威胁和风险。

大语言模型带来的行业冲击与变革

从 2018 年的 GPT-1，到 2022 年 11 月正式发布的 ChatGPT，再到 2023 年 3 月发布的最新 GPT-4，大语言模型的浪潮也给网络安全行业带来巨大的变革， 包括但不限于以下几个方面：

• 增强攻击能力：恶意行为者可以利用大语言模型的能力来生成更真实、更具欺骗性的网络钓鱼邮件、虚假信息以及伪造的内容，使得传统的安全防御手段变得更加困难。
• 智能安全防御：大语言模型的引入推动了智能安全防御技术的发展，使得安全防御系统具备更强大的自动化和智能化能力，能够更准确地识别和应对复杂的网络安全威胁。
• 数据隐私挑战：大语言模型在训练过程中需要大量的数据，这可能涉及到大量的个人隐私信息。网络安全行业面临着确保这些数据安全的挑战，包括加强数据保护、隐私保密和安全存储等方面的工作。
• 新型安全解决方案：针对大语言模型带来的新型安全挑战，网络安全行业不断探索并研发新的安全解决方案，包括基于AI的安全分析、大数据分析技术、以及对抗生成网络（GAN）等技术的应用，以提升网络安全的防御能力。
• 人才需求变化：随着大语言模型技术的不断发展，网络安全行业对具备AI技术背景的专业人才的需求日益增加，这促使了相关人才的培养和网络安全领域的人才结构调整。

总的来说，大语言模型的出现既带来了网络安全行业面临的新挑战，也催生了一系列新的安全解决方案和发展机遇，推动了网络安全行业朝着更加智能化、自动化和专业化的方向发展。

AI 治理下的网络安全挑战与未来展望

隐私保护与数据安全挑战

在当前以及即将到来的 AI 驱动下的智能防御体系中，网络安全隐私保护与数据安全面临着诸多挑战，包括但不限于以下几个方面：

• 隐私数据泄露风险：在AI分析和处理数据的过程中，存在着隐私数据泄露的风险，尤其是在涉及个人敏感信息的场景中，需要采取有效措施确保数据的安全性和隐私性。
• 数据访问控制困难：在复杂的网络环境下，管理和控制数据的访问权限变得更加困难，特别是当涉及多个数据源和多个AI模型的情况下，确保数据只被授权的人员和系统访问是一个挑战。
• 数据集成与安全性：在整合不同来源的数据用于AI分析时，需要解决数据的完整性、一致性和安全性问题，确保数据集成的过程不会导致数据泄露或篡改。
• 数据算法安全性：AI算法的安全性也是一个挑战，恶意用户可以通过操纵训练数据或者攻击AI模型来获取敏感信息，因此需要加强对算法的安全性分析和保护措施。
• 法规合规与数据安全：在数据传输和处理过程中，由于数据保护法规存在差异，合规性问题成为数据安全的重要考量因素，需要建立符合不同法规的数据安全管理制度。

为应对这些挑战，需要建立完善的数据安全管理制度和隐私保护机制，包括加密技术的应用、访问控制的强化、安全审计和监控系统的建立，以及遵循法规合规标准等措施，以确保在AI治理下网络安全隐私保护与数据安全得到有效维护。

