数字时代：AI for Security系统工程认知罗盘图

前言

新事物、先认知，再共识，后工程——拥抱AI的安全起点

人工智能的热度持续升温，同样在安全行业居高不下。近年来网络和数据安全从业者最关心的问题逐渐清晰分为两类。

第一类，如何用AI来做好安全——用AI能力进行分析识别、风险治理、监测预警、威胁狩猎、深度调查、主动防御……我们把它称为“人工智能赋能安全”（A面），即 AI for Security。

第二类，关于AI自身的安全——模型被投毒怎么办？提示注入攻击怎么防？训练数据泄露如何应对？我们把他称之为“人工智能的安全”（B面），即Security of AI。

A面与B面同等重要，都是需要回答的问题。研究时间关系，今天我们先把目光聚焦在A面。因为，AI赋能安全远不是“部署一个大模型，安全能力就自动升级”那么简单。它涉及业务问题的精准识别、高质量数据的构建、多层算法的协同设计、成熟度的持续评估、与现有安全流程的工程集成，以及长期的运营迭代——这是一个不折不扣的复杂系统工程。

面对这个新事物，行业当前最稀缺的不是算法工程师，也不是算力资源，而是系统性的认知。不知道从哪开始、不知道成功标准是什么、不知道如何避免踩坑——这些不知道正是最大的障碍。任何新事物的落地，都要经历“认知→方法→工具→实践”的层层递进。第一步，永远是认知的达成。

在此背景下，中国信息协会信息安全专业委员会PCSA安全研究院/联盟，联合成员单位、行业用户和产业各方，开展了《数字时代：AI for Security 系统工程认知罗盘图》的研究工作，历时一年有余。它不是一份操作手册，而是一张帮助团队对齐认知、看清全貌、找到路径的研究成果，旨在为数安产业、行业用户和从业者提供一个AI赋能安全工作的参考指引。

先认知，再共识，后工程。这张罗盘图，就是我们拥抱AI的可能起点。

声明

本文及《数字时代：AI for Security 系统工程认知罗盘图》系列图中涉及的内容，包括但不限于文本、图片、数据、表格、观点等各种形式，已取得相关著作权，严格遵循国家网络安全法律法规、标准规范，均为互联网可公开查询资料，总结凝聚了行业共性经验，意在开展深度交流、学习及研讨。

科技创新、学无止境，尊重原创、尊重创新，转载、摘编使用本文图片、文字或观点等的应注明来源。未经授权许可，任何法人单位及个人不得用于商业目的使用。违反上述声明者，我司可追究其相关法律责任。

研究背景及主要挑战

人工智能的大趋势不可逆转，安全行业也在积极拥抱这一变革。大量企业已从“要不要用AI”快速进入“怎么用AI”的落地阶段。与此同时，人工智能正深度重塑数字世界的攻防格局：攻击者已率先利用AI实现自动化漏洞挖掘、智能钓鱼邮件、动态绕过检测等手段，其攻击频率、规模与隐蔽性呈指数级上升。AI赋能安全，业界需求极为迫切，但系统性的方法论普遍缺失。

早期网络安全本质上是人与人的对抗——攻击者与防御者依赖经验和工具进行博弈。随着自动化攻击工具和AI辅助攻击出现，对抗形态演变为人与AI的对抗：防御方仍以人工研判为主，攻击方却已借助AI放大效率与规模，这种不对称造成了当前安全效能的最大瓶颈。

安全业界逐渐认识到，单纯增加安全产品堆砌无法弥补这一悬殊差距。必须转向以AI对抗AI的新范式，将人工智能全面嵌入防御体系，实现分析、识别、预警、狩猎、调查、防御的智能化升级。然而，AI赋能安全并非“部署一个大模型，安全能力自动升级”的捷径。它涉及业务问题定义、数据治理、算法协同、系统集成、运营成熟度等多个复杂维度，是一个不折不扣的系统工程。当前行业最稀缺的不是算力或算法工程师，而是系统性的认知——不知道从哪开始，不知道成功标准，不知道如何避免工程烂尾。

