B站基础安全在AI溯源方向的探索实践

在企业安全建设中，SIEM/SOC 的告警运营始终是不可或缺的核心环节。随着安全需求的不断提升，告警自动化运营经历了多个迭代阶段：

• 人工查证阶段：运营人员需要在各类平台之间频繁切换，手动收集与比对信息；

• 脚本驱动阶段：通过编写简单脚本实现部分告警处理的自动化，但灵活性有限；

• SOAR 阶段：引入编排化的剧本设计，能够串联多种安全工具与流程，实现更高程度的自动化。

虽然自动化能力在不断增强，但实际运营中仍需安全人员持续参与，对剧本进行调试和优化，以确保其适应复杂多变的威胁场景。

随着 AI 技术的不断成熟，其在 自动编排、报告生成与智能分析 等方面展现出天然优势。借助 AI 的能力来提升安全事件告警的处理效率，已经成为各大企业探索与实践的重要方向。

演变过程大致经历了以下几个阶段：

• 大模型安全知识库搭建：沉淀安全规则与经验，为 AI 的智能化分析提供底层支撑；

• 大模型告警解读分析：自动化理解告警内容，完成分类、归因与初步分析；

• 大模型告警研判：在多源数据与上下文的支撑下，AI 逐步具备辅助安全人员进行告警定性与风险判断的能力。

近年来，随着 Claude 的 MCP（Model Context Protocol） 协议逐渐成为主流的 AI 与工具交互标准，基于 MCP 的 AI Agent 已经演变为连接 AI 与真实数据的关键桥梁。这种方式不仅提升了告警分析、研判的智能化程度，也让自动化溯源与安全运营更加契合企业内部的实际需求。

最初，用户通过账号密码登录平台，在界面上逐步完成各类操作；随着平台开放程度的提高，API 的出现让机器能够直接调用数据和服务，OpenAPI极大地提升了交互的效率与自动化程度。随后，低代码平台的兴起又进一步降低了门槛，使非专业开发者也能以可视化、拖拽式的方式快速构建业务流程。

而在当下，AI 正在重塑人与平台的交互方式。借助 MCP，大模型不仅仅是对话聊天，答疑助手，而是一个具备领域全面，专业性极强的智能体，通过增加记忆能力，管理上下文能力，自动解析意图、调用合适的工具集，便可完成复杂的业务闭环。这意味着交互正从 “人教机器做事” 向 “人与智能体协作” 转变，平台的可用性和智能化程度也因此迈入新的阶段。

对于基础安全团队而言，我们同样经历了引入 AI 的逐步过程：从告警解读到告警研判，再到告警降噪。随着 MCP 协议逐渐被业界认可并采纳，基于 MCP 的 AI Agent 可以在告警降噪之后，在解读告警的同时关联内部多源数据，进一步完成对事件的溯源分析。

在溯源场景中，关键在于让 AI 能够接触并查询到企业内部平台的数据。安全团队通常会部署多种安全产品，例如 HIDS、WAF、EDR、IPS、蜜罐等。若希望实现 AI 自动化溯源，就需要借助 MCP 将 AI Agent 与这些安全设备能力对接，使其能够：

• 查询并关联 HIDS、WAF 等安全告警数据；

• 访问内部资产信息；

• 将结果映射和关联到人、IP、部门等维度。

通过这种方式，AI 不仅能完成告警分析，还能自动串联攻击线索，最终实现更高程度的自动化溯源。

基于上述思路，我们的整体设计方案是将内部安全产品的 API 接口、内部资产接口和日志相关的查询接口转化为 AI 可调用的 MCP 工具集，供AI-Agent调用。目前，我们已完成对以下产品的转化与实现：

在实际工作中，告警信息通常会通过机器人推送到告警处置群。联合大模型智能体、企业微信机器人以及企业微信三方应用号，我们设计并实现了如下处理链路，以提升告警研判与溯源的效率：

