详细内容或原文请订阅后点击阅览
机器速度是一个谎言：停止尝试用 AI 对抗 AI
营销部门大声疾呼，攻击者正在以“机器速度”移动，只有人工智能驱动的防御才能阻止他们。但网络攻击一直是自动化的，主动防御胜过被动人工智能。
来源:MalwareTech2017 年，我阻止了 WannaCry，这是一种感染了数百万个系统的自主勒索软件蠕虫。同年，还发生了多次由国家支持的自我传播网络攻击，物联网蠕虫数量激增。几年后，我参与了几起主要的僵尸网络破坏活动，所有这些都涉及自我传播的恶意软件。
然而如今，供应商声称，由于人工智能，攻击者开始以“机器速度”移动，并且只有人工智能才能阻止他们。这两种说法都不正确。
现在是时候抛开营销炒作，专注于实际发生的事情，以及防止可想象的最快网络攻击的防御措施。这些解决方案都不是特别新颖，也绝对不需要人工智能。
自主和半自主网络攻击是常态，而不是例外
1988 年，康奈尔大学计算机科学专业的学生罗伯特·塔潘·莫里斯 (Robert Tappan Morris) 发布了历史上最著名的恶意软件之一：莫里斯蠕虫。在不到 24 小时内，它就感染了整个互联网的 10%。这是一个分水岭时刻，向世界展示了自我传播代码的传播速度有多快。
2003 年发布了 SQL Slammer，这是一款传播速度如此之快的恶意软件，以至于受感染系统的数量每 8.5 秒就会翻一番。不到 10 分钟，它就感染了几乎所有易受攻击的系统。
截至 2021 年 1 月被关闭时，Emotet 已感染了 160 万个系统，其中很大一部分受害者是企业工作站。该僵尸网络并不依赖软件漏洞进行自我传播。它将受感染的系统变成垃圾邮件机器人，并将自己的电子邮件客户端武器化以对抗它们。该恶意软件会泄露每个受害者的电子邮件收件箱、联系人列表和 SMTP 凭据。然后，这些数据被用来伪造从受害者的电子邮件地址发送到其联系人的恶意电子邮件，以及攻击者提供的列表中的随机电子邮件地址。
Emotet 的垃圾邮件活动非常成功。通过利用相互联系之间现有的信任关系，它确保了更高比例的人成为恶意软件电子邮件的受害者。在后来的版本中，Emotet 更进一步，在受害者的电子邮件收件箱中搜索他们尚未回复的电子邮件线程，并代表他们进行回复。
历史上传播最快的勒索软件是 WannaCry。虽然估计它只加密了几十万个系统，但由于其终止开关被激活，它总共传播到了大约 3 - 1600 万台计算机。WannaCry 使用了 SMB（现有最常见的网络文件共享协议）中的漏洞。这使得它能够完全自主地从一个网络传播到另一个网络，以及在一个网络内的计算机之间传播。
如果您要建立一个没有任何内容的 Web 服务器，然后只需在常见攻击端口（例如 22 (SSH)、23 (Telnet)、80 (HTTP)、445 (SMB) 和 3389 (RDP)）上设置侦听器，您每天可能会看到数十万次自动黑客攻击。从 Mirai 僵尸网络到凭证填充程序，再到 n 天漏洞扫描程序，应有尽有。有趣的是，你仍然会看到 WannaCry。终止开关阻止了勒索软件，但它并没有阻止蠕虫的无休止传播。
也许是一个有趣的旁注，如果您曾经听过 CISO 谈论他们的组织每天面临数百万、数十亿甚至数万亿次网络攻击，那么这通常就是他们谈论的内容。互联网背景噪音。自动网络攻击的残余，摘走了最容易实现的目标。
人们往往会严重高估人工智能增强攻击的影响
AI SOC 是现有创可贴之上的一个创可贴
很少有人能够了解威胁行为者的内部运营和基础设施。这引发了人们对人工智能如何帮助威胁行为者自动化任务的广泛猜测，因为缺乏关于他们已经自动化的内容的信息。
这是一个罕见的有利位置，但在担任威胁情报分析师十多年后，我已经能够分析大量威胁行为者基础设施的内部运作方式。我什至可以访问历史上一些最大的网络犯罪活动的源代码和后端配置。
