AI 时代的攻防不对等：攻击者越来越快，防御者为什么未必跟得上？

从攻击效率、组织瓶颈到安全预算，重新理解 AI 时代的网络安全博弈

最近，我和一位从事大型互联网企业安全工作的网友聊起网络攻防。

我提到，听说他们的工作压力很大，对方的反馈是：确实不轻松。随着 AI 能力增强，攻击者的效率和能力都有所提升，安全团队的工作量明显增加，有时候甚至自顾不暇。

这段交流让我想到一个问题：

如果攻击者的能力因为 AI 而快速增长，而防御者的资源投入却受到企业预算和组织结构的约束，那么网络攻防之间原本存在的不对称性，会不会进一步扩大？

这不是一个全新的问题。

网络安全行业长期存在一种经典说法：攻击者只需要找到一个突破口，防御者却必须保护整个系统。

但我觉得，这句话虽然正确，却没有解释一个更现实的问题：

为什么防御者明明知道攻击压力在增加，却未必有能力按照风险增长的速度增加投入？

这可能才是 AI 时代值得讨论的矛盾。

▪ ▪ ▪

一、AI 没有创造攻防不对称，但可能改变了不对称的程度

先明确一点：网络攻防的不对称性并不是 AI 创造的。

攻击者和防御者本来就有不同的目标函数。

攻击者通常希望在有限成本下，找到一个有价值的突破口。

防御者则需要保护资产、身份、网络、终端、业务系统和数据，同时保证业务正常运行。

双方承担的任务天然不同。

AI 带来的变化，可能不是改变双方的目标，而是改变完成这些任务所需要的边际成本。

例如，攻击者可以利用 AI 辅助完成：

防御者同样可以利用 AI：

所以，不能简单地说 AI 只增强攻击者。

真正需要研究的是：双方获得的效率提升是否相同，以及效率提升能否转化为现实中的行动能力。

这两个问题并不是一回事。

一个攻击者可以借助 AI 更快地生成攻击代码，但不代表他一定能够获得目标系统的访问权限，更不代表能够完成数据窃取和变现。

同样，一个安全团队可以借助 AI 更快地分析告警，但不代表它拥有足够的权限、人员和业务协作能力，及时完成隔离、修复和恢复。

技术能力与组织能力之间，存在一道经常被忽略的鸿沟。

二、举一个例子：攻击者的工作量减少了，防御者的工作量却增加了

假设有一家大型互联网企业。

这是一家虚构企业，以下数字均为方便建模而设置的假设值，不代表任何真实公司的业务数据。

企业有数万台服务器、数十万台终端，以及大量对外提供服务的业务系统。

过去，攻击者需要投入较多人工，完成漏洞研究、攻击工具编写、目标筛选和攻击链组合。

现在，部分工作可以借助 AI 自动化。

原来需要一个技术人员花费数小时完成的代码分析、脚本调试和信息整理，现在可能在更短时间内完成。

攻击者的单次尝试成本下降了。

假设：

那么，理论上：

攻击者不一定变得更聪明，也不一定每次攻击都更容易成功。

但相同预算能够支撑更多次尝试。

这就是边际成本下降带来的规模效应。

当然，现实中的攻击尝试并不完全独立，攻击目标也不是同质的。这里的计算只是一个简化模型。

如果单次尝试的成功概率为 p，在每次尝试相互独立、成功概率相同的理想假设下，至少成功一次的概率为：

P(至少成功一次) = 1 − (1 − p)^N

假设单次成功概率为 0.1%，那么：

这并不是说现实攻击可以简单地无限重复，也不是说 AI 能够让攻击成功率保持不变。

它只是说明：在其他条件不变的情况下，降低单次尝试成本可能使攻击者获得更大的规模优势。

真正值得关注的是，攻击者不一定需要让每一次攻击都变得更加复杂。

只要能够以更低成本完成更多有效尝试，就可能改变整体风险分布。

三、防御者的问题：攻击量增加了，企业却不一定增加预算

现在来看防御侧。

假设这家企业的安全团队原来每天需要处理 1000 条有效告警及相关事件。

团队有 20 名分析人员，平均每人每天能够完成 50 个标准化事件的处理。

那么：

C_D= 20 × 50 = 1000

其中，C_D表示团队每天的有效处理能力。

现在，由于攻击自动化程度提高，企业每天需要处理的有效事件增加到了 2000 个。

但企业没有增加安全人员，也没有扩大安全预算。

于是出现：

每日新增工作量 = 2000
