原创 Janky 2025-10-28 19:59 浙江
真正的安全，来自于清晰的安全架构、严格的访问控制、持续的安全意识培训以及快速的应急响应能力。我们不应再盲目追逐“下一个技术神话”，而应回归安全的本质。技术的应用必须服务于明确的安全目标，而非为了技术而技术。
在 GPT 炸街之前，是大数据的世界。数据之大，概念妆点满天下。和今天的 AI 一样，你不在额头上贴上「大数据」几个字，你都不好意思出门。
和大数据伴生的几个高频兄弟词汇是 Hadoop、实时计算、流式计算、离线计算、UEBA、ODPS。这些词汇出现在每个行业，包括作者所处的网络安全行业，本人也是这些词汇的炒作者和弄潮儿。那实际的应用效果如何呢，一句话可总结：BAT 还能搞一搞，其他人均是凑热闹。
01
数据维度不全，做什么大数据的梦
一厢情愿者们相信，只要采集足够多的日志、流量和用户行为数据，就能从海量信息中挖掘出网络攻击，或者内鬼泄露数据的蛛丝马迹。企业纷纷投入巨资搭建 Hadoop 集群、部署流式分析平台，试图用数据的“量”来弥补防御的“质”。
然而，现实却令人失望：数据越积越多，攻击却依旧防不胜防。勒索软件、APT 攻击、供应链入侵、数据泄露等威胁不仅没有减少，反而愈演愈烈。大数据非但没有扶起网络安全，反而让防御者陷入了“数据过载”的泥潭。
问题的根源在于，采集的数据维度过于单一，数量再大，于数据质量的提升都无多少益处。什么叫单一维度的数据：
比如从网关截取的流量日志充斥着往来于不同 IP 之间的报文记录，但是底层流量所代表的业务操作、用户身份、IP 标签都没有；
又比如终端 DLP 安全软件采集的文件操作日志，文件在终端设备里被移来移去、重命名、压缩、发生给微信好友等等大量日志，但却不能判断文件是否为公司数据资产、微信好友是否为客户。
这不计其数的流量日志和文件操作日志，就是维度单一的大数据，亦是死数据。
我知道安全厂商们都会精挑细选几个用例场景，展示其大数据模型的魅力，在漂亮的时间线框 UI 组件的里，详尽展示和溯源攻击被发现和处置的产品界面。这就像新能源车场把放了气的奔驰车作为对比展示对象一样，都是精心设计的骗局。更像我刚学了一份百胜棋谱，一遇到对手，只能惊呼“他怎么不按棋谱走呢？”。
当数据维度缺失时，分析结果会存在严重偏差或局限性。模型可能得出错误结论，无法洞察真实原因，预测能力也会大打折扣。即使数据总量再大，如果关键维度缺失，就如同用残缺的拼图去猜测全貌，所谓的“大数据分析”不过是空中楼阁，难以产生真正的价值。
然而很遗憾的是，第三方安全厂商，只能采集到这些易于采集的单一维度数据，基于这些数据并不能雕出花来，只能在泡沫年代吹出虚假的行业繁荣。
02
不提计算成本的企业，连基础的大数据能力都没有
成本自然是因人而异，因地制宜，作者可以依据历史经验给出一些简单的数据供参考。
我们忽略大数据人才的投入、软件平台的采购，甚至机房和网络带宽和电力的消耗，仅仅核算数据存储、以及每次数据任务的消耗。以使用云服务器为例（存储数据，以及运行数据计算任务）、假定办公终端数量为 20万台，那么将 EDR 产生的数据用于 ATT&CK 所涵盖的攻击样例去建立数据模型，每年的资金消耗在 3000 万人民币以上。
那么对于终端数量缩小 10 倍，变为 2万，我们同比例降低到成本消耗为 300万人民币每年。
各个企业可以看看自家的安全预算，即使是在岁月静好的年代，是否能够覆盖真正稍有效果的“大数据安全项目”？
03
AI 并未带来历史问题的改善
AI 被视为解决大数据局限性的“终极答案”。深度学习、生成式 AI、行为分析等概念被广泛宣传，仿佛只要引入 AI，就能实现“智能防御”。 然而，这种乐观情绪正在被现实击碎。AI 并非魔法，它仍然需要，甚至更加需要，更多、更好的数据的喂养。但是对于大多数企业来说，数据维度的丰富是一个永远没有能力解决的死结。 当前的 AI 安全应用，大多仍停留在“用机器学习做更复杂的大数据分析”这一层面，本质上并未跳出原有框架。更危险的是，AI 的引入带来了全新的攻击面和失控风险。攻击者同样可以利用 AI 发起更精准的网络钓鱼、生成难以分辨的深度伪造内容，甚至自动化攻击流程。防御者用 AI 检测异常，攻击者就用对抗性样本欺骗 AI 模型，使其产生误判。 AI 系统本身也存在“黑箱”问题，其决策过程难以解释，一旦出现误报或漏报，安全人员无法追溯原因，也无法建立信任。在多智能体系统中，AI 之间的交互可能产生不可预测的集体行为，一个被攻破的 AI 智能体甚至可能将恶意逻辑传播给整个系统，引发连锁故障。 此外，AI 在网络安全中的应用还面临严重的治理缺失。许多企业仓促部署 AI系统，却缺乏对模型偏见、数据隐私和长期安全性的考量。AI 模型可能因训练数据偏差而歧视某些正常行为，也可能因过度优化单一指标而忽视整体安全目标。当 AI 开始自主决策时，责任归属变得模糊：是开发者、使用者，还是 AI 本身该为错误负责？这些问题至今没有答案。 另外 AI 的成本，更是无需赘言！
04
网络安全，到了回归务实的时候
一个行业发展到后期，往往是头部 1 到 3 名种子选手吃掉整个行业绝大部分市场。网络安全行业是个例外，几乎全员亏损。基于此我们有理由怀疑，整个行业也许一开始就被带歪了，凡是均有两面性，这个时刻也许正是网络安全回归正途的时候了。
因为这个时候，吹牛和炒概念也没用了，没有多少体制内项目以你为噱头去消耗预算了、也没有投资人为这个传统行业买单了。
网络安全人们此刻必须清晰的认识到，大数据也好，AI 也罢，它们无法从根本上“扶起”网络安全，因为网络安全的本质是一场人与人之间的对抗，而非数据与数据的较量。
技术可以提升效率，但无法替代战略、流程和人的判断。
真正的安全，来自于清晰的安全架构、严格的访问控制、持续的安全意识培训以及快速的应急响应能力。我们不应再盲目追逐“下一个技术神话”，而应回归安全的本质。技术的应用必须服务于明确的安全目标，而非为了技术而技术。
与其投入巨资构建复杂的 AI 防御系统，不如先夯实基础，确保补丁及时更新、权限合理分配、备份可靠可用。同时，必须加强对 AI 系统的安全治理，建立可解释、可审计、可控制的 AI 安全框架。大数据没能扶起网络安全，AI也同样行不通。唯有摆脱对技术救世主的幻想，回归以人为本、以风险为导向的安全实践，才能真正构建起 Resilient（有韧性）的数字防线。
更多阅读
这些条款从甲方采购合同里消失，我们的软件技术产业才有健康发展的土壤
为什么企业通常在部署完 DLP 的 2 年后，开始转向“企业浏览器”
www.dsphere.com.cn