1. 安全产品产生告警 —— HIDS、蜜罐、EDR 等安全设备输出原始告警事件；

2. 流式处理 —— 通过实时流处理框架对告警进行过滤和汇总至安全SIEM平台；

3. AI 研判降噪 —— AI Agent对告警进行解读与风险评估，实现告警降噪；

4. 机器人推送告警 —— 企业微信机器人将大模型研判为高危的告警推送至告警处置群；

5. 运营人员响应 —— 安全运营人员根据高危告警信息进行分析与处置；

6. AI 辅助溯源与自动处置（可选） —— 运营人员借助大模型可进一步触发溯源流程，甚至自动完成处置动作。

这一架构使得告警处理流程既保留了人工判断的灵活性，又逐步引入 AI 的智能化能力，实现了“人机协同 + 自动化溯源”的目标。

对于集成了众多工具集的AI-Agent,prompt在大幅简化的情况下，仍能有很不错的溯源效果，比如下边例子中，我们给的prompt均为：

一次溯源分析流程，运营人员只需要点击告警卡片的AI溯源，即可触发大模型的溯源分析：

完整溯源结果如下，可见AI-Agent可自行搜索主机信息，关联堡垒机信息，找到命令执行人和执行的命令，并定位到触发告警的员工部门

HIDS基于主机的告警类型比较多，此处我们用真实的例子，说明在命令执行场景中，借助MCP能力，大模型能够自行分析恶意进程，并关联HIDS的其他告警信息，最终给出行为分析和结论：

对于EDR的告警，我们更加聚焦于员工的行为分析，以某位员工终端设备疑似被病毒感染的告警为例：

可见大模型可根据提供的MCP工具，自行查询并给出用户信息，包含用户名，部门、操作系统，办公区域等，并在关联分析中，给出员工从8月11日开始使用该IP，且因为使用了带病毒的Autodesk 3D建模插件，触发了EDR告警。

通过半年的探索实践，以HIDS告警比较多的命令执行为例，以往人工研判的告警每天大概30条左右，接入大模型后，需人工研判的数量下降到了1-3条，降噪率平均约93.33%，对于降噪后的告警，结合AI的自动化溯源分析，大大提升了运营人员的安全问题排查效率。

基于上述实践，我们认为未来的安全产品与安全设备在交付时，将不仅仅局限于提供传统的OpenAPI 接口，还会同时向客户开放基于 MCP 的工具集。借助大模型能力的延伸，用户可以直接将安全产品与自身的大模型平台对接，实现更自然的交互与更高效的使用体验。

这种模式将显著提升客户在告警关联分析与自动化安全运营方面的效率，使安全产品从“单点能力输出”转变为“智能化协同伙伴”，帮助企业更好地应对复杂多变的安全威胁。

通过本次在 B 站基础安全体系中的探索实践可以看到，AI 已经不再只是辅助告警分析的“锦上添花”，而是逐步演变为推动告警运营自动化与溯源智能化的核心引擎。从告警解读、研判到降噪，再到与内部安全数据的深度关联，AI-Agent 借助 MCP 协议真正成为了连接安全产品能力与智能分析的桥梁。

在实践案例中，无论是蜜罐、HIDS，还是 EDR 的告警，AI 都能够在具备足够上下文和工具集的前提下，完成从事件追踪、行为分析到责任主体定位的完整溯源链路。这不仅显著提升了运营人员的效率，也推动了“人机协同 + 自动化溯源”的落地。

展望未来，随着 MCP 工具集逐渐成为安全产品的标配，AI 在安全运营中的价值将进一步释放。安全部门能够在更短的时间、更低的成本、更高的准确性下完成告警处置与溯源，为企业抵御日益复杂的安全威胁提供坚实保障。

-End-

作者丨zhiye

对于网络安全&大模型的探索，大家还有哪些落地实践？

欢迎在留言区分享你的见解~

转发本文至朋友圈并留言，即可参与下方抽奖⬇️

小编将抽取1位幸运的小伙伴获取宝可梦徽章（随机款）

抽奖截止时间：11月14日12:00

如果喜欢本期内容的话，欢迎点个“在看”吧！