每日有效处理能力 = 1000

每天有 1000 个事件无法在当日完成处理。

如果这种情况持续存在，告警积压就会形成。

而告警积压不只是一个运营指标。

它可能意味着：

这时，防御体系面对的就不再是单纯的技术问题，而是一个容量问题。

我们可以把它抽象为：

λ > μ

其中：

当：

λ > μ

如果这种状态持续存在，未处理事件就会不断积累。

这和网络设备的吞吐量、服务器的请求队列、生产线的处理能力，其实是同一种系统容量问题。

安全团队也有自己的吞吐量上限。

攻击者可能通过自动化扩大输入规模，防御者却未必能同步扩大处理能力。

四、更麻烦的是，安全部门通常还是成本中心

这里就涉及一个容易被忽略的经济学问题。

对于很多企业而言，安全部门通常不是直接创造收入的业务部门。

销售部门可以带来订单，研发部门可以交付产品，生产部门可以增加产能。

而安全部门的价值，往往体现在没有发生的事故上。

这就造成一个特殊的预算困境：

企业可以清楚地看到安全团队增加 10 个人需要多少钱，却很难准确计算这 10 个人能够避免多少未来损失。

安全投入的收益具有很强的反事实属性。

例如：

如果安全团队提前发现并阻断了一次入侵，企业避免了损失。

但问题是，企业很难直接观察到那个没有发生的损失。

于是，安全预算在经营决策中容易处于相对被动的位置。

尤其在业务增长压力较大的时候，企业可能更倾向于将资金投入能够直接产生收入的部门。

这并不意味着企业不重视安全。

监管要求、客户合同、业务连续性、历史事故和品牌声誉，都可能迫使企业增加安全投入。

但在风险难以量化、短期收益难以体现的情况下，安全部门确实可能面临预算约束。

于是，问题变成了：

攻击者的效率提高了，防御者的工作量增加了，但企业是否愿意为此支付更多成本？

这三个变量未必同步变化。

五、把问题放进一个简单的数学模型

我们可以把企业面对的安全问题简化为一个成本优化问题。

设：

J(B) = C(B) + E[L(B)]

其中：

企业理想情况下希望：

min_BJ(B)

也就是说，企业并不是要无限增加安全预算，而是要找到一个合理的投入水平，使安全投入成本与预期损失之和尽可能低。

假设增加安全预算能够降低入侵概率，也能够降低入侵后的损失，那么安全投入就具有边际收益。

但现实中的问题在于：

企业往往不知道准确的入侵概率，也不知道每增加一单位预算究竟能减少多少风险。

这使得安全预算很难通过简单的财务模型直接确定。

进一步考虑 AI 带来的变化。

假设攻击者的效率提升，使得企业面临的潜在攻击压力增加。

我们可以将其抽象为：

P(I | B, A)

其中：

那么企业面对的预期损失可以写成：

E[L] = P(I | B, A) × E[L | I, B, A]

这意味着，AI 可能同时改变入侵发生的概率和入侵后的损失。

但需要强调：这只是一个建模框架，不代表我们已经掌握了这些函数的真实形式，更不能直接推导出 AI 一定会使入侵概率上升。

它真正的价值在于提出一个可以验证的问题：

当攻击自动化水平提高时，企业原有的安全预算是否仍然能够维持相同的风险水平？

如果不能，那么企业就需要重新评估资源分配。

六、真正的瓶颈可能不是模型，而是组织

还有一个更容易被低估的问题。

AI 可以辅助分析告警，可以生成处置建议，甚至可以自动执行部分操作。

但安全事件发生后，很多工作并不能仅靠模型完成。

例如：

这些事情涉及的不只是技术判断，还涉及责任、权限、业务连续性和组织协作。

AI 可以告诉你某台服务器可能已经被入侵。

但它未必拥有权限直接关闭服务器。

即使拥有权限，企业也未必允许它这样做。

这就产生一个重要区别：

攻击自动化可以扩大攻击规模，防御自动化却不一定能够自动扩大组织的处置权限。

如果检测能力提升了十倍，而处置授权、跨部门协作和恢复能力没有变化，那么防御体系的整体能力就不可能简单地提升十倍。

从系统工程的角度看，整个防御流程的处理能力受制于瓶颈环节。

可以用一个简化关系表示：

C_整体≤ min(
C_检测, C_研判, C_授权, C_处置, C_恢复)