挑战一：攻防起点严重不对等

攻击者已大规模使用AI：自动生成免杀木马、智能钓鱼话术、动态绕过WAF规则、批量漏洞挖掘与利用。防御方仍以传统手段（签名库、SIEM规则、人工研判）为主，响应速度、覆盖广度、分析深度与AI攻击差距呈指数级拉大。

核心难点：缺少量化评估模型来度量“落后多少”；也缺少明确路径从“人防”跨越到“以AI对抗AI”。

挑战二：安全业务问题识别不清

如果定义不清晰，AI就会成为“打哪儿指哪儿”的伪命题。实际安全团队面临四类典型痛点：

误报疲劳：海量告警中有效威胁不足1%，淹没真实攻击。

未知威胁发现慢：未知病毒、0-day、隐蔽隧道无法规则匹配。

响应滞后：从发现到阻断依赖人工编排，错过黄金时间。

高级隐蔽攻击：APT慢速扫描、离地攻击、合法工具滥用难以识别。

核心难点：企业往往不知道应从哪一类痛点优先切入，导致需求发散、技术选型失败。

挑战三：工程化思维缺失

多数组织习惯“买设备、堆产品”：EDR、NDR、防火墙、SOAR……以为加一个大模型就能自动升级。实际上AI赋能安全涉及数据、算法、算力、集成、运营五大子系统协同，任何一个断点都会导致整体失效。

核心难点：缺乏系统工程方法论——不会拆解能力域、不会定义接口、不会设计回环迭代，最终形成新的“AI烟囱”。

挑战四：数据底座不牢靠

企业拥有PB级日志、流量、告警数据，但AI需要的是场景驱动、高质量、带标签、可迭代的数据集。现实是：数据分散（多云/本地/不同格式）、严重脏污（缺失字段、时间戳错乱）、缺乏威胁真相标注（哪些是真的攻击？）。

核心难点：不知道如何构建用于AI的安全数据集——抽样策略、标签来源、正负样本平衡、持续更新机制均缺失。

挑战五：模型与工程脱节

算法团队追求的“99%准确率”在真实环境中可能变成“90%漏报+80%误报”。原因包括：

模型设计时未考虑推理延迟、算力成本、可解释性要求；

评估验证使用历史数据而非在线对抗数据；

工程化落地缺失MLOps流程：模型版本管理、A/B测试、在线反馈、自动重训。

核心难点：三个关键点（模型设计 → 评估验证 → 工程化落地）无法形成闭环，项目极易烂尾。

挑战六：运营配套缺失

很多AI安全系统上线后半年内无人维护：告警没人研判、模型漂移不修正、新攻击场景不更新、流程根本不配套。

流程配套：AI给出风险评分后，安全运维是否要人工复核？响应等级如何定义？

人员配套：缺少懂安全+懂AI的混合型工程师，也不会调优。

迭代机制：无定期重训、无对抗样本注入、无真实反馈闭环。

核心难点：从“建成系统”到“持续运转”之间的软性成本被严重低估，导致投入产出极低。

挑战七：团队共识无法拉齐

AI安全工程不是纯技术问题，涉及资源投入、数据共享、业务流程改造。实际情况是：

管理层认为“买个AI平台就能解决”；

业务部门担心数据外泄不肯开放样本；

安全团队抱怨模型不准；

开发团队认为需求总在变。

核心难点：缺少一个共享的认知框架——从目标、路径、成功标准到风险预期都不统一，导致资源无法聚焦、协同失败。

研究成果-认知罗盘图解读

《数字时代：AI for Security 系统工程认知罗盘图》核心思想可总结为“1+6+N+10+5”，即：1个目标定方向，6个象限建能力，N个要素拆细节，10大场景落价值，5步演进看路径。

1个总体目标：提效、提智、可控、可量

AI for Security 总体目标：提效、提智、可控、可量。提效突破人力不及，提智突破智力瓶颈，可控确保风险可控，可量实现价值可量——能力突破与可持续保障闭环，构成系统工程的核心目标。

