企業(yè)IT和產(chǎn)品IT與標準化軟件的融合降低了惡意行為者的入侵門檻。適用于各種惡意軟件的入門工具包已然面市，最近更是得到了基于大語言模型（LLM），如ChatGPT等AI工具的加持。然而，Vector Consulting和Robo-Test研究認為，生成式人工智能也有潛力使現(xiàn)有系統(tǒng)及新系統(tǒng)更加強大和安全。

隨著企業(yè)IT與產(chǎn)品IT的融合，網(wǎng)絡(luò)攻擊及其帶來的影響不斷增加。圖1顯示工業(yè)物聯(lián)網(wǎng)領(lǐng)域受攻擊的增長幾乎呈指數(shù)級的趨勢[1,2]。而且，這些還只是已經(jīng)通報的影響公共事業(yè)、工廠生產(chǎn)等相關(guān)場景的關(guān)鍵工業(yè)物聯(lián)網(wǎng)攻擊，還有大多數(shù)攻擊沒有被報告或被認為不相關(guān)。

圖 1：針對車輛的主要網(wǎng)絡(luò)安全攻擊

由于多種原因[1,2,3]，汽車IT成為黑客的主要目標：

易于訪問，因為可以輕松觸及車輛來實施漏洞發(fā)掘而不被發(fā)現(xiàn)。

勒索軟件和支付帶來潛在好處，因為供應(yīng)商和OEM擔心網(wǎng)絡(luò)攻擊成為新聞頭條。

三分之一的公司沒有既定的產(chǎn)品網(wǎng)絡(luò)安全計劃和專門的安全研發(fā)團隊。

三分之二的公司漏洞測試只涵蓋了不到一半的硬件和軟件。

以前的專有軟件被標準軟件堆棧和工具取代，從而允許使用標準黑客工具和知識，并且增加了攻擊窗口期。

系統(tǒng)和組件具有更多的始終在線、連接性和用于軟件更新的智能應(yīng)用程序編程接口（API），從而允許遠程執(zhí)行幾乎所有攻擊。

沒有網(wǎng)絡(luò)安全就沒有功能安全。隨著軟件和數(shù)據(jù)被操縱，系統(tǒng)的初始合格、驗證或認證結(jié)果不再得到保障。隨著網(wǎng)絡(luò)犯罪的激增，整車廠和供應(yīng)商必須提供足夠的保護，防止其企業(yè)和產(chǎn)品IT系統(tǒng)被操縱。

網(wǎng)絡(luò)安全中的人工智能技術(shù)

人工智能（AI）將很快成為打擊網(wǎng)絡(luò)犯罪的主要工具，因為它有助于建立高效和有效的安全工程。網(wǎng)絡(luò)安全要求很高，需要系統(tǒng)化的流程。傳統(tǒng)方法需要大量的手動工作，例如可追溯性，當我們關(guān)注各行業(yè)的不一致性和不合理的測試時，會發(fā)現(xiàn)他們幾乎沒有系統(tǒng)化的部署。用于網(wǎng)絡(luò)安全的人工智能技術(shù)簡化了這些活動[4]。例如，從TARA和安全需求到安全測試的安全工程，在人工智能的輔助下實現(xiàn)了更好的一致性，進而有助于生成、驗證和關(guān)聯(lián)必要的工作產(chǎn)品。

為了有效減輕網(wǎng)絡(luò)安全風險，在安全生命周期內(nèi)必須落實安全目標并使其在工作產(chǎn)品之間保持一致。可追溯性有助于保持一致性并降低責任風險。如果添加了新的需求，我們必須找出哪些設(shè)計部分需要修改或者哪些測試需要變更并重新運行。為此，三重峰模型將需求、設(shè)計和測試系統(tǒng)地聯(lián)系起來[3]。

在此方法論基礎(chǔ)上，生成式人工智能（GenAI）可以針對您提出的問題合成或生成對應(yīng)的答案。自然語言處理（NLP），尤其是Transformer，為半自動安全分析、可追溯性和測試提供了新方法。特別是使用大語言模型（LLM）進行文本生成、匯總和分類，最近被證明有望提高安全分析和測試的效率和有效性[4]。雖然許多人已經(jīng)嘗試過基于直接輸入問題的人機界面，但這個場景可以進一步自動化，從而將此類工具無縫集成到生產(chǎn)工具鏈中。

為了評估哪種基于人工智能的輔助將為網(wǎng)絡(luò)安全帶來最大收益，讓我們看看整個產(chǎn)品生命周期。圖2將安全生命周期顯示為獨立于底層開發(fā)方法的V模型抽象。灰色框描述了模型中各活動的抽象，藍色框顯示了我們識別到的一些基于人工智能的方法，這些方法可以支持網(wǎng)絡(luò)安全開發(fā)過程中的相關(guān)環(huán)節(jié)。

圖 2：安全工程中的人工智能和底層工具鏈

將生成式人工智能用于安全工程

為了將生成式人工智能實際應(yīng)用于網(wǎng)絡(luò)安全工程，我們開發(fā)了Transformers和基于生成式人工智能的方法，用于網(wǎng)絡(luò)安全需求的規(guī)范化和測試驗證。我們在下述行業(yè)案例研究中的重點是使用生成式人工智能和NLP將行業(yè)需求與法規(guī)要求聯(lián)系起來。