因此，我并不担心威胁行为者会突然开始通过自动黑客攻击攻击互联网。几十年来他们一直这样做。相反，我正在研究他们现有的自动化、差距，并询问是否/如何通过生成人工智能来改进它们。
整体情况看起来没有许多局外人预测的那么黯淡。我们并不是处于网络灾难的风口浪尖，而是数十年长期趋势的延续，攻击技术逐年不断发展、改进和加速。
我还怀疑常态偏见严重扭曲了人们对威胁形势的印象。每一次以任何方式使用人工智能的攻击都会成为头条新闻，但自您开始阅读本文以来，第 100 万人遭受网络钓鱼甚至不是新闻。
几周来，科技新闻网站和网络安全供应商一直在热议 PromptLock，该软件被称为“第一个人工智能驱动的勒索软件”，后来被证明是纽约大学的一个研究项目，并且从未在一次现实世界的攻击中部署过。
整个网络安全行业迫切希望利用人工智能网络攻击的理念，供应商们不断争先恐后地发布任何远程人工智能形式的内容。这让从普通公众到领先的网络安全专家的每个人都对人工智能驱动的网络攻击到底有多么普遍产生了一种极其不切实际的印象。
大多数威胁行为者都没有采用生成式人工智能，至少现在还没有
生成式人工智能在许多任务上可能比人类更快，但它也是最慢的自动化形式之一。与本机代码相比，LLM 非常慢，也比大多数脚本语言慢。在您让 ChatGPT 响应一个简单的“你好”期间，WannaCry 可能已经感染了数百个系统。
大多数威胁行为者也对在“尖端”技术上进行操作不感兴趣。他们不会因风格而得分。他们遵循阻力最小的道路。足够好的，不需要太多的努力，不昂贵，也不难维护。
可能会让很多人感到惊讶，但大多数威胁参与者找到的答案是：SaaS。只需为其购买一项服务即可。当有人已经在没有人工智能的情况下构建了更好的产品时，为什么还要用人工智能来构建东西呢？人工智能往往会回归均值，而高端 SaaS 产品则突破了可能性的上限。
转向“一切皆服务”的不仅仅是常规经济，地下犯罪也紧随其后。您可以购买恶意软件即服务、加密程序即服务、垃圾邮件即服务、网络钓鱼即服务、多态性即服务、开发人员即服务、信息窃取者即服务、企业网络访问即服务。几乎所有这些都比使用人工智能维护内部解决方案更便宜，而且也显着更有效。
“机器速度”指的是网络攻击的一小部分
攻击者如何将单个端点感染转变为全网络范围的勒索
总结
引用
尽管大多数攻击都是自动化的，但仍有相当一部分攻击不是自动化的，或者只是部分自动化的。这些事件往往对受害者组织影响最大（不包括 WannaCry、NotPetya、BadRabbit 等黑天鹅事件）。两种主要类型是国家支持的间谍活动和企业针对性的勒索软件攻击。
我个人将重点关注源自端点的勒索软件攻击。并不是因为本文中的所有内容都不适用于国家资助的网络攻击，而是因为勒索软件得到了更广泛的记录和理解。
通常，勒索软件攻击者会危害组织内的单个端点或身份，这通常称为“初始访问”或“初始立足点”。从那时起，他们的目标是迈向特权访问。
获得特权访问权限（例如域管理员凭据）或破坏域控制器，使攻击者能够造成更大的破坏；他们可以在整个网络上部署勒索软件，而不是攻击单个端点。他们劫持的系统和数据越多，他们可以索取的赎金金额就越高。
虽然初始访问通常是自动黑客活动的结果，但权限升级和横向移动部分主要由人类操作员进行。这就是供应商在谈论“攻击者以机器速度移动”时通常的意思；网络攻击的这些非自动化部分有可能实现自动化（这意味着生成式人工智能将实现这一点）。
威胁行为者从单个端点上的立足点到全面的网络妥协的方法之一是在系统中搜索存储的特权凭证。其中一个示例是 lsass.exe (LSASS) 转储。当用户通过某种方式远程登录到系统时，其密码的哈希值会在登录会话期间缓存在 lsass.exe 的内存中（或者在某些情况下，如果会话没有完全终止，则直到重新启动为止）。