提效：突破“人力不及”，面对日均数百万安全威胁与告警，安全事件堰塞湖与安全分析师严重不足的矛盾长期存在。通过应用AI能力实现自动化降噪、告警聚类、自动封禁与取证，将MTTD/MTTR从小时级压缩至分钟甚至秒级。

提智：突破“智力瓶颈” 未知行为、威胁、APT、多阶段攻击链、跨源关联分析等场景，传统规则和人工专家难以覆盖。通过应用AI能力以深度学习挖掘隐蔽特征、大模型理解攻击意图、图神经网络识别异常行为，突破人类认知天花板。

可控：确保风险可控，确保AI运行过程可控，识别并防范AI可能带来的误判、黑盒不可解释、被对抗攻击欺骗等风险。通过可解释性机制（如SHAP值、注意力热图）、人机协同兜底、模型鲁棒性测试、审计日志全记录，让AI安全可靠。

可量：实现价值可量。AI安全投入普遍较大，若无法证明ROI则不可持续。建立从成本到成效的全链路度量体系，涵盖模型推理成本/次、数据标注成本/有效样本、安全成效提升幅度。

6个关键象限：能力建设全生命周期

六个象限是一条从业务到价值的工程路径：象限1把“提效、提智”转化为具体场景和量化目标，象限2为场景准备高质量数据，象限3打造多层协同的智力引擎，象限4持续体检确保可控与可量，象限5让模型融入生产流程产生提效价值，象限6驱动数据飞轮并用度量证明ROI，顺序不可颠倒——业务定义不清则数据错位，数据质量差则模型无用，模型未验证就落地则可控可量皆为空谈，落地后不运营则前期投入全部浪费——这正是《数字时代：AI for Security 系统工程认知罗盘图》能力建设框架的核心理念认知、共识、实践。

象限1详解：安全业务问题识别

核心命题：做什么？为什么做？所有AI for Security 工程的起点不是技术，而是业务痛点。如果问题定义错误，后续数据、模型、落地全部偏离方向。

关键动作：梳理核心痛点，尤其当前安全工作中的“人力不及、智力瓶颈、能力局限、时间效率”——哪些是传统手段长期解决不了的？

筛选高价值AI场景：不是所有问题都适合AI。优先选择重复性高、模式可学、反馈闭环清晰的场景，如分析识别、风险治理、告警降噪、威胁狩猎、自动响应、恶意代码检测等。

定义量化标准：每个场景必须有可测量的目标，例如“准确率≥95%”“误报率降低80%”“MTTD从4小时降至10分钟”。

建立场景优先级矩阵：横轴为业务价值（高/中/低），纵轴为AI可行性（高/中/低），优先落在高价值+高可行区域。

常见误区：从技术出发：“我们有GPU集群，做一个大模型吧”——没有业务牵引的AI注定成为摆设。目标模糊：“提升检测能力”——没有量化指标就无法验证成败。

输出物：业务场景优先级矩阵、量化指标卡（每个场景一张卡，含成功标准、数据需求、预期收益）。

象限2详解：高质量安全数据集

核心命题：拿什么做输入，鲜活高质量数据、垃圾数据？AI模型的质量，归根结底由训练数据的质量决定。安全领域的数据尤其特殊：攻击样本稀缺、标注成本高、数据分布动态实时变化。

关键动作：规划业务数据、数据范围、数据获取手段、鲜活率，明确数据集，例如、业务与资产集、安全风险数据集、覆盖正常流量与攻击流量、不同时间段（工作日/节假日/攻防演练期）、不同环境、不同安全域。

采集多源数据：业务与资产数据、暴露面数据、日志（系统、应用、安全设备）、流量（PCAP、NetFlow）、终端（进程、文件、注册表）、身份（认证、权限）、漏洞扫描结果、威胁情报。

