引言/導(dǎo)讀
北京金睛云華科技有限公司(以下簡(jiǎn)稱“金睛云華”)，2016年成立于北京，致力于成為以AI智體為核心的新一代網(wǎng)絡(luò)安全產(chǎn)品與引擎提供商。創(chuàng)始人及核心團(tuán)隊(duì)主要來自于清華大學(xué)KEG實(shí)驗(yàn)室、華為、啟明星辰、東軟等一線AI科學(xué)家與網(wǎng)絡(luò)安全專家，在網(wǎng)絡(luò)安全和人工智能領(lǐng)域有二十余年豐富的經(jīng)驗(yàn)和技術(shù)積累，已申請(qǐng)100余項(xiàng)基于人工智能的網(wǎng)絡(luò)安全發(fā)明專利。在北京與沈陽(yáng)建立了研創(chuàng)中心與安全運(yùn)營(yíng)中心，并在北京、上海、廣州、深圳等二十余個(gè)省市建立了營(yíng)銷與服務(wù)網(wǎng)絡(luò)，已形成研發(fā)、創(chuàng)新、營(yíng)銷與服務(wù)覆蓋全國(guó)的戰(zhàn)略布局。
金睛云華作為國(guó)內(nèi)最早專注人工智能和NDR領(lǐng)域的公司，實(shí)施了創(chuàng)新驅(qū)動(dòng)發(fā)展戰(zhàn)略，形成了以AI檢測(cè)智體為核心的XDR解決方案和以AI運(yùn)營(yíng)智體為核心的智能安全運(yùn)營(yíng)(AISecOps)兩條業(yè)務(wù)線，并在兩個(gè)方向上持續(xù)拓展，踐行金睛云華在用戶數(shù)字化轉(zhuǎn)型和智能化升級(jí)時(shí)代的使命一安全智體平權(quán)，踐行“普惠安全”。金睛云華打造的產(chǎn)品體系涵蓋以安全大腦「CyberCopilot」賦能的工業(yè)互聯(lián)網(wǎng)威脅檢測(cè)和智能安全運(yùn)營(yíng)產(chǎn)品族，產(chǎn)品包括云鑒·高級(jí)威脅檢測(cè)系統(tǒng)(ATD Pro)、云蹤·網(wǎng)絡(luò)流量回溯審計(jì)系統(tǒng)(TFS Pro)、云晰·加密流量檢測(cè)系統(tǒng)(ETD Pro)、云圖·網(wǎng)絡(luò)安全智能中心(CC Pro)以及云智網(wǎng)絡(luò)安全大腦(BOC)。以大語言模型和智能體技術(shù)為核心，金睛云華將以安全大腦賦能高級(jí)威脅檢測(cè)和智能安全運(yùn)營(yíng)作為公司未來戰(zhàn)略發(fā)展方向，完成公司從智能威脅檢測(cè)解決方案到智能安全運(yùn)營(yíng)解決方案的業(yè)務(wù)模式演進(jìn)，最終以安全大腦「CyberCopilot」提供商的角色賦能網(wǎng)絡(luò)安全行業(yè)。
智能工業(yè)互聯(lián)網(wǎng)威脅檢測(cè)系統(tǒng)作為一個(gè)基于人工智能技術(shù)的網(wǎng)絡(luò)安全檢測(cè)工具，實(shí)時(shí)捕獲和分析網(wǎng)絡(luò)流量，通過機(jī)器學(xué)習(xí)、集成學(xué)習(xí)、深度學(xué)習(xí)、大語言模型（LLM）等技術(shù)，實(shí)時(shí)發(fā)現(xiàn)網(wǎng)絡(luò)中異常行為和潛在的安全威脅。系統(tǒng)能夠根據(jù)新的數(shù)據(jù)和威脅模式不斷更新和優(yōu)化智能化檢測(cè)模型，以保持對(duì)新興威脅的有效識(shí)別能力。同時(shí)，通過自動(dòng)學(xué)習(xí)建立流量白模型和識(shí)別正常行為模式，用于增強(qiáng)對(duì)網(wǎng)絡(luò)威脅的檢測(cè)和響應(yīng)能力。系統(tǒng)提供直觀的數(shù)據(jù)分析和可視化界面，幫助安全分析師快速理解和分析安全威脅，減輕安全團(tuán)隊(duì)的工作負(fù)擔(dān)。