如果攻击者转储 LSASS 并获得密码哈希，则可以将其用于哈希传递攻击。由于许多系统使用此哈希来验证用户，因此哈希本身可以像密码一样使用。无需破解它即可获取原始密码（尽管某些较新的攻击可能需要破解）。
通过在网络内的单个系统上保持立足点，攻击者可以从远程登录到该系统的帐户中捕获密码哈希值。一个常见的故障点是 IT 部门使用特权帐户远程登录员工端点以提供技术支持。
许多网络设置都充斥着到处登录的特权过高的凭据、密码存储在注册表或磁盘上的配置文件中的网络服务帐户、在每台计算机上重复使用的本地管理员密码以及许多其他凭据卫生问题，这些问题使勒索软件攻击者的工作变得容易。
这个例子也将作为本文防御部分的基础。
攻击者的速度越来越快，但几乎没有证据表明这与生成式 AI 有关
从初始访问到网络范围内的攻击的常见路线在不同网络之间没有太大差异。攻击者很可能使用 Python 脚本这样简单的东西来实现端到端的自动化。对于大多数网络来说，权限升级决策树还不够复杂，不需要任何形式的人工智能。
CrowdStrike 2021 年至 2025 年平均突破时间图表。
打好基础，并做好。
我相信，大多数威胁行为者都忽略了自动执行此类手动键盘攻击，因为简单来说，他们已经持续获胜。他们以足够高的成功率勒索网络，以至于投入时间和金钱来构建自动化是没有意义的。
我发现 CrowdStrike 的 2026 年全球威胁报告中的这张图表很有洞察力。它绘制了平均电子犯罪突破时间（定义为攻击者从初始立足点到达另一个端点或更高特权访问所需的平均时间）。
该图是我的 2026 年零信任世界主题演讲的基石：重新思考高速攻击时代的网络防御。这个主题演讲反映了我将在本文中提出的许多观点。
尽管 CrowdStrike 的图表来自旨在强调 AI 攻击的新闻稿，但它提出的两点实际上有助于反驳其重要性。
首先，在人工智能出现之前，突破时间多年来一直在稳步下降。第一个大众市场的生成式人工智能模型是 ChatGPT，于 2022 年 11 月 30 日推出。尽管 GPT-3 在 2020 年半公开推出，但访问处于等待名单中，并且仅限于经过审查的个人。
虽然人们可以声称这一趋势从 2023 年开始持续是人工智能的结果，正如 CrowdStrike 似乎暗示的那样，但几乎没有证据支持这一点。该报告指出了少数使用人工智能的攻击者，并声称启用人工智能的攻击者的攻击增加了 89%，但并没有为人工智能的广泛采用而加速突破提供有力的理由。
其次，无论驱动因素如何，这些数据都为我们提供了一些可靠的数字来评估安全响应时间。 2025 年，平均突破时间为 29 分钟，此后可能会有所下降。
假设攻击者进入您的网络后立即发出警报，那么任何超过 29 分钟的响应时间都无法抵御普通攻击者。其他攻击可能要快得多，CrowdStrike 记录的最快时间为 27 秒，在 4 分钟内就发生了数据泄露。
为了便于论证，让我们从表面上看 CrowdStrike 的 AI 支持声明，假设 AI 正在推动突破时间的下降，并且这种趋势确实会因此而持续下去。无论对于突破时间为何下降的观点如何，这篇文章的核心论点仍然成立。
在人工智能出现之前，攻击者就已经获胜，今天他们仍然获胜，并且只要反应性防御仍然是主要解决方案，随着突破时间的减少，他们将继续获胜。
最好的进攻性人工智能经常在不安全的无防御网络上失败
不幸的是，我无法找到任何可靠的基准来比较人工智能攻击与人类攻击的突破时间。人工智能公司有几篇营销文章没有展示方法论，但没有具体内容。
AI 安全研究所 (AISI) 的公正研究详细介绍了 Mythos Preview 针对模拟企业网络的性能。研究发现，Mythos 在 10 次尝试中有 3 次成功实现了整个网络的妥协，但没有提供计时数据。
值得注意的是，AISI 的网络故意存在漏洞且未设防。它没有运行端点安全产品、网络安全设备，也没有主动防御者。