清洗与预处理：去重、缺失值处理、时间戳对齐、脱敏（避免隐私泄露）。

精准标注：尤其是业务关联数据、风险关联数据、安全攻击样本——需要业务专家确认业务系统、业务流，风险级别，需要安全专家确认攻击类型、攻击链阶段、是否真实攻击（而非误报）。标注质量直接决定模型能力上限。

建立数据版本管理：每次训练使用哪个数据集版本必须可追溯，支持回滚和比对。

隐私合规机制：满足《个人信息保护法》、GDPR等要求，敏感数据不出域。

核心原则：质量 > 数量：1000条精准标注的高知识浓度的数据，胜过100万条噪声数据。

闭环决定进化速度：采集 → 标注 → 训练 → 反馈 → 再采集，飞轮转得越快，模型越强。

输出物：可信数据管道（自动化采集、清洗、标注流程）、标注规范文档、数据质量仪表盘（覆盖率、标注一致性、时效性指标）。进一步可围绕分析识别库、资产关联库、安全风险库、安全能力库、安全日志库、安全知识语料库等公共基础库沉淀可复用数据资产，为后续模型训练、研判分析和运营闭环提供稳定底座。

象限3详解：安全算法模型设计

核心命题：怎么学？安全场景复杂多变，没有单一模型可以解决所有问题。需要构建多层协同的模型架构。

关键动作：根据场景选择模型类型，统计规则（如阈值、黑白名单）是属于快速兜底，可解释性强，适合已知威胁。专用小模型如孤立森林（异常检测）、图神经网络（关联分析）、Transformer（日志序列建模），适合特定任务，轻量高效。大模型安全大模型微调，适合语义理解、攻击意图推理、自然语言交互，但推理成本高。

设计模型：模型编排与调度机制——哪些请求走规则，哪些走小模型，哪些调用大模型；多个模型的结果如何融合（投票、加权、级联）。

嵌入可解释性工具：如SHAP值、LIME、注意力热图，让分析师理解模型为什么判定为攻击，便于人工复核和改进。

嵌入对抗防御机制：防范对抗样本攻击（如轻微修改恶意载荷使模型误判），包括对抗训练、输入校验等。

核心原则：没有万能模型，多层协同才是解。可解释性是安全AI的生命线——黑盒模型无法通过合规审计，也无法获得分析师信任。

输出物：模型选型报告（含对比测试结果）、模型编排架构图、可解释性方案（每种模型如何解释输出）。

象限4详解：成熟度评估与验证

核心命题：做得方向是否正确？基础条件和必要性条件是否具备？模型在实验室跑出99%准确率，不代表能在生产环境工作。必须建立持续性的评估验证体系。

关键动作：六维评估从预算、人力、数据、模型、算力、时间六个维度评估项目是否具备进入下一阶段的条件。

建立自动化测试基准集：包含历史真实攻击（覆盖多种攻击类型）、对抗样本（针对模型弱点的构造样本）、漂移样本（分布发生变化的数据，如新攻击手法）以及基础数据集

执行准入评审：模型性能达标（准确率、召回率、误报率满足指标卡）、鲁棒性通过（对抗样本防御成功率≥阈值）、可解释性满足要求（分析师能够理解判断依据）。

持续监控模型漂移：上线后定期检测数据分布变化、特征重要性偏移，一旦漂移超过阈值触发告警和重训。

核心原则：评估是持续性体检，不是一次性验收。模型上线后每个月都要复查。

输出物：六维评估报告（每个维度打分及改进建议）、准入/准出标准文档、漂移监控仪表盘（实时显示漂移指数）。

象限5详解：效能工程落地建设

核心命题：怎么用起来？模型再强，如果不能集成到现有安全业务流程中，价值为零。

关键动作：系统集成与SIEM、SOAR、EDR、XDR、NGFW等平台通过标准API或插件对接。确保模型能接收实时告警，也能下发处置指令。

流程编排：将AI研判结果嵌入安全响应Playbook。例如：高风险告警（AI置信度≥0.95）→ 自动隔离终端 + 自动取证、中风险告警（0.7~0.95）→ 推送待办给分析师复核、低风险 → 自动归档