这不是严格的通用性能公式，而是一个用于说明串联系统瓶颈的抽象表达。

它提醒我们：单个环节的效率提升，不等于整个系统的效率提升。

企业购买了更先进的 AI 安全产品，也不意味着已经获得了更强的安全能力。

七、防御者不应该永远追赶攻击者

如果以上分析成立，那么企业的防御策略就不应该只是不断增加告警分析人员，或者采购更多检测产品。

因为这可能陷入一个无止境的追赶过程。

攻击者增加攻击尝试，防御者增加检测规则；攻击者更换攻击手法，防御者更新规则；攻击者利用自动化扩大规模，防御者再增加自动化工具。

双方不断投入资源，却未必真正改变风险结构。

从风险管理的角度看，防御者还有另一种选择：

不只是提高发现攻击的能力，还要降低攻击成功的可能性，以及成功后的损失。

例如：

这实际上是在改变攻击者面对的目标环境。

如果一个企业能够从架构层面减少可利用的入口，那么攻击者即使提高了攻击尝试次数，也未必能够获得同比例的收益。

因此，企业真正应该优化的不是告警数量，也不是安全产品数量。

而是：

预期安全损失 = P(入侵) × E[L | 入侵]

防御投入的价值，最终应该体现为入侵概率和入侵损失的下降。

这也是为什么安全治理、身份管理、架构设计和业务连续性，与传统意义上的安全检测同样重要。

▪ ▪ ▪

八、这究竟是不是 AI 加剧了攻防不对等？

回到最初的问题。

目前，我认为至少需要区分三个层次。

第一层：已经存在的结构性不对称。

攻击者寻找突破口，防御者保护整体系统。这是网络安全的经典问题，并不是 AI 带来的新发现。

第二层：值得关注的技术经济变化。

AI 可能降低部分攻击活动的边际成本，使攻击者能够以相同资源完成更多尝试。防御者也能够利用 AI 提高效率，但其整体能力还受到数据、流程、授权和组织资源的限制。

第三层：尚待验证的现实结果。

AI 是否已经让攻击者的能力增长速度系统性地超过防御者？是否导致企业入侵概率上升？是否使安全团队的响应时间普遍变长？

这些问题都需要更大规模的数据支持。

我们至少需要比较：

如果只有攻击效率提升的个别案例，却没有防御效率、投入和风险结果的对照数据，就不能得出整个行业攻防差距已经扩大的结论。

但这并不妨碍我们提出一个值得研究的假设：

AI 可能降低攻击能力规模化复制的成本，而防御能力的增长仍然受到企业预算、组织流程和现实处置权限的约束。

这才是我真正想讨论的事情。

▪ ▪ ▪

九、写到这里，我发现这可能仍然是一篇正确的废话

写到这里，我突然意识到一个问题。

我用了概率论、经济学、排队论和系统工程，构建了几个模型，试图解释 AI 时代的网络攻防问题。

看起来好像很有道理。

但仔细想想，里面有多少是真正的新知识？

攻击成本下降可能增加攻击规模，这是经济学常识。

处理能力低于输入速度会产生积压，这是排队论常识。

系统整体能力受制于瓶颈，这是系统工程常识。

安全部门面临预算约束，这是企业经营中的常见现象。

这些道理放在一起，确实能够形成一套逻辑自洽的解释。

但逻辑自洽不等于现实已经如此。

模型可以说明一种机制可能怎样运作，却不能自动证明这种机制已经在整个行业普遍发生。

我目前没有足够的数据证明 AI 已经让攻击者的能力增长速度系统性地超过防御者，也没有足够的实证研究能够准确量化双方边际成本的变化。

所以，严格来说，这篇文章并没有证明一个新的结论。

它更像是把安全行业熟悉的现象，放进经济学、概率论和系统工程的框架里，重新拆解了一遍。

甚至可以说，我写的依然是一篇正确的废话。

不过，我觉得有一个问题仍然值得留下：

当攻击者越来越容易扩大攻击规模时，企业究竟有没有意愿和能力，同步扩大自己的防御能力？

如果安全投入始终被当作成本，攻击者的技术进步又不断降低攻击成本，那么企业可能面对的就不只是技术差距，还有资源配置上的结构性矛盾。

技术进步不会自动转化为防御优势，AI 也不会替企业承担安全决策的责任。

我们不缺少关于安全重要性的正确认识。

真正稀缺的，是能够证明一笔安全投入究竟改变了多少实际风险的证据。

至于这篇文章有没有价值？

也许它只是把几句大家早就知道的道理，重新排列组合了一遍。

🌚