此外，他们的结论非常有根据。没有 AI SOC 或神奇的 AI 产品，只需做好基础工作即可。
问题不在于 SOC 太慢，而在于它们被用作权宜之计
尽管网络缺乏任何真正的防御，Mythos 的失败率高达 70%，每次尝试的预算为 1 亿代币。就实际成本而言，每次尝试的成本为 2,500-12,500 美元（具体金额取决于输入与输出代币的比率，因为输出代币更昂贵），每次成功妥协的成本约为 8,000-42,000 美元。
AISI 确实提到，Mythos 平均完成了 32 个步骤中的 22 个，成功率在 1000 万到 1 亿个代币之间攀升，没有达到稳定水平，这意味着更多的代币可以产生更高的成功率。但就每次成功攻击的价格而言，威胁行为者可以轻松雇用多名操作人员。
Mythos Preview 被广泛认为是进攻性 AI 模型的巅峰之作。因此，它在一个故意脆弱的、不设防的网络上的失败率应该给攻击者可以轻松获得法学硕士并加强他们的入侵的想法泼冷水。尽管如此，这些叙述仍然存在。
这凸显了网络安全基础知识的重要性，例如定期应用安全更新、强大的访问控制、安全配置和全面的日志记录。
SOC 应该是组织的最后一道防线。一旦所有其他方法都失败并且攻击者进入网络，SOC 就会立即采取行动。然而，这并不是它们在实践中的实际使用方式。 SOC 通常被视为良好底层安全性的替代品。
在最坏的情况下，组织只需购买 SOC 或 SOC 即服务产品来勾选其网络保险表格上的复选框，以确保其保险在网络遭到破坏时能够得到赔付。这些公司只采取最低限度的措施来保持合规性，因此可能会因无休止的警报和持续的入侵而占用大量的安全资源。
主动强化底层网络，限制攻击者可利用的机会；然而，这通常被视为耗时、昂贵且会破坏业务功能，从而鼓励高管寻求替代解决方案。
一种常见的方法是简单地购买一堆安全产品，启用阳光下的每个警报，然后将其全部传输到他们的 SOC，让他们充满噪音。组织的安全现在变得完全被动，并取决于其 SOC 的效率。
这就是我们最终得出 Agentic AI SOC 想法的原因。
目前的防御措施无法抵御人类攻击
端点检测和响应 (EDR) 工具全面涵盖了攻击者转储凭据的方法。尽管如此，勒索软件攻击在受防御的网络上仍然非常成功。
许多网络运营商部署的安全产品仅配置了默认规则，而放弃了检测简单入侵的全面保护。
但是，即使启用了适当的检测规则，勒索软件攻击仍然会成功。
我认为，最常见的故障发生在 EDR 确实检测到活动、确实发出警报，但组织反应不够快，无法避免重大安全事件时。
常见的催化剂与上一问题相反：过度配置的检测。 “对一切保持警惕”的策略。它使 SOC 团队陷入低保真度和误报警报中，导致积压，这为攻击者提供了足够的时间来实现他们的目标。
为什么 SOC 响应时间只是一个更大问题的一小部分
更快的分类时间不会改变基础数学
如果攻击者成功窃取了有价值的凭据，则必须立即锁定和轮换这些凭据；然而，由于对使用它们的任何人或任何服务可能造成干扰，这一点经常被忽视。
如果被盗凭据仍然有效，攻击者可以使用它们在端点之间跳转，从而大大降低被捕获和驱逐的机会。 SOC 可能会看到警报并重新映像生成警报的端点，但没有意识到攻击者已经转移到另一个系统，从而可能在此过程中获得更多凭据。
即使攻击者被成功踢出，未轮换的凭据也可用于闯入、加速未来的权限升级，或同时实现这两者。
通常，SOC 最终会与攻击者玩猫捉老鼠的游戏，通过网络追赶他们，同时必须筛选警报。尽管成功的违规行为通常被归咎于 SOC 性能不佳，但这几乎从来都不是根本原因。
触发 EDR 警报以进行凭证转储的行为几乎总是明显恶意的。它们不是用户在日常工作中意外触发的警报。但组织也这样对待它们。它们被发送到 SOC，进行分类以确保它们不是误报，然后作为严重事件提出。
问题是，事件并不止于 SOC。对于涉及横向移动和权限升级的主动破坏，需要立即采取补救措施，将攻击者从网络中删除，并切断所有可能的重新进入路径。
