重新思考AI时代的安全

导语：微软宣布Project Perception——一款面向AI时代的智能体安全系统，将于8月3日进入公开预览。

网络安全的基本规律正在发生变化。自主系统如今能够进行推理、适应并持续运行。同时，攻击的成本在不断下降，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、更大规模地扩展攻击活动，并以前所未有的效率运作。为人类行为者所构建的方法，已经无法跟上由AI、智能体和机器速度攻击所构成的世界。

安全需要一个全新的Cyber Stack。这一新的Cyber Stack必须能够持续感知整个数字资产的风险，跨越海量上下文进行推理，并以机器速度采取行动。它必须随着环境的演进而学习与适应，帮助组织始终领先于威胁。并且，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放大防御者的能力。下一代安全系统的决定性特征不是其生成更多警报的能力，而是其持续感知、推理和行动的能力。

正是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（agentic）安全系统。它将信号转化为实时保护，使用AI来防御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，同时让人类牢牢掌握控制权，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运作。红队智能体在攻击者利用之前识别潜在的入侵路径；蓝队智能体展开调查、对上下文进行推理，并确定哪些代表有意义的风险；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、评估并提升组织的安全态势。

像Project Perception这样的系统，其有效性取决于其可见性、可采取的行动、构建团队的经验以及可用的模型。微软同时具备这四个方面的能力。我们在身份、终端、应用程序、数据、云和AI系统之间进行观测，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、威胁情报以及在真实世界中为各组织提供防御的运营经验，这些能力塑造了Project Perception进行推理、确定优先级和响应威胁的方式。

安全是一项全天候的使命。组织需要高效、持续可用且经济上可扩展的保护。这不仅需要获得最强大的模型，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，结合前沿模型和专用网络安全模型，在质量与成本之间寻求优化。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的最佳模型，包括通过我们自己的专用模型进行创新。第一个场景是软件漏洞管理，即将MAI-Cyber-1-Flash引入我们软件漏洞的多模型智能体团队MDASH。配备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。而同一配置比目前市场上MDASH的配置节省了近50%的成本。这就是经过良好调优、拥有独特丰富历史训练数据的多模型系统的力量。接下来，Project Perception将在更多安全工作流中利用MAI-Cyber-1-Flash，而不仅仅局限于软件漏洞场景。

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。

为智能体安全构建的Cyber Stack

交付智能体安全不仅仅是将智能体添加到现有工作流中。它需要一个从零开始设计的全新Cyber Stack。该栈从跨数字资产提供感知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token高效理解。模型提供智能与推理。Harness协调安全工作流中的模型和智能体。智能体将该智能应用于安全工作流，执行器将决策转化为保护措施。这些层共同创建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，并随时间改进安全结果。虽然每一层都提供了重要能力，但Project Perception的力量来自各层协同工作的方式。

有效的推理不仅需要原始信号，智能体需要上下文。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，将安全数据、知识和语义连接到整个数字资产之中。其结果是组织资产、身份、关系、风险和活动的持续更新的表示，使智能体对它们所帮助防御的环境拥有共享的、近乎实时的理解。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，它为智能体提供了即时且token高效地访问它们推理风险、确定行动优先级和做出决策所需信息的能力。通过将每一次交互都置于这种丰富的安全上下文之中，Project Perception在提高推理准确性和一致性的同时，降低了大规模运行所需的时间、算力和成本。没有单一模型能在每个安全任务中都达到最优。有效的网络防御需要将合适的模型在合适的时间应用于合适的问题。