建立可信的 AI 治理框架

可信的 AI 治理框架应该从以下几个方面入手：

• 数据治理：确保 AI 系统使用的数据安全可靠、符合隐私保护要求。
  • 制定数据采集、使用、存储、销毁等方面的规范，确保数据安全可靠、符合隐私保护要求。
  • 建立数据安全审计制度，定期对数据进行安全检查，发现和修复安全漏洞。
  • 完善用户隐私保护机制，保障用户的知情权、选择权和同意权。
• 算法治理：确保 AI 系统的算法透明可解释、公平无偏。
  • 要求 AI 系统的算法透明可解释，使用户能够理解 AI 系统的决策过程。
  • 建立算法公平性评估机制，确保 AI 系统的决策结果公平无偏。
  • 制定算法安全审计规范，定期对算法进行安全检查，发现和修复安全漏洞。
• 系统治理：确保 AI 系统的安全性、可靠性、可持续性。
  • 制定 AI 系统的安全设计规范，确保 AI 系统的安全性和可靠性。
  • 建立 AI 系统的安全测试机制，确保 AI 系统能够抵御常见的攻击。
  • 制定 AI 系统的安全应急响应预案，快速响应和处置安全事件。
• 伦理治理：确保 AI 系统的使用符合伦理规范。
  • 制定 AI 系统的伦理规范，确保 AI 系统的使用符合伦理要求。
  • 建立 AI 系统的伦理审查机制，确保 AI 系统的使用符合伦理规范。

面向未来的网络空间智能防御体系

提到智能防御体系，肯定离不开人工智能技术的加持。传统的人工智能在安全领域的应用局限于单点的小模型，无法在全局上把握安全态势，依然需要大量的安全专家投入海量数据的分析整合。在大模型介入之后，通过其优秀的文本理解能力和文本生成能力，有希望作为调度中台，扮演安全专家的角色，收集规则引擎或人工智能小模型的研判结果并分析上下文，确定安全事件后联动安全产品及时响应。

智能代理（Intelligence Agents）的概念并不陌生，借鉴斯坦福大学研究的 AI 小镇项目，结合大模型提出了生成式代理（Generative Agents）这一角色。根据他们的研究，建立 25 个独立的生成式代理，通过共享记忆等机制保证信息在代理间传递的统一性，实现了一个一定程度上自洽的社会。这个项目给力我们一定的启发，在智能防御体系中，我们也可以定向的训练出不同用途的生成式代理，它们各司其职，最终实现一个完整自洽的分析研判，联动防御的自动化系统。