但是，在许多组织中，SOC 不控制修复，或者至少不直接控制。其他组织职能部门也将参与讨论适当的应对措施。因此，SOC 响应时间只是其中的一小部分。即使 SOC 可以在几秒钟内发出警报，组织仍然需要完成足够的补救措施来遏制攻击。
发出警报 → 警报分类 → 事件提出 → 事件审查 → 修复完成的流程可能会非常缓慢，需要数天时间。对于普通的勒索软件攻击者来说，要逃脱这个威胁是非常容易的。
29 分钟的平均突破时间并不意味着 SOC 有 29 分钟的时间来分类警报并引发事件。这意味着该组织从首次发出警报到被遏制的时间不到 29 分钟。
在许多情况下，勒索软件事件发生在 SOC 宣布严重事件和组织开始补救之间的延迟期间，这是大多数 AI 安全提供商忽略的问题。
AI SOC 作为“机器速度”攻击的灵丹妙药出售，但它充其量只是一个创可贴。第一个问题是大多数组织都使用 SOC 作为有效主动安全的替代品。第二，生成式人工智能经常为了速度而牺牲准确性。
公司没有解决根本问题，而是继续将权宜之计的解决方案叠加在一起，在此过程中积累了大量的技术债务。
还需要注意的是，十多年来，SOC 以及更广泛的网络安全行业一直在部署机器学习 (ML) 算法来实现任务自动化。生成式人工智能是机器学习的一个子集，也在整个网络安全领域得到广泛采用。
就本文而言，“AI SOC”是指使用生成式 AI 代理代替人类分析师的 SOC 提供商，或者严重依赖生成式 AI，以至于没有它就无法运作。
“AI SOC”的整个理念建立在“AI 原生”公司营销部门创建的错误二分法之上。他们经常试图通过暗示只有他们在使用自动化来将自己与现有的提供商区分开来。然而，据我所知，没有任何 SOC 提供商是完全手动的，也没有任何不以某种方式使用生成式 AI 的 SOC 提供商。
AI SOC 论点的基石是攻击者使用 AI 的速度越来越快，因此防御者需要 AI 来跟上。我并不同意这种说法，攻击已经是自动化的，从我的观察来看，手动键盘攻击并没有看到人工智能的广泛采用。但即使这种说法不真实，那些推动它的人仍然受益。
SOC 级别的任何速度增加都会导致攻击者的成功率降低，无论攻击者是否自动化（只要保持准确性）。虽然我不认为生成式人工智能是完成这项工作的最佳工具，但无论使用何种解决方案，前一种说法仍然正确。
之前，我提到过，从 SOC 宣布严重事件到完成补救措施之间通常会经过很长时间。许多 AI SOC 解决方案并未解决问题的修复部分。如果修复需要 30 分钟，并且平均突破时间为 29，人类攻击者仍然可以以毫秒的响应时间超越 AI SOC。
当然，生成式人工智能实际上并没有那么快。 Frontier LLM 的速度范围为每秒 30 - 400 个令牌，如果是攻击数据，则需要 20 秒到 4.5 分钟来对本文进行分类。当与人类分析师配合使用时，生成式人工智能应该会加快分类时间，但即使是纯人工智能解决方案也不是即时的，而且许多解决方案都非常不可靠。
但这是一个更大的问题。攻击者并没有不遗余力地采用人工智能。尽管每个营销部门都会告诉您不同的情况，但人工智能自动攻击仍然极为罕见。
因此，实际上甚至还没有确定任何反应式人工智能产品是否能够真正击败现实世界的人工智能攻击者。在威胁行为者广泛采用代理人工智能之前，整个解决方案只不过是一个假设。
到目前为止，人工操作的 SOC 一直未能阻止人工操作的攻击，因此我不确定人工智能 SOC 能够阻止人工智能攻击者的说法是否正确。
SOC 是重要的组织功能，但使用它们来替代主动安全措施将是一场即将发生的灾难。目前人工智能的发展只会让问题变得更糟。它向高管们兜售一个虚假的承诺，即他们可以继续放弃主动安全。他们可以简单地在纯粹被动的基础上与人工智能防御者对抗人工智能攻击者。他们不能。他们会输的。
