RSAC 2024创新沙盒｜Dropzone AI：自动化安全运营研判

Dropzon AI是由Edward Wu 创立的一家自动化安全运营的公司。“我们的使命是为网络防御者提供无限的智能”作为该公司的目标，也非常明确的描述了他们的产品定位与核心竞争力。安全运营一直以来都需要大量的安全专家持续的工作，以确保整个安全系统的正常运作，保护客户的系统。然而随着LLM（大型语言模型）的进步已经实现了认知自动化。利用人工智能来自动化网络安全专业知识和工具已成为趋势。该公司给出了许多产品实例，其根本目标为：使用人工智能赋能安全运营。

该公司的产品作用与安全运营的多个方向，通过使用LLM模拟SOC分析专家，可实现自动化的研判甚至于响应。产品本身并不能独立运行，而是通过集成已有的安全工具，通过使用工具调用，收集、分析数据，并进行自动研判。以此提高安全运营效率。这样的产品模式使其拥有强大的灵活性，在当前安全运营环境复杂的情况下，可以根据当前环境最大限度利用已有工具，不但效率高，而且在某些情况下可以比人类考虑的更全面。产品本身已经预训练了许多工具的调用，如图2所示。

在产品简介中，其提出了一个很重要的观点：因为安全运营中人工的效率和精力都有限，因此往往只能对大部分告警做tier-1级的分析，即初步筛选、优先级评定等等初步操作。发现高危之后才能对有限的告警进行深入调查。但自动化安全运营后，提高了效率，可对大量告警进行tier-2或者tier-3级别的深入分析，从而更清晰的理解告警，发现真实攻击。

其产品的主要竞争力有以下几点：

1. 100%研判所有告警。

2. 全自动化深度分析。

3. 全自动化关联分析。

4. 自动总结与良好的推理过程，可随时查看推理来源数据。

5. 高环境适应性，与当前产品解耦，可用于任何安全运营环境而不用改变原来已有工具和环境。

在实例展示中，其一共列举了九个场景，分为三种使用方式。前六个场景主要用于讲解全自动化研判分析能力。上下文知识库问答与威胁狩猎是通过人机交互对话方式实现。最后的上下文询问则展示了其如提升安全运营中人与人的沟通效率，降低沟通成本。接下来我们通过对场景实例介绍, 研究其功能, 以及分析实现该功能的技术推论。

全自动研判主要用于各种危险告警的研判情景，Dropzone AI将会自动调用各种工具对一个告警进行多角度的分析，并自动生成总结和结论。在其官网上给出了自动研判的6个场景，分别是：钓鱼邮件分析、终端告警分析、网络流量告警分析、云服务告警分析、身份认证告警分析和内部威胁告警分析。我们以终端告警为例，详细分析一下其自动研判的效果与工作原理。首先其明确了应用场景：Microsoft defender已经发现一个exe尝试攻击，并将其block。但作为安全运营人员需要分析细节。

如图3所示，该告警由Microsoft defender生成，Dropzone AI并不进行底层的告警发现，其专注于对于已发现的告警进行研判。这实现了上层分析与底层告警提取的解耦，使Dropzone AI的SOC产品可以更轻松地适应当前已有的SOC环境，而无需修改原本的SOC基础设施。

1）列出所有值得关注的告警

如图4所示，其第一步发现了当前值得关注的告警信息。这属于简单的工程化操作，但对于提升用户体验非常必要。

2）整体总结与结论

Dropzone AI 的研判结果会放在顶部，方便用户浏览。如图4，观察其总结可明显感知其内容是通过大模型生成的。推测其模板可能类似于：“基于以上信息给我写一个总结”， 而结论部分则更像是一个枚举的结果。大模型需要给出一个“标签”：恶意/噪声/不确定 等。然后基于其评定的等级给出固定的结论。图4中的结论为“恶意”，因此建议立刻对该告警做出响应。

3）推理与证据

Dropzone AI的结论并非无中生有，而是有着完整的推理细节和结论。图6 开始给出其所有的发现以及细节，结合大模型对于发现的细节给出的推理。共同构成了证据链。通过这一部分的内容，用户可以轻松理解结论的来源，观察其可信度，即使其推论有错误，也很容易被运营专家发现。

根据其展示的功能推测，其调用了多种不同的工具对告警进行分析。这些结果将返回给大模型，大模型会给出一段基于返回结果的总结。这样就实现了“证据”与“推理”的结合。做到了每一个推理都可以找到出处。图7中，dropzone AI调用了微软的API，该结果用于确认setup.exe是一个拥有执行环境的可执行文件。在图8中，大模型接收到Microsoft 365 Defender Advanced hunting API的结果，并作出了下一步的行动：使用sandbox实际运行该exe文件，分析其行为。在分析结果中，dropzone AI发现一个细节，其试图与一个外部IP建立链接。

与之前相同，其每一步推论都有证据。通过点击即可查阅证据来源的原始数据。如图9所示，当用户质疑其推理正确性时，进入sandbox分析结果即可发现，其确实试图与外部建立链接。

4）关联分析

截止到以上，通过安全专家的深度分析还是可以完成的。但关联分析则需要研判专家对数据有极高的敏感度。而Dropzone AI可以通过大量的查询语句，实现对数据的“敏感度”。图10给出其根据当前的危险IP发现了系统中其他的相关的设备也试图连接此IP。

Dropzone AI 对于不同应用场景给出了不同的交互方式，不同于上文提到的全自动化场景，对于威胁狩猎和知识库，其采取了自然语言对话框交互的方式。如图11、图12所示，其给出了如chatgpt 一样的交互界面，可以理解自然语言，调用工具获得结果，再以自然语言返回给用户。

最后一个场景是通过其SOC平台实现快速交互。在图13的例子中，研判人员发现钓鱼邮件，需要确认该文件是否被执行，因此需要像收邮件的员工询问。Dropzone AI可以自动生成询问邮件，而使用者只需要点击发送。

Dropzone AI 是一家专注于自动化安全运营的公司，其核心产品利用大型语言模型（LLM）和人工智能技术，极大地提升了安全运营的效率和精度。该公司通过整合现有的安全工具，自动收集和分析数据，实现对各种安全告警的深入研判和响应。这种自动化不仅提高了对告警的处理能力，允许进行更为复杂和深入的分析（如tier-2和tier-3级别），而且能够生成详细的推理和证据链，帮助用户更清晰地理解告警的本质。

Dropzone AI 的产品特点包括：

• 全自动化研判

  系统可以自动调用工具对告警进行多角度分析，并生成总结和结论。

• 高度灵活性和环境适应性

  产品可以轻松适应当前的安全运营环境，无需改动现有基础设施。

• 人机交互模式

  通过自然语言交互界面，系统能够理解自然语言，获取和返回数据，提供类似chatgpt的用户体验。

• 提升人与人交互效率

  系统能自动生成需要的询问邮件，简化交流流程，加速问题解决速度。

Dropzone AI 的技术应用不仅限于传统的安全运营场景，还包括钓鱼邮件分析、终端和网络流量告警分析、云服务和身份认证告警分析等，极大地拓宽了自动化安全运营的应用范围。这种全面自动化的研判体系，不仅提高了处理告警的效率，还增强了对复杂安全威胁的响应能力，是现代网络安全防御的重要进步。

参考文献

[1]  www.dropzone.ai