为了实现这样的目标，需要进一步研究的技术包括：

• 网络安全知识的抽取和融合
  • 网络安全知识的来源广泛，包括漏洞库、病毒库、告警数据、安全厂商的检测结果、安全论坛、网络安全事件报告资产描述等，为构建大规模的网络安全知识大脑，需要首先从不同来源的网络安全数据中抽取知识，并对不同领域的网络安全知识进行有效融合。
  • 网络安全数据主要以文本数据、结构化数据、 半结构化数据等类型为主，可以采用人工智能技术对数据进行抽取。例如，可以使用word2vec 技术将文本中的单词转换为向量，结合卷积神经网络 （CNN），BiLSTM，条件随机场算法（CRF）等技术进行实体和关系识别，同时按照网络安全知识的类型进行分类，并将分类以后的实体和关系添加到对应网络安全知识的实例中进行保存。
  • 由于网络安全中用于训练的预料数据有限，可能无法覆盖所有的网络安全知识，因此需要根据已有的网络安全知识进行推理，生成新的知识。此类知识推理的方法主要包括两种，一种是自定义推理规则，根据预先制定的规则进行知识推理和演绎；第二种是采用智能化技术，根据已有的知识进行概率推理，计算新知识存在的概率。第一种方法需要人为地定义推理规则，可扩展性较差；第二种方法使用深度神经网络进行计算新知识存在的概率，可扩展性强，但是可解释性较第一种方法差一些。
  • 不同数据源抽取得到的网络安全知识可能会有不同的描述方式，因此需要对网络安全知识进行有效融合。常用的融合方法包括实体对齐、基于知识表示的消歧等，基本思想是将不同的网络安全知识库按照实体和关系的统一描述进行融合。
• 网络安全知识表示
  • 常用的知识表示模型包括符号逻辑、语义网、专家系统、知识图谱、MDATA 模型等，通过知识表示可以将网络安全中不同类型的知识描述为统一的形式，并可通过知识的向量化进行高效计算。
  • 知识图谱主要采用”< 实体，关系，实体 >”这种三元组形式对具体的知识进行表示。知识图谱能有效描述网络安全知识，但是当知识动态变化时，对应的三元组及相关联的知识很难及时更新。
  • MDATA 模型对实体之间的关系、属性的时空特性进行表达，从而有效表示网络安全知识的动态变化情况。具体而言，在关系和实体属性上增加了时间和空间特性，如某系统存在漏洞的知识，添加存在漏洞的时间区间，从而能更详细地表示系统的实际安全情况。网络攻击可能通过不同的 IP（网络 之间互连的协议）地址等，攻击事件中的 IP 地址等特性则作为网络安全知识中的空间特性。MDATA 模型通过对时间、空间特性的描述，可以表示出网络安全知识的动态变化过程。
• 网络安全知识大脑构建
  • 网络安全知识大脑的构建包括两部分：网络安全知识库（SeKG）和场景知识库（ScKG）。其中，网络安全知识库是通用的网络安全知识的集合，并且可以随时或定期更新补充；而场景知识库是特定知识的集合，可以依据仿真攻击的设定而定，也是描述具体攻击行为的知识库。
  • 网络安全知识库和场景知识库可以根据概念、实例、关系、属性、规则的五元组模型进行构建。
• 基于网络安全知识大脑的攻击事件研判
  • 网络空间防御面临的主要威胁是网络攻击，一般而言网络攻击可以分为单步攻击和复合攻击。单步攻击可以理解为针对某资产发动的离散的攻击，而复合攻击可以理解为是有多个单步攻击排列组合而成的，也就是说复合攻击有多个攻击步骤，而这些攻击步骤之间是有关系的，不是离散的、无关联的，攻击步骤之间有因果关系、顺承关系、选择关系等。
  • 单步攻击的研判相对而言简单，已有的基于规则、特征的检测方法能取得很高的成功率。而复合攻击的检测难度大，典型的复合攻击包括 APT 攻击等。复合攻击通常是以攻击链的形式发生的，可以看作是多个单步攻击的排列组合。
  • 使用网络安全知识大脑研判网络攻击时，可利用有限状态机，设置初始状态、中间状态、终止状态和触发条件，并添加容错机制，可以在缺失数据的时候仍然生成复合攻击的攻击链，在网络安全知识库和场景知识库的基础上，描述复合攻击的各个步骤之间的关系，然后根据攻击步骤的关系、时间先后关系、IP 的传播关系等来判断是否可以生成攻击链。如果满足，则输出复合攻击的攻击链，如果不满足，就去知识库中查找等价的步骤，或补充生成攻击链并输出。当输入的数据中存在误报和漏报的情况时，基于网络安全知识大脑的研判可以自动补全缺失的信息，生成一条完整的攻击链，从而提高攻击研判的准确率，为网络安全主动防御提供支撑。

结论与行动呼吁

总结 AI 在网络安全中的关键作用

网络空间安全相关的数据体量大、数据种类多、数据增长快，传统的分析技术在处理此类数据时效率低、准确率低。人工智能在处理海量数据、多源数据、动态数据等方面具有显著的优势，能助力于网络空间安全，提升网络防御能力。

• 海量数据的快速处理能力：网络空间安全相关的数据体量大，例如系统中保存的日志数据、网络流量数据等，处理如此海量的数据既需要庞大的算力支撑，也需要能处理如此海量数据的智能算法。由于人工智能技术能从海量数据中学习数据的特征，根据特征再对数据进行分类、聚类等处理，能大幅度提升效率和准确度。
• 多源异构数据的高效关联能力：网络安全相关的数据种类繁多、来源广泛，如通过传感器、网络爬虫、日志收集系统等能采集到不同类型的数据，从来源上数据类型可以分为环境业务数据、网络层数据、日志层数据、告警数据等类别，综合不同来源的异构数据进行综合分析能提升网络空间主动防御能力。
• 动态数据的实时在线处理能力：网络空间安全相关的数据增长速度快，时效性要求高。专家系统的缺陷在于专家知识更新慢，利用专家系统能快速检测已知的网络攻击，但是对于未知的网络攻击事件，专家系统的知识往往由于更新不及时，导致系统无法正确检测。此时，需要结合人工智能技术赋予的预测能力，对动态的数据设计在线算法，能够结合已有的网络安全知识和实时的数据判断当前的潜在网络攻击；根据已经发生的攻击事件和历史数据，建立攻击预测模型，预测未来可能发生的攻击行为，通过人工智能技术增强系统的预测能力，提供动态防御能力，提升网络安全事件的快速响应能力。