防御性 AI 代理的工作比进攻性 AI 代理要困难得多
与攻击型 AI 相比，防御型 AI 需要消耗更多数量级的信号。攻击者的人工智能只关心尽快达到目标。它也主要享有二进制结果。攻击阶段要么成功，要么失败。
另一方面，防御者的人工智能必须对警报进行分类，交叉引用数据，找出攻击者在网络中的位置、他们获得了什么、要部署哪些缓解措施或补救措施以及遏制是否成功。他们还必须关心误报、服务可用性和法律/合规性。
如果威胁行为者有意义地大规模采用复杂的人工智能攻击框架，我大胆猜测人工智能 SOC 的所有赌注都将失败。归根结底，真正的解决方案多年来一直保持不变
鉴于几乎每个前沿实验室目前都在开发可以发现零日漏洞的模型，我怀疑进攻性人工智能能力目前只是更好。如果人工智能实验室开始专注于漏洞管理之外的防御工作，我怀疑这种动态可能会发生变化。然而，它不太可能足以弥补攻击和防御之间的带宽差异。
老实说，以毒攻毒的整个想法充其量是错误的。它完全未经证实，它的卖点就是它的弱点。反应式人工智能防御承诺的结果并不能保证一定会实现，等到我们发现时就为时已晚。攻击者并没有大规模采用人工智能，假装他们正在创造一个窗口，在没有任何真正的战斗的情况下，可以提前宣布胜利。
无论网络安全如何发展，答案始终保持不变：做基础，并做好它们。一旦掌握了基础知识，就可以继续学习更高级的主动防御。过早担心零日漏洞和人工智能攻击者并不符合任何人的最佳利益。
人工智能并不是魔法，它只是自动执行现有且有据可查的攻击技术。人工智能模型发现零日漏洞的能力只是这一点的衍生。他们寻找不安全代码模式的变体，这些代码模式在过去 50 年左右的时间里已被数千名漏洞研究人员记录下来。
即使威胁行为者确实使用了零日漏洞，他们仍然会攻击您控制的基础设施。为了到达他们需要去的地方，他们需要做一些事情，而这些事情是可以被检测到的。即使他们利用端点，然后尝试部署另一个零日漏洞以实现最终目标，该部署也可以被检测到。
零日漏洞和人工智能攻击者会分散注意力。远离防御措施，使您免受零日漏洞和人工智能攻击者的侵害，以及其他一切干扰。
即使是反应式安全也不需要 AI 来做好
许多类别的安全警报（例如与凭证转储相关的警报）的误报率都很低。对于大多数人来说，它们可以而且应该配置为立即触发端点隔离和凭据锁定。端点不仅应该与网络的其余部分隔离，还应该与互联网隔离。
这不需要生成式 AI 或花哨的 ML 模型，它是几乎每个 EDR 的默认功能。有很多警报类型应该引发“先射击，稍后提问”的响应。您始终可以重新连接端点并解锁用户的凭据，但无法解除网络勒索。
从历史上看，组织选择优先考虑业务功能和可用性而不是安全性。随着攻击和攻击者变得越来越快，这种情况变得越来越站不住脚。如果威胁行为者可以在几分钟内从最初的访问转向整个网络范围内的完整赎金，那么我们必须问，任何一个员工在这几分钟内做了什么可以抵消成本？
也许网络保险会赔付，但很少能涵盖重大网络攻击的真正成本。而且这种事还会不断发生，一次又一次。无论是否有人工智能，攻击都变得越来越快、越来越频繁。将业务功能置于安全之上并不是一种长期可行的做法。
全面主动的措施提供了良好的第一道防线
组织可以做哪些准备
老实说，我已经记不清有多少次听到有人说过以下内容的变体了：
诚然，“机器速度”的营销噪音很好地掩盖了现有的即时安全自动化，这些自动化已经过尝试、测试并广泛使用。但从长远来看，这对任何人都没有任何好处。通过将网络安全定义为本质上的反应性，并将缓慢的、基于法学硕士的自动化作为灵丹妙药，这些提供商面临着削弱整个网络安全的风险。
已经存在许多经过尝试和测试的方法来首先防止攻击。这包括凭证转储，这是我为本文选择的示例。主动解决方案将比最快的 EDR 警报无限快，并且比任何生成式 AI 解决方案快无限 * 无限。
