主题演讲主要内容：AI 原生的网络攻击行为综合研判分析
相关系统：BAIZE SEC（白泽）网络攻击行为综合智能分析研判系统
一、演讲主题与总体判断
本次演讲围绕“AI 原生的网络攻击行为综合研判分析”展开，核心观点是：传统网络安全分析高度依赖规则、人工专家和大量分散工具，难以应对多阶段、复杂化、持续变化的网络攻击；应当以大模型、多智能体、知识库和攻击链推理为基础，重构网络安全分析流程。
演讲展示了华安云科的 BAIZE SEC 系统：通过 AI 智能体对流量、终端日志、代码/木马、威胁情报等多源数据进行分析，完成攻击行为识别、关联研判、攻击链推理、威胁溯源和取证报告生成。
二、现有安全分析的主要痛点
1. 传统检测依赖规则
- 流量、终端和恶意代码分析往往依赖固定规则与人工经验。
- 规则难以覆盖未知威胁、变种攻击和复杂攻击链。
- 容易出现误报、漏报，且攻击技术变化后需要持续维护规则。
2. 分析工具和流程碎片化
恶意代码分析通常需要反编译、调试、资源分析、IAT 重建、网络封包分析、行为监控等多类第三方工具，整个过程复杂，人工成本和时间成本高，也很难把不同工具的结果进行深度关联。
3. 多源数据难以统一关联
安全分析涉及流量、终端文件、进程、注册表、网络连接、日志、IOC、攻击组织画像等多种数据。数据维度多、格式不一，跨数据源关联困难，难以还原完整攻击链。
4. 通用大模型直接用于安全分析存在局限
演讲归纳了通用大模型的几个痛点：
- 回答可能产生幻觉；
- 内容难以证伪、难以追溯依据；
- 难以回答安全分析中的特殊细节；
- 缺少网络安全行业知识、攻击事件和 IOC 的专业背景。
三、BAIZE SEC 的总体架构
1. 多智能体分工
系统将复杂的安全研判任务拆分给不同专业智能体，主要包括：
- 流量数据分析智能体：解析网络流量与数据包，识别协议、通信行为和异常流量。
- 终端日志数据分析智能体：分析 Windows 等终端取证日志、进程、注册表、文件和网络服务信息。
- 代码静态分析智能体：分析恶意代码、文件结构、字符串、导入导出表等静态特征。
- 木马动态分析智能体：动态执行样本，捕获运行行为、文件操作、进程活动和网络活动。
- 情报深度关联分析智能体：关联 IOC、攻击事件、攻击技战术、APT 组织画像和知识库。
- 逆向/恶意代码分析助手、APT 知识问答助手、IOC 关联拓线助手：以对话方式辅助分析师进一步探索。
2. LangChain + Agent Blackboard
技术框架采用 LangChain 与 Blackboard（黑板）机制实现多 Agent 协作：
- LangChain 为大模型应用提供模型、Prompt、工具调用、记忆和外部数据接入等通用能力。
- Blackboard 提供中央共享状态存储，多个领域专家智能体围绕黑板读写信息。
- 控制器根据黑板的当前状态，动态决定下一步调用哪个智能体，而不是执行固定流程。
- 支持条件分支、并行执行、异步协作和长时间运行的复杂工作流。
- 分析过程可回溯、系统高度可观测，领域专家模块能够解耦。
这一架构的关键价值在于：把复杂安全分析从“单一模型的一次性回答”转变为“多个专业智能体基于共享状态的协同研判”。
四、人机交互与分析模式
系统提供智能体中心和技能中心，分析人员可以选择专业智能体或直接创建分析任务。主要交互方式包括：
1. 对话聊天模式
白泽智能体可以回答安全问题、解释攻击活动、介绍恶意样本或攻击组织，并支持围绕上下文连续追问。
2. AI Agent 智能体模式
面向复杂、具体的分析研判任务。系统可以自主选择工具和智能体，多轮执行分析，并实时回显思考过程与工具调用过程。
3. 数据分析模式
分析人员选择数据、任务名称和分析模式后启动任务，系统展示任务进度、分析状态和历史任务，最终生成结构化的综合分析报告。
五、典型能力一：网络流量与数据包分析
1. 目标与痛点
系统面向“AI 原生的流量数据包深度分析”，重点解决：
- 规则检测覆盖不足；
- 误报与漏报率高；
- 加密流量导致异常检测困难；
- 数据包分析流程和方法论需要重构；
- 需要定制化工具进行预处理；
- 分析结果与威胁情报、攻击溯源经验关联困难。
2. 分析方式
系统可对 PCAP 等数据进行综合分析，结合预处理工具、流量分析引擎和安全知识库，识别 C2 通信、DNS 隧道、异常网络活动及可能的横向移动、数据窃取行为，并输出综合分析摘要和威胁情报报告。