可观测性建设：监控模型输入（数据质量）、过程（计算过程）、输出（置信度分布）、延迟（P99响应时间）、资源消耗（GPU/CPU/内存）、漂移指标（特征偏移）。任何异常可快速发现。

AI自身安全：防止模型成为新攻击面——实施严格的访问控制（谁可以调用模型）、审计日志（记录每一次推理请求和结果）、防提示注入（对大模型输入做过滤）、防模型投毒（校验训练数据来源）。

核心原则：不能集成的模型价值为零。工程落地是AI从“玩具”到“工具”的分水岭。

输出物：集成适配器（每个对接系统的插件）、可观测仪表盘（实时展示模型健康度）、AI安全治理规范（访问控制、审计、应急响应流程）。

象限6详解：持续运营迭代优化

核心命题：怎么长期更好？AI安全系统不是建完即止，而是持续进化的生命体。上线只是开始。

关键动作：建立数据飞轮、生产中的反馈回流，分析师对模型判断的修正（假阳性/假阴性标记）、误报/漏报的标记，定期汇入数据集。定期微调模型：每两周或每月基于新数据重新训练或微调，模型性能随数据增长而提升。

效能量化：每月/每季度计算关键指标——ROI：安全投入 vs 风险降低（如节省了多少分析师工时、避免了哪些损失）、MTTD/MTTR变化：与上一周期对比是否持续改善

自动化处置率：AI自动处理的安全业务场景、环节的比例。逐步提升自动化率

人才培养：安全团队：培训理解AI输出的含义、置信度、可解释性图表，知道何时信任AI、何时人工介入。

算法团队：培训理解安全业务逻辑、攻击者视角、数据标注规范，避免“脱离业务搞模型”。

体系融合：将AI成效纳入安全KPI（如模型贡献的自动化处置率、漏报率下降幅度），调整组织职责（设立AI安全运营岗、模型运维岗），优化协作流程（安全团队与数据团队的联合复盘机制）。

核心原则：AI是活体，上线只是开始。不运营的AI安全系统必然退化至不可用。

输出物：数据飞轮闭环SOP（反馈回流的标准操作流程）、效能量化仪表盘（月度/季度自动生成报告）、年度培训计划（安全+算法双向培训课程）。

N个核心要素： 认知为舵，工程为桨

磨刀不误砍柴工。AI for Security 不是一场技术竞赛，而是一场认知与工程的双向奔赴。每个象限的“认知视角”回答“信什么”——帮助我们看清本质、避免盲从；每个象限的“工程视角”回答“做什么”——指导我们落地执行、少走弯路。N不是固定的数字，而是随着业务场景动态扩展的要素集合。底层逻辑清晰了，每一步才有方向；认知与工程对齐了，每一次投入才有回报。不为了AI而AI，循序渐进，层层递进，少走弯路就是最大的胜利。

六个象限双维度要素总览

扩展性说明：上表为通用核心要素。实际应用中，可根据行业特性、组织规模、业务复杂度动态增加要素。

“N个核心要素”不是泛泛而谈，而是围绕六个象限逐层展开的认知与工程集合。每个象限既回答“怎么看”，也回答“怎么做”，共同决定AI for Security能否从概念走向落地。

象限1对应安全业务问题识别，核心要素首先在于把真实痛点看清。认知上，要正视人力不及、智力瓶颈、能力局限与时间效率等现实问题；工程上，则要把这些问题落实为方针策略、业务场景、痛点分析和量化指标。说到底，AI项目不是先选模型，而是先回答“为什么做、先做什么、做到什么算成功”。

象限2对应高质量安全数据集，核心要素在于把数据真正变成可用资产。认知上，要坚持业务驱动、数据治理、质量重于数量、保真保鲜；工程上，要完成数据规划、数据采集、数据预处理和数据标注，形成可训练、可追溯、可复用的数据底座。进一步看，业务与资产数据、风险关联数据、安全攻击样本，以及沉淀形成的分析识别库、资产关联库、安全风险库、安全能力库、安全日志库、安全知识语料库，本质上都在为AI提供稳定“燃料”和长期底座。

