重新思考AI时代的安全防护

导语：微软推出Project Perception智能体安全系统，将信号、上下文、模型和专用智能体整合为持续学习的防御体系，以AI抵御AI，于8月3日开放公共预览。

网络安全的底层逻辑正在发生改变。自治系统如今能够进行推理、适应并持续运行。与此同时，攻击的成本正在不断下降，而需要保护的对象在数量、速度和复杂性方面却持续增长。攻击者可以更快地生成漏洞利用、更大规模地发起攻击行动，并以前所未有的效率运作。那些为人类操作者世界而构建的安全方法，已经无法跟上AI、智能体和机器速度攻击的节奏。

安全防护需要一套全新的网络安全堆栈。这套新堆栈必须能够持续感知整个数字资产的风险，在海量上下文中进行推理，并以机器速度采取行动。它必须随着环境的变化不断学习和适应，帮助组织始终领先于威胁。并且，由于安全归根到底是人类的使命，它必须以更深入的洞察和更强大的行动方式来增强防御者的能力。下一代安全系统的决定性特征，不是它们能否生成更多的告警，而是它们能否持续地感知、推理和行动。

这一愿景促使我们构建了Project Perception——一套为AI现实场景而设计的全新智能体安全系统。它利用AI将各类信号转化为实时防护能力，以AI抵御AI。Project Perception将信号、上下文、模型和专用智能体整合为一个持续学习的防御体系。它能够在机器速度下进行推理、确定优先级并采取行动，同时将人类牢牢置于控制核心，并通过强大的新工作流为人类赋能。

Project Perception基于一个简单的理念：有效的防御需要持续理解攻击者如何看待世界、防御者如何评估风险，以及防护能力如何随时间改进。为此，Perception协调三类专用智能体：红队智能体在攻击者利用之前识别潜在的入侵路径；蓝队智能体进行调查、基于上下文进行推理，并判定哪些代表真正的风险；绿队智能体采取纠正措施并强化整个环境的防御。这三类智能体协同工作，形成一个闭环系统，持续发现、评估并改善组织的安全态势。

像Project Perception这样的系统，其有效性取决于其可见性、可执行的操作、构建团队的经验以及可用的模型。微软同时具备了这四方面的能力。我们跨越身份、终端、应用、数据、云和AI系统进行观察，在整个数字资产范围内提供广泛的可见性。同样重要的是，我们能够帮助客户在这些环境中采取行动。结合数十年的安全研究、威胁情报和保卫组织的真实运营经验，这些能力塑造了Project Perception如何进行推理、确定优先级并做出响应。

安全是一项全天候的使命。组织需要高效、持续可用且经济可扩展的保护。这不仅需要访问最强大的模型，还需要将合适的模型应用于合适的任务。Project Perception采用多模型架构，结合了前沿模型和专用网络安全模型，在质量和成本两方面进行优化。作为这一多模型战略的一部分，我们致力于为客户提供针对每项安全任务的最佳模型，包括通过我们自有的专用模型进行创新。首个应用场景是软件漏洞管理，将MAI-Cyber-1-Flash引入MDASH——我们的软件漏洞多模型智能体团队。搭载MAI-Cyber-1-Flash的MDASH在行业领先基准CyberGym上取得了96%的成绩，比Mythos高出12个百分点。而同一配置相比当前市场上MDASH配置节省了近50%的成本。这就是经过精心调优、拥有独特丰富历史训练数据的多模型系统的强大之处。接下来，Project Perception将利用MAI-Cyber-1-Flash支持更多安全场景，而不仅限于软件漏洞管理。

我们将于8月3日将这一愿景通过Project Perception带给全球客户，届时该产品将进入公共预览阶段。

面向智能体安全的网络安全堆栈

实现智能体安全不仅仅是将智能体添加到现有工作流中，而是需要一套从零开始设计的全新网络安全堆栈。该堆栈从跨数字资产的信号和传感器开始；安全上下文将这些信号转化为智能体可以使用的、对token高效的语义理解；模型提供智能和推理能力；协调框架在安全工作流中协调模型和智能体；智能体将智能应用于安全工作流；执行器将决策转化为保护措施。这些层级共同构成了一个持续学习的系统，能够理解风险、适应变化的条件并持续改善安全成果。虽然每一层都提供了重要能力，但Project Perception的强大之处在于它们如何协同工作。

有效的推理不仅需要原始信号，还需要上下文。微软将其广泛的可见性、威胁情报和安全专业知识转化为安全上下文，将数字资产中的安全数据、知识和语义关联起来。其结果是一个持续更新的组织资产、身份、关系、风险和活动的表示，使智能体能够共享近实时的环境理解。这一共享理解是Project Perception运作的基础。与其迫使智能体持续从原始信号中收集、关联和重建上下文，它为智能体提供即时且token高效的信息访问，使其能够对风险进行推理、确定行动优先级并做出决策。通过将每一次交互都植根于这一丰富的安全上下文中，Project Perception提高了推理的准确性和一致性，同时降低了大规模运营所需的时间、算力和成本。没有单一模型能够胜任每一项安全任务。有效的网络防御需要在正确的时间将正确的模型应用于正确的问题。