演示案例中，系统对一组网络样本进行分析，识别出包含 C2 通信、DNS 隧道、远程控制木马、挖矿程序和蠕虫活动的多阶段复合攻击迹象，并给出攻击组织/家族线索和处置建议。该部分属于演示样本的分析结论，不应直接视为本论坛现场真实事件的确认。
六、典型能力二：终端日志与取证分析
终端数据分析的难点包括数据维度和种类多、数据量大、依赖规则、误报漏报以及系统化分析困难。
系统支持上传 Windows 取证日志 JSON，自动解析进程、注册表、网络、服务、文件、计划任务等多个安全数据块，再由多个分析智能体逐类研判，最终生成综合取证报告。
七、典型能力三：恶意代码反编译与行为分析
1. 从人工工具链转向 AI 辅助
传统恶意代码分析需要使用 EXE 信息分析、PE 结构分析、反编译、调试、资源和导入表处理、行为监控等工具；流程非常复杂，依赖人工专家，且难以进行深度关联分析。
BAIZE SEC 尝试把静态分析、动态分析、反汇编结果、样本数据和攻击溯源经验统一起来，辅助分析师理解恶意代码行为。
2. 演示样本：键盘记录木马
演示页面将样本识别为能源行业相关高级持续性威胁组织 ENERGETIC BEAR（IRON LIBERTY） 使用的 Karagany（XFrost） 恶意软件，属于高危键盘记录木马（Trojan:Win32/Keylogger）。页面展示的行为包括：
- 伪装为合法系统组件或文件名以逃避检测；
- 通过互斥体实现单实例运行；
- 设置全局键盘钩子窃取键盘输入；
- 获取窗口标题和剪贴板内容；
- 执行文件清理以消除痕迹；
- 可能通过注册表或其他机制实现持久化。
系统可以从反编译代码中提取函数关系和行为链，例如初始化路径、伪装与持久化、安装键盘钩子、捕获键盘数据、窃取剪贴板以及数据写入与清理。
八、典型能力四：专业安全知识库与情报关联
1. 网络安全专业 RAG
系统建设面向网络攻击事件和 IOC 情报数据的专业知识库，用于弥补通用大模型在安全领域知识、可验证性和细节回答方面的不足。
知识库内容包括：
- 网络攻击事件；
- IOC 与关联拓展数据；
- 攻击组织及组织画像；
- 攻击技战术（TTP）；
- 恶意软件与样本分析结果；
- 攻击链、溯源经验和安全报告。
2. APT 情报知识体系
情报关联分析能力的目标是建立 APT 全息情报知识体系，形成可研判、可追溯、基于因果关系的精准情报体系。系统通过自研的攻击线索关联分析及溯源模型，将 IOC、攻击事件、TTP、组织画像和关联拓展数据连接起来，生成关联关系图和可追溯的研判依据。
九、案例分析中体现的研判方法
演示页面展示了从 IOC、样本、流量、终端证据到攻击组织画像的逐层分析方法，强调：
- 先采集和规范化样本、流量、日志及情报数据；
- 再调用不同专业智能体进行静态、动态、日志和关联分析；
- 把各智能体结果写入共享黑板，形成统一分析上下文；
- 通过知识库匹配已知攻击组织、家族、TTP 和事件；
- 对未知或复杂样本开展多轮工具调用与深度推理；
- 生成综合分析、取证和威胁情报报告，并保留依据和过程。
十、未来展望与业务规划
1. AI 重构网络安全防御体系
演讲提出，AI 技术将深度重构网络安全防御体系。未来防御体系不应只依靠单点产品，而应把已知威胁情报、沙箱、杀毒/EDR、蜜罐或欺骗、流量、终端和情报分析等能力连接起来，覆盖攻击生命周期的多个阶段，例如初始接入、执行、权限提升、防御规避、凭据访问、发现、横向移动、命令与控制和信息渗漏等。
2. 系统优化方向
- 持续扩大 AI 智能体系统分析数据的覆盖面；
- 提升攻击检测效率与研判质量；
- 进一步完善现有分析流程与效果；
- 建立 AI 智能体的长期记忆机制，让系统具备“越用越聪明”的持续学习能力；
- 继续强化情报知识库、攻击链推理和多智能体协同。
十一、核心结论
- 网络攻击正在变得多阶段、复合化、隐蔽化，单一规则或单一工具难以完成高质量研判。
- 安全智能化的关键不是简单接入一个通用大模型，而是构建专业知识库、工具链、多智能体和可回溯的工作流。
- LangChain 负责模型应用编排与工具接入，Blackboard 负责多智能体之间的共享状态和动态协作。
- BAIZE SEC 的产品思路是把流量、终端、代码、木马和情报分析统一到一个 AI 原生研判体系中。
- 对安全领域而言，可验证、可追溯、可观测和能关联攻击链，比单次回答的语言流畅度更重要。
- 长期方向是让 AI 智能体覆盖更多数据类型和防御环节，并通过长期记忆不断积累分析经验。