象限3对应安全算法模型设计，核心要素在于按需匹配、协同建模。认知上，要明确没有万能模型，可解释性和韧性可控同样重要；工程上，则需要完成场景建模、特征设计、模型选型和评估标准设计。很多安全场景真正有效的，不是单一大模型，而是规则、小模型、大模型和图分析等多层协同。

象限4对应成熟度评估与验证，核心要素在于持续评估、投入产出和接受不完美。认知上，要接受准确率、成本、延迟、可解释性之间需要平衡；工程上，要围绕场景覆盖、信任验证、可复现性、持续检验建立验证机制。AI安全不是“上线即验收”，而是需要长期体检、持续校准的工程对象。

象限5对应效能工程落地建设，核心要素在于系统思维、灰度渐进和人机分工。认知上，要知道AI不是孤岛，也不能脱离资源约束；工程上，则要推动系统集成、流程编排、可观测性和安全治理，让模型真正嵌入SIEM、SOAR、EDR等现有流程，进入分析师和运营人员的日常工作场景。

象限6对应持续运营迭代优化，核心要素在于数据飞轮、渐进增强、长期主义和自学习成长。认知上，要接受“上线只是开始”；工程上，则要做好持续部署、风险控制、状态感知和反馈闭环。只有生产反馈不断回流、数据持续更新、模型持续微调，AI能力才可能越用越准、越用越稳。

综合来看，这些核心要素并不是彼此孤立，而是前后衔接、相互支撑的。象限1明确方向，象限2准备弹药，象限3构建智力，象限4校验质量，象限5嵌入流程，象限6驱动进化。认知与工程只有同时到位，AI for Security才不会停留在单点演示，而能真正形成可持续演进的系统工程。

10大安全业务场景：赋能战场

核心共识：这十大场景覆盖安全业务关键环节，每个场景都具有基础数据量大、工作难度高、人力不可及、能力瓶颈、智力不足、需要持续运营六大共性特征。安全专家一致认为：做好这些主要场景，提升效能，就可以事半功倍。