在實踐中，我們使用帶有網(wǎng)絡(luò)安全語料庫的定制化大語言模型作為基本模型。在評估哪種大語言模型最適合作為基準點時，我們測試了他們在令牌預測方面的能力，尤其是與安全相關(guān)的文本。為了進一步提高模型的適配度，我們使用CAPEC（常見攻擊模式枚舉和分類）、CVE（通用漏洞披露）和NVD（美國國家漏洞數(shù)據(jù)庫）等數(shù)據(jù)庫對模型進行了微調(diào)，同時也使用了經(jīng)過驗證的網(wǎng)絡(luò)安全論壇和博客的內(nèi)容。該語料庫不包含客戶及專利數(shù)據(jù)，而且它會隨著外部數(shù)據(jù)源的變化而不斷增長。圖3 顯示了語料庫最初的數(shù)據(jù)分布，這種分布既不是來源于現(xiàn)成的方案，也不是行業(yè)或標準既定的方法，而是基于Vector Consulting Services過往15年的安全分析經(jīng)驗。

在運行時，使用具有特定關(guān)聯(lián)的敏感數(shù)據(jù)對模型進行投喂。為了保護軟件免遭濫用和漏洞挖掘，它不會被存儲，當然也不會脫離我們本地化的大語言模型引擎。例如，關(guān)聯(lián)信息可以是為不同系統(tǒng)創(chuàng)建的TARA。這將有利于促進重用先前創(chuàng)建的TARA，并且進一步提高效率，TARA的某些部分通常可以重復使用，因為產(chǎn)品設(shè)計中使用了相同或非常相似的組件。這種使用本地化數(shù)據(jù)的雙重方法會消耗大量內(nèi)存、功耗和性能，但可以確保非常高的機密性。

圖 3：帶有網(wǎng)絡(luò)安全語料庫的定制化大語言模型

市場和產(chǎn)品需求通常存儲在應(yīng)用程序或產(chǎn)品生命周期管理（ALM/PLM）數(shù)據(jù)庫中，可以使用ReqIF或Excel將它們導出到我們的大語言模型中。圖4顯示了在將結(jié)果轉(zhuǎn)移到專門的TARA工具之前，我們的大語言模型導出界面上的此類結(jié)果。根據(jù)此導出結(jié)果和其他關(guān)聯(lián)信息（例如基于啟發(fā)式的威脅目錄），AI會生成針對條目、威脅和攻擊路徑的建議。

隨后，生成的建議將加載到Vector COMPASS TARA工具中。緊接著，安全工程師將對其質(zhì)量和準確性進行評估和評級。工程師還會決定GenAI工具給出的哪些建議將保留在TARA中，以及哪些應(yīng)該被替換或刪除。如果TARA是完整的，則將數(shù)據(jù)存儲到白盒信息數(shù)據(jù)庫中。該白盒數(shù)據(jù)庫包含所有內(nèi)部可用信息，稍后可用于執(zhí)行白盒滲透測試。與此相反，灰盒數(shù)據(jù)庫僅包含公開可用的數(shù)據(jù)和常見的攻擊模式，他們將在灰盒滲透測試時被使用。根據(jù)需要執(zhí)行的滲透測試類型，下一階段的人工智能將使用兩個或一個數(shù)據(jù)庫來建議攻擊或滲透策略。此策略信息用于對待測系統(tǒng)（SUT）進行攻擊，該攻擊通過使用CANoe測試環(huán)境或類似的集成測試框架來實現(xiàn)。

使用AI生成灰盒與白盒攻擊路徑是一種檢查方法，它可以查明有多少可用的與系統(tǒng)或組件相關(guān)的信息（例如SUT中使用的庫和依賴項）。將這些方法引入安全生命周期后，將有助于更好地對工具進行集成，以及實現(xiàn)敏捷交付流程中應(yīng)對變更的快速部署，進而實現(xiàn)從TARA到安全需求和（回歸）測試用例的一致性。

圖 4：集成到開放的TARA接口

結(jié)論

關(guān)于網(wǎng)絡(luò)安全領(lǐng)域應(yīng)用人工智能的一個提醒，請注意隱私和安全影響：

人工智能本身可能會成為風險，因為它可以更改或添加代碼。

人工智能可能會威脅您的知識產(chǎn)權(quán)，因為大多數(shù)模型都試圖捕獲您的數(shù)據(jù)。

許多人工智能工具，例如代碼生成和分析工具，通常會將數(shù)據(jù)反饋給工具供應(yīng)商，從而嚴重影響知識產(chǎn)權(quán)和隱私。

您的專利代碼必須受到良好的保護，并且確保其不會離開您的私人數(shù)據(jù)庫。因此，我們建議您建立自己的大語言模型，并針對您的特定應(yīng)用領(lǐng)域?qū)ζ溥M行訓練。同時，避免使用GenAI建議的代碼或代碼片段。我們已經(jīng)檢測到生成式AI工具和平臺在處理代碼時會插入不需要的代碼片段。此類片段可能看起來無風險，但存在引入后門、操縱數(shù)據(jù)或向外部目標提供信息的風險，例如庫調(diào)用和外部接口（例如 REST API）。如果您想重用代碼或嵌入生成的片段，請對所有外部代碼運行徹底的靜態(tài)分析以識別潛在的漏洞。

作者信息

Christof Ebert

Vector Consulting Services總經(jīng)理，

德國斯圖加特大學教授。

Maximilian Beck

德國斯圖加特大學Robo-Test孵化器的人工智能企業(yè)家。