Credential Guard 等功能通过将 lsass.exe 先前存储的凭据和其他机密移至安全的虚拟飞地来保护它们。该系统使用虚拟化创建一个在操作系统外部运行的单独进程，将凭据存储在攻击者无法访问的范围内。
您不仅仍然可以获得针对尝试发出 EDR 警报并自动隔离系统的好处，而且攻击者在此过程中无法获得任何有用的信息。再多的人工智能也无法超越从一开始就无法访问的凭证。
另一个出色的主动防御是 LAPS（Windows 本地管理员密码解决方案），它涵盖了一个主要且经常被忽视的风险：使用相同的本地管理员密码大规模配置系统。
如果为本地管理员帐户启用了远程登录（许多配置设置都这样做），则攻击者可以转储其密码哈希值，然后使用它们登录到网络上共享相同哈希值的任何计算机。这可以使他们在计算机之间跳转，直到到达特权工作站或服务器。
虽然 LAPS 等技术非常有效，但网络中的大多数端点也很少需要首先直接相互通信。这就是网络分段和防火墙规则发挥作用的地方。
剩下的只是基本的卫生问题。应仅向帐户授予其明确要求的权限。域管理员帐户绝不应用于远程登录用户端点或其他攻击者可访问的系统，并且所有凭据都应根据命令自动轮换。
这也不仅仅适用于横向移动，几乎所有可以想象到的攻击向量都有主动防御。组织必须提前缓解潜在的攻击面，而不是尝试被动地响应自动攻击。
通过主动防御和自动修复策略尽早阻止的攻击越多，SOC 就有越多的喘息空间来应对少数被漏掉的攻击者。
无论代理人工智能攻击是否存在或基本上不存在，任何组织可以做的最好的准备就是强化底层系统、策略和程序。您可能不会面临新的网络攻击，而只会面临现有攻击的更快版本。
减少攻击面可以减少所有攻击的影响，无论是手动、自动、零日攻击还是任何给定的组合。
安全团队可以做的最好的事情之一就是运行假设的违规场景。无论是通过网络钓鱼、恶意软件还是零日漏洞攻击，都没关系，现实是，攻击者可能会在某个时候进入您的网络。但这就是主场优势占据上风的时候。确保外围安全很重要，但最好的防御始终是网络内部的防御。
渗透测试人员的目标可能是闯入您的网络，但威胁行为者想要一些东西。也许是持续访问、有价值数据的泄露、勒索软件或破坏。所有这些都需要比简单地闯入网络更多的步骤。
授予红队对工作站、面向外部的服务器或设备、员工凭证以及攻击者可能登陆的任何其他地方的访问权限。然后，练习防止他们达到常见的攻击者目标。
非常谨慎地确保红队正在模拟现实世界的威胁。一些红队成员试图通过任何必要手段获胜的情况并不罕见，导致组织为不切实际和不太可能的攻击做好充分准备，而真正的威胁行为者仍然溜之大吉。
目标应该是确保通过主动防御或自动检测规则（而不仅仅是 SOC）来阻止攻击。虽然 SOC 具有极其重要的安全功能，但它不应该是您唯一的防线，而应该是最后的防线。
如果部署适当的主动防御，他们几乎可以切断攻击者的每条路径。此时你不必担心攻击者移动的速度有多快，因为获胜不再是简单地超越反应性防御的游戏。这是大多数攻击者干脆放弃并转向下一个目标的地方。
无论人工智能如何，攻击都会变得更快、更频繁。互联网上突然肆虐的“机器速度”自主攻击的威胁只不过是营销炒作。这完全取决于人们不了解当前或历史威胁形势。
在网络安全领域，将严肃的安全建议与营销噪音区分开来可能特别困难。很少有出版物能够在网络安全供应商的实验室中脱颖而出，而无需营销人员添加他们的作品。这导致许多可信的威胁情报文章也充当了站不住脚的营销声明的传递工具，这些声明没有证据和基础研究可信度的支持。
好吧，[插入可信的公司] 说人工智能正在做废话并造成废话......
然后我会去和写这篇文章的研究人员交谈，他深深地叹了口气，向我解释了营销对他们文章的影响，但他们根本不同意他们的结论。
如果主要的人工智能攻击开始袭来，我可以向你保证，我将第一个发出警报。但现在我看到的只是大量人工智能的废话，偶尔会被人工智能驱动的网络攻击的一次还不错但半心半意的尝试打断。