· 场景1：分析识别

简要说明：

业务与资产识别、关键业务链识别、责任链识别、风险识别、暴露面识别、安全能力识别等

典型AI应用：

AI辅助资产发现、自动化业务画像、分析识别模型、暴露面智能识别、安全能力成熟度评估

深度解读：

· 场景2：风险治理

简要说明：

战略威胁量化评估、三层暴露面风险、高危漏洞、高危端口、弱口令风险优先级排序、风险量化、风险预测模型

典型AI应用：

智能漏洞优先级排序（结合资产重要性、威胁情报、可利用性）、风险预测模型、动态风险评分

深度解读：

· 场景3： 监测预警

简要说明：

全维全域实时监测、关键隘口和重点口异常检测、威胁降噪、情报降噪、告警降噪、事件降噪。

典型AI应用：

基于AI的异常检测（UEBA）、大模型告警解读与聚类、智能降噪（减少90%+无效告警）。

深度解读：

· 场景4：综合研判

简要说明：

多源告警关联、攻击链重构、深度调查、事件溯源分析、事件定性分析、过程透明。

典型AI应用：

图神经网络关联分析、大模型研判助手（自动生成攻击故事线）、溯源图自动构建。

深度解读：

· 场景5：事件处置

简要说明：

自动化策略编排、自动化响应、自动化处置、自动化反馈、自动化取证溯源。

典型AI应用：

AI自动封禁IP/域名、自动隔离终端、自动取证（采集内存/文件）、自动生成处置报告。

深度解读：

· 场景6： 主动防御

简要说明：

智能诱饵、威胁狩猎、欺骗防御、AI自动封禁、攻击反制。

典型AI应用：

AI动态生成诱饵（虚假资产、凭证、数据），智能欺骗防御；AI驱动的威胁狩猎（主动寻找隐蔽威胁）。

深度解读：

· 场景7：检测评估

简要说明：

自动化渗透测试、安全评估、红蓝对抗、风险检测。

典型AI应用：

AI辅助漏洞挖掘、自动化渗透测试工具、红队AI助手（自动生成攻击路径）。

深度解读：

· 场景8：数据安全

简要说明：

数据防泄漏、数据自动化脱敏、数据智能分级分类、数据本体血缘关联。

典型AI应用：

理解数据内容的AI脱敏（非正则匹配）、异常数据访问检测（UEBA）、数据自动分类分级、数据血缘图构建。

深度解读：

· 场景9： 开发安全

简要说明：

代码审计、开源组件检测、DevSecOps、修复建议。

典型AI应用：

大模型辅助代码漏洞扫描、智能修复建议（生成补丁代码）、开源组件已知漏洞分析。

深度解读：

· 场景10：持续运营

简要说明：

安全度量、态势报告、配置管理、生成态势报告、智能策略优化。

典型AI应用：

AI生成自然语言态势周报/月报、智能策略推荐（如防火墙策略优化）、安全健康度评分。

深度解读：

十大场景总结：事半功倍的实践智慧

专家共识：这十大场景不是孤立的，而是相互关联、相互增强的。例如：分析识别（场景1）的资产清单是风险治理（场景2）的输入；监测预警（场景3）的告警需要综合研判（场景4）来定性；研判结果驱动事件处置（场景5）；处置反馈又回到持续运营（场景10）的数据飞轮中。

演进三阶梯：看见 → 洞见 → 预见

如果把L1-L5展开来看，它们并不是抽象标签，而是AI for Security由浅入深的成熟度演进路径，每一层都有不同目标、能力边界和落地重点。

L1辅助感知级

重点在“先看见”。这一阶段以数据采集、数据聚合、基础降噪、告警聚类和可视化为主，目标是让安全运营从“盲人摸象”走向“全景可见”。AI更多承担辅助分析、优先级标注和基础降噪工作，最终决策仍然在人。

L2智能驱动级

重点在“让AI贯穿流程”。此时AI不再是单点工具，而是逐步进入预防、检测、分析、调查、响应、狩猎等全流程，和SIEM、SOAR、EDR、NDR、UEBA等平台深度集成。攻击链重构、自动化取证、威胁狩猎等能力在这一阶段开始真正形成端到端闭环。

L3体系融合级

重点在“让AI贯穿流程”。此时AI不再是单点工具，而是逐步进入预防、检测、分析、调查、响应、狩猎等全流程，和SIEM、SOAR、EDR、NDR、UEBA等平台深度集成。攻击链重构、自动化取证、威胁狩猎等能力在这一阶段开始真正形成端到端闭环。

L4业务免疫级

重点在“开始预见”。在更成熟的数据底座、模型能力和流程协同支撑下，AI开始从被动响应转向主动预测与动态防御，包括攻击路径预测、动态策略调整、智能诱饵升级和风险量化预测等。其核心价值在于，让防守从“发现后再处理”迈向“提前判断、提前加固”。

L5原生智能级

重点在“预见成为常态”。这一阶段AI成为安全架构的默认能力，新业务、新系统、新数据管道在设计之初就内置AI安全能力，更多威胁由系统自治处置，安全与业务意图更深度融合，安全决策也开始具备更强的模拟推演和战略支撑能力。

从实践角度看，大多数组织并不需要一步跳到L5，更现实的路径往往是先把L1做扎实，再推动L2、L3落地，逐步积累数据飞轮、工程集成和运营能力，在此基础上向L4迈进。换句话说，L1-L5不是“越高越好”的口号排序，而是一条需要结合自身基础、业务节奏和投入能力循序推进的成熟度路线。

致敬

历年来研究成果下载（高清图），（可通过公众号后台回复“七年七图”即可获取下载链接！）

声明：本文来自PCSA智御未来，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系 anquanneican@163.com。