隨著網(wǎng)絡(luò)攻擊的不斷增加和復(fù)雜化，網(wǎng)絡(luò)安全面臨著大數(shù)據(jù)和智能化的挑戰(zhàn)，傳統(tǒng)的基于規(guī)則的安全檢測(cè)技術(shù)難以應(yīng)對(duì)高級(jí)持續(xù)性威脅、零日漏洞、惡意加密流量的攻擊。大語言模型（LLM）對(duì)于復(fù)雜網(wǎng)絡(luò)環(huán)境理解能力高，通過學(xué)習(xí)大量的數(shù)據(jù)、自動(dòng)提取數(shù)據(jù)的特征和規(guī)律性，發(fā)現(xiàn)復(fù)雜環(huán)境下隱蔽的攻擊模式。經(jīng)過微調(diào)后的檢測(cè)模型特別是對(duì)于惡意代碼變種、加密流量檢測(cè)和用戶白流量建模能力強(qiáng)大，大大提高了檢測(cè)的效率和準(zhǔn)確性，降低誤報(bào)和漏報(bào)率，提升了安全防護(hù)的能力。大語言模型（LLM）也具有強(qiáng)大的適應(yīng)能力，能不斷學(xué)習(xí)和自動(dòng)適應(yīng)新的數(shù)據(jù)和場(chǎng)景，用于檢測(cè)新型網(wǎng)絡(luò)攻擊。
一、關(guān)鍵詞
安全大模型，智能體，程序語言大模型、工業(yè)互聯(lián)網(wǎng)智能安全運(yùn)營(yíng)
發(fā)起公司和主要聯(lián)系人聯(lián)系方式：北京金睛云華科技有限公司，胡永亮 18698814130
二、測(cè)試床項(xiàng)目目標(biāo)
1、本地化工業(yè)安全大模型的訓(xùn)練：大語言模型通常具有數(shù)億甚至百億、千億級(jí)的參數(shù)，需要大量的GPU計(jì)算資源用于本地化訓(xùn)練。如何在資源有限的情況下保證其穩(wěn)定運(yùn)行并提供低延遲的服務(wù)，是一個(gè)巨大的技術(shù)挑戰(zhàn)。
2、模型的安全性和隱私保護(hù)：在處理敏感數(shù)據(jù)時(shí)，如何確保大模型本身不被用于泄露隱私信息或進(jìn)行惡意操作，以及如何避免模型被訓(xùn)練出偏見或歧視性行為，是必須考慮的安全性問題。
3、智能體的構(gòu)建與優(yōu)化：構(gòu)建能夠通過拖拽等可視化界面進(jìn)行交互的智能Agent，需要將復(fù)雜的任務(wù)分解為可由大模型處理的子任務(wù)，并且要確保這些子任務(wù)能夠有效地組合起來完成整體任務(wù)，這需要高度的抽象和設(shè)計(jì)能力。
4、多源數(shù)據(jù)的整合與統(tǒng)籌分析：需要整合來自不同來源的數(shù)據(jù)，如情報(bào)系統(tǒng)、資產(chǎn)系統(tǒng)等。如何確保數(shù)據(jù)的準(zhǔn)確性、一致性和時(shí)效性，以及如何有效地利用這些數(shù)據(jù)進(jìn)行綜合分析，是系統(tǒng)實(shí)現(xiàn)的關(guān)鍵。
5、智能化的工業(yè)互聯(lián)網(wǎng)告警分析與降噪：需要能夠智能地分析安全告警數(shù)據(jù)，區(qū)分攻擊的真實(shí)性和危害程度，并進(jìn)行有效的降噪處理。要求系統(tǒng)具備深度學(xué)習(xí)和自然語言理解的強(qiáng)大能力，能夠從大量的告警信息中提取關(guān)鍵特征，并進(jìn)行準(zhǔn)確的判斷。
三、測(cè)試床方案架構(gòu)
（一）測(cè)試床應(yīng)用場(chǎng)景
1、圍繞大語言模型的智能特性形成基于大語言模型技術(shù)的智能運(yùn)營(yíng)分析系統(tǒng)，以智能體架構(gòu)為底座的能夠?qū)觾?nèi)置離線安全大模型或第三方大模型的開放式平臺(tái)，提供對(duì)話式可視化界面和API調(diào)用兩種交互方式，能夠基于思維鏈模式通過可拖拽可視化界面交互方式進(jìn)行智能體構(gòu)建，智能體調(diào)用大模型來構(gòu)建智能化的安全運(yùn)營(yíng)分析。
2、系統(tǒng)具備基于大語言模型智能安全告警數(shù)據(jù)分析研判功能，通過思維鏈調(diào)用安全大模型，并結(jié)合情報(bào)系統(tǒng)、資產(chǎn)系統(tǒng)等工具進(jìn)行數(shù)據(jù)整合，智能化統(tǒng)籌分析，達(dá)成告警深度分析研判，直接給出告警是否攻擊成功、攻擊失敗等研判結(jié)論，完成告警降噪。最終，形成告警降噪、網(wǎng)絡(luò)溯源、知識(shí)問答、告警解讀、攻擊載荷分析、自動(dòng)化安全報(bào)告生成等關(guān)鍵能力。
（二）測(cè)試床架構(gòu)
