重新思考AI时代的安全

导语：Microsoft 推出面向 AI 时代的智能体安全系统 Project Perception，通过红队、蓝队、绿队三类智能体协同构建持续学习的防御闭环，并采用多模型架构将 MAI-Cyber-1-Flash 引入 MDASH，在 CyberGym 基准上达到 96%。

网络安全的物理法则正在改变。自助系统如今已能推理、适应并持续运行。与此同时，攻击的成本不断下降，而需要保护的对象在数量、速度和复杂度上持续增长。攻击者可以更快地生成漏洞利用，进一步扩大攻击活动的规模，并以空前的效率运作。那些为人类行为者构建的方法，已无法跟上由 AI、智能体和机器速度攻击构成的新世界。

安全需要一个新的网络技术栈。一个新的网络技术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。它必须能够随着环境演变而学习和适应，帮助组织始终领先于威胁。而且，由于安全归根结底是一项人类使命，它必须以更深入的洞察和更强有力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，不在于其生成更多告警的能力，而在于其持续感知、推理和行动的能力。

这一愿景促使我们构建了 Project Perception。这是一个专为 AI 现实设计的全新智能体安全系统。它利用 AI 将信号转化为实时防护，以 AI 抵御 AI。Project Perception 将信号、上下文、模型和专用智能体汇聚为一个持续学习的防御系统。它能够以机器速度进行推理、确定优先级并采取行动，同时牢牢将人类置于掌控之中，并通过强大的新工作流赋能于人。

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，以及防护措施如何随时间改进。为此，Perception 协调三类专用智能体协同工作。红队智能体在攻击者利用之前识别潜在的入侵路径；蓝队智能体调查、推理上下文，并确定何为有意义的风险；绿队智能体采取纠正措施并加强整个环境的防御。这些智能体协同工作，形成一个闭环系统，持续发现、评估并改进组织的安全态势。

Project Perception 这类系统的有效性取决于其可见性、可采取的行动、构建团队的经验以及可使用的模型。Microsoft 兼具这四项能力。我们在身份、端点、应用程序、数据、云和 AI 系统之间进行观察，提供跨整个数字资产的广泛可见性。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、威胁情报以及保护组织的真实运营经验，这些能力塑造了 Project Perception 如何推理、确定优先级和做出响应。

安全是一项 24/7 的使命。组织需要高效、持续可用且经济可扩展的保护。这不仅需要访问最有能力的模型，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，结合前沿模型和专用安全模型，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每个安全任务所需的最佳模型，包括使用我们自己的专用模型进行创新。第一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 上达到 96%，高于 Mythos 12 分。同样的配置相比当前市场上的 MDASH 配置，可节省近 50% 的成本。这正是调优良好的多模型系统结合独特丰富的历史训练数据所释放的力量。接下来，Project Perception 将利用 MAI-Cyber-1-Flash 支持更多安全工作流，覆盖软件漏洞以外的更多场景。

我们正通过 Project Perception 将这一愿景带给全球客户。该系统将于 8 月 3 日进入公开预览。

为智能体安全打造的网络技术栈

实现智能体安全不仅仅是将智能体添加到现有工作流中，更需要从零开始构建一个全新的网络技术栈。该技术栈从跨数字资产提供感知能力的信号和传感器开始。安全上下文将这些信号转换为智能体可以使用的、对 token 高效的理解。模型提供智能与推理能力。协调框架跨安全工作流协调模型和智能体。智能体将这种智能应用于安全工作流，执行器则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、适应不断变化的条件并持续改进安全结果。虽然每个层级都提供了重要能力，但 Project Perception 的力量来自它们协同工作的方式。

有效的推理不仅需要原始信号，智能体还需要上下文。Microsoft 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、知识与语义关联起来。其结果是组织资产、身份、关系、风险和活动的持续更新表征，使智能体能够对所防御的环境形成共享的、近乎实时的理解。这种共享理解是 Project Perception 运作的基础。它无需迫使智能体持续从原始信号中收集、关联和重建上下文，而是为其提供即时且对 token 高效的访问，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基于这种丰富的安全上下文，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。没有单一模型能够对每个安全任务都是最优的。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。