提出行动和解决方案

构建动态可扩展的网络安全知识大脑

• 充分利用人工智能技术在处理海量数据、多源异构数据、实时动态数据等方面的显著优势，构建动态可扩展的网络安全知识大脑，提升网络空间防御能力。
• 具体而言，针对网络安全知识描述中多实体、弱关系、时空复杂性和多来源等特点，对于结构化、半结构化和非结构化的数据，基于 MDATA 知识表示模型、网络安全知识语料库中的特定表达和网络安全知识之间特有的逻辑关系和对应关系，构建相应的网络安全本体模型，实现多领域知识的统一表示，相较于传统的知识图谱等知识表示模型，可提升融合效率和多领域动态知识统一表示的准确率。
• 在此基础上，针对半结构化数据和非结构化数据知识抽取难的问题，基于构建的本体模型，结合双向循环神经网络和条件随机场等深度学习方法，进行特征抽取、联合标记、类别标记等。对于未被识别出的本体进行人工抽取，从而确保基于本体模型生成的三元组知识在逻辑上是正确的，实现动态可扩展的网络安全知识大脑，为网络安全防御提供强大的具有自学习能力的知识库支撑。

推动有效网络攻击的智能化检测

• 针对网络攻击越来越智能化，大规模网络攻击越来越频繁，网络攻击的隐蔽性越来越高的特点，遵循网络攻击的基本规律，基于构建的网络安全知识库，实现复杂网络攻击的智能化检测算法。可将网络安全事件和攻击的基本信息存储于安全知识图谱中，通过采集数据与安全知识图谱进行匹配，根据状态的触发约束，可分析得到网络系统中的单步攻击和复合攻击。
• 一般而言，检测复合攻击时可以分析出攻击的当前阶段，无法确保输出完整攻击链，因此可进一步基于攻击规则库的复合攻击研判技术，将先验知识存入网络安全知识图谱和复合攻击规则库，基于大数据分析平台，通过采集数据与安全知识图谱进行匹配，再经过时空属性和复合攻击规则库的共同约束，从海量的数据中挖掘出有效的攻击链，并完善复合攻击的攻击链，实现自动化分析攻击目的和意图等。针对传统方法无法应对输入的数据中误报和漏报的情况，可以基于多模态数据的复合攻击研判，当输入的数据中存在误报和漏报的情况时，可以自动补全缺失的信息，并计算生成不同攻击链的概率，消除误报和漏报的影响。进一步，可通过网络仿真平台对攻击事件进行仿真，将分析结果与仿真攻击的信息进行对比，实现对有效网络攻击的智能研判。

评估人工智能技术的安全性，推动人工智能技术的良性应用

• 在制定人工智能的发展路线的同时应该要紧盯风险防御，加强对潜在风险的预判和研究，注重系统安全防御技术的发展，明确防御发展策略。
• 同时，应加强人工智能风险管理。人工智能自身存在的漏洞和人工智能技术的滥用是系统安全防御中很难避免的环节。自身存在的安全风险属于最致命的问题，应用越广泛，其带来的危害性也越大。系统安全防御技术要从人工智能技术自身入手，构建主动免疫的计算构架，尽可能地降低技术自身的漏洞危害，不断创新保持技术优势。

鼓励合作与跨界合作的重要性

人工智能最重要的因素是数据，然而受限于隐私和数据安全，注定了网络安全领域的数据难以共享，无法建立统一的数据集或语料库。单靠某一家安全公司或企业难以实现宏大的目标，所以需要有着完善及合作机制，甚至是实现跨界合作，集万家之所长。