以AI速度守护Microsoft：SFI如何主动强化我们的云

导语：Microsoft介绍了其在安全未来倡议（SFI）框架下构建的多智能体AI系统，该系统以AI速度持续评估并主动强化云基础设施，能够发现传统方法难以捕捉的跨域复合漏洞。在短短数月的运行中，超过90%的发现经安全工程师确认为真实的安全问题。

AI模型已经达到了一个临界点，它们在漏洞发现、漏洞链构造以及概念验证生成方面展现出专家级的能力。随着AI驱动的漏洞发现技术日趋成熟，任何大规模构建或运行软件的机构都需要持续进行主动评估，以确保安全控制措施在生产环境中被正确部署、有效分层并按预期运行。

在Microsoft，我们将这些安全要求、威胁情报以及运营框架统一纳入我们的安全未来倡议（SFI），用以指导一个良好防御的云服务应有的样子。然而，定义要求仅仅是开始，满足要求意味着需要以AI速度对我们生产环境中的服务进行持续评估。

正因如此，Microsoft构建了一个多智能体AI系统，主动评估并强化我们的云基础设施，以匹配我们独特的超大规模生产环境所需的AI速度、规模、深度和质量。该系统专为根据我们的严格安全要求评估Microsoft自身云服务而构建，使我们的基础设施更难被攻破。虽然这是一个内部能力，并不会作为面向客户的产品或服务提供，但通过这项工作所获得的见解和模式将为我们持续改进产品提供指导。该系统是对Microsoft安全生态系统中现有工具的补充。例如，该系统整合了来自代号MDASH等系统的代码级漏洞，并叠加配置、身份、网络和运行时上下文，以评估服务的整体安全态势。

漏洞不仅存在于代码中，它们还产生于服务构建、配置、部署和连接方式之间的相互作用。试想一个云服务：其应用代码通过了每一项安全审查，身份配置遵循最小权限策略，网络规则按设计限制入站流量。单独来看，每个组件都符合规范。但当系统作为整体进行评估时，可能会发现以下组合构成一个复合漏洞：过于宽松的服务间信任关系、令牌范围授予了超出服务所需权限的访问，以及一个将内部API暴露给相邻网络层的部署配置——这种复合漏洞是任何单一组件审查都无法发现的。

该系统的核心采用多层智能体架构：用于工作流管理的编排智能体、专注于安全推理并以Microsoft威胁情报（包括新兴模式和威胁行为者活动）为依据的分析智能体，以及在代码仓库、基础设施定义、身份配置、运行时设置、网络拓扑和实时资源状态之间进行调查的证据收集智能体。这种多阶段分析的结果是对每个服务形成的全面安全理解，超越了任何单一分析方法所能提供的范围。与传统的人工安全审查需要数周相比，该系统将同等深度的分析压缩到数小时内。

该系统采用模块化模型接口，能够利用新出现的前沿能力。新模型、增强的规划和执行能力可以在稳定的智能体接口背后集成——保留现有工具、编排、知识、流水线、报告和治理机制。系统使用"假设性"智能体构思方法，对风险进行组合式推理。它显式地探索单个安全缺陷如何链式组合成多步攻击路径。例如，身份配置中一个小的错误配置，加上看似无关的网络暴露，以及缺失的数据加密控制，三者结合可能引发严重的安全事件。现代攻击通常是复杂的攻击链而非单一漏洞，该系统正为帮助识别和分析这些攻击而设计。通过并行运行多样化模型和大规模推理试验，该系统探索了广泛的场景空间，这是传统静态分析或单次扫描工具无法覆盖的。

云服务并非千篇一律，因此安全分析也不应一刀切。该系统不是应用固定检查清单，而是为每个被分析的服务构建特定的理解。它深度剖析服务——识别其组件、映射数据流、定位信任边界，并根据该服务独特的架构和风险特征确定应适用的安全控制。如果服务采用了新颖的模式、跨多个代码库的微服务架构或智能体到智能体的通信模型，系统会调整其分析以适应这些模式。这种由当前SFI要求指导的自适应方法意味着，系统能够应对不符合传统安全检查清单的新兴云范式。

SFI的一个关键关注领域是分层防御。系统会提出两个问题："存在哪些漏洞？"以及"该服务在哪些地方缺乏多层防御？"。它评估关键安全域是否具有重叠且健壮的控制，并标记任何缺失或脆弱的层级——即使没有发现立即可利用的攻击。例如，系统将突出显示以下场景：即使没有已知攻击，服务可能存在薄弱的网络分段或过度宽松的管理员角色，因为这些缺口意味着单点失败就可能导致安全受损。这种前瞻性的"假设失陷"分析体现了SFI所强化的零信任和深度防御原则。在AI辅助的攻击者能够更快地枚举系统并更系统性地串联弱点的时代，确保冗余的安全防护变得日益关键。

系统的核心是SFI工程和安全原则：这是一套结构化的安全要求，由Microsoft多年来加固基础设施的经验塑造而成。这些要求指导系统的评估内容、风险推理方式以及所生成的建议。当安全期望发生变化时——无论是应对新一类威胁还是整合补救过程中的经验教训——系统的推理也会随之演进。保障树是我们表达这些要求的方式：一个结构化、分层的安全控制映射，系统期望服务具备这些控制，并根据该服务的使用和设计进行定制。

当系统剖析一个云服务时，它会生成一个针对该服务定制的保障树。树的顶层是映射到SFI支柱的基本安全域。每个域被递归分解为更细粒度的、针对该服务定制的控制和子控制。例如，身份安全会分解为密码策略、OAuth令牌处理和MFA强制执行等控制——一直细化到验证服务的代码是否正确校验JSON Web Token的颁发者和过期时间。保障树指导系统的证据收集智能体验证成千上万的预期控制是否到位且有效——或者识别缺失之处。

这种方法将安全从一个开放式的寻找过程转变为对SFI要求的系统性验证：系统本质上在询问"应该保护此服务的所有安全措施是否都已正确实施？"。关键的是，它更进一步——考虑各个缺陷如何组合，帮助确保即使缺失控制的组合也能被识别和解决。在短短几个月内，该系统已经帮助Microsoft安全工程团队主动加固了我们的云服务。它生成的发现和建议由我们的安全工程团队进行验证和实施。由于系统结合上下文评估整个服务并在揭示问题之前推理每个问题的严重性和可利用性，其发现已被证明具有高质量和可操作性：超过90%的发现经过我们的安全工程师确认为真实的安全问题，使我们能够主动改进安全态势。与发现的数量和精确性同样重要的是发现的性质。系统发现的许多问题是传统方法无法捕获的、跨域的细微漏洞。例如，系统已经揭示了只有在同时考虑代码、配置和云资源时才会显现的安全缺口——而这种问题是孤立扫描或合规检查清单所遗漏的。