基于大模型的網(wǎng)絡(luò)安全運(yùn)營(yíng)方案可分為4個(gè)層級(jí)和2個(gè)框架。方案邏輯框架如下圖所示：
數(shù)據(jù)采集層：收集網(wǎng)絡(luò)流量、日志數(shù)據(jù)等待分析數(shù)據(jù)。
數(shù)據(jù)處理層：對(duì)采集的數(shù)據(jù)進(jìn)行預(yù)處理，用于后續(xù)分析。
AI算法模型： 根據(jù)業(yè)務(wù)需求，通過安全運(yùn)營(yíng)大模型、大模型深度威脅檢測(cè)與載荷分析、多場(chǎng)景AI檢測(cè)小模型等功能為上層應(yīng)用提供計(jì)算基礎(chǔ)。
業(yè)務(wù)運(yùn)營(yíng)層：通過利對(duì)數(shù)據(jù)進(jìn)行分析研判，實(shí)現(xiàn)告警降噪、攻擊溯源、響應(yīng)處置、態(tài)勢(shì)展示、智能報(bào)告等業(yè)務(wù)場(chǎng)景，也可以自定義業(yè)務(wù)場(chǎng)景。
容器化流量檢測(cè)引擎基礎(chǔ)框架：構(gòu)建基于容器技術(shù)的流量檢測(cè)引擎框架，實(shí)現(xiàn)不同類型的檢測(cè)引擎可以靈活更新與擴(kuò)展。
融合大模型的Langchain框架：通過提示詞、數(shù)據(jù)解析器完成大模型對(duì)接，通過智能Agent和鏈（Chain）完成各類數(shù)據(jù)、工具、流程和大模型決策調(diào)度整合，實(shí)現(xiàn)大模型可以靈活更新于擴(kuò)展，支撐業(yè)務(wù)場(chǎng)景的設(shè)計(jì)與處理流程自定義。
（三）測(cè)試床方案
架構(gòu)具體描述：
智能體：基于思維鏈進(jìn)一步串聯(lián)工具（Tools），從而將大語言模型的能力和本地、云服務(wù)能力結(jié)合。對(duì)于不同的告警數(shù)據(jù)處理場(chǎng)景，使用不同的智能體。告警解讀從告警的攻擊者、受害者、攻擊載荷等多維度進(jìn)行分析，在大模型進(jìn)行分析過程中，根據(jù)不同上下文智能決策思維鏈流轉(zhuǎn)和工具交互邏輯，完成全面的告警解讀場(chǎng)景。
思維鏈：用于串聯(lián) 模型I/O和數(shù)據(jù)I/O模塊，以實(shí)現(xiàn)串行化的連續(xù)對(duì)話、推測(cè)流程
模型I/O：管理大語言模型（Models）及其輸入（Prompts）和格式化輸出（Output Parsers）。
數(shù)據(jù)I/O：主要用于建設(shè)私域知識(shí)（庫(kù)）的向量數(shù)據(jù)存儲(chǔ)（Vector Stores）、內(nèi)容數(shù)據(jù)獲取（Document Loaders）和轉(zhuǎn)化（Transformers），以及向量數(shù)據(jù)查詢（Retrievers）。
基于大模型的網(wǎng)絡(luò)安全運(yùn)營(yíng)方案業(yè)務(wù)流程如下圖所示：
用戶可以查看大模型智能運(yùn)營(yíng)分析系統(tǒng)相關(guān)業(yè)務(wù)數(shù)據(jù)并進(jìn)行交互分析。
網(wǎng)絡(luò)流量采集引擎接入網(wǎng)絡(luò)流量，包括在線流量和離線PCAP，進(jìn)行檢測(cè)，檢測(cè)后產(chǎn)生的日志可以發(fā)送至大模型智能運(yùn)營(yíng)分析系統(tǒng)進(jìn)行進(jìn)一步的關(guān)聯(lián)分析。
同時(shí)，大模型智能運(yùn)營(yíng)分析系統(tǒng)通過SYSLOG等方式接收第三方告警日志等日志類數(shù)據(jù)，對(duì)所有接收的日志數(shù)據(jù)進(jìn)行預(yù)處理、事件聚合、關(guān)聯(lián)分析。然后基于大語言模型的告警事件研判分析，以實(shí)現(xiàn)告警降噪、攻擊溯源、響應(yīng)處置、態(tài)勢(shì)展示、智能報(bào)告。
第三方設(shè)備可以支持多廠商的安全探針設(shè)備，包括但不限于威努特、知道創(chuàng)宇等。
（四）方案重點(diǎn)技術(shù)
國(guó)際現(xiàn)狀是，人工智能在網(wǎng)絡(luò)安全領(lǐng)域的應(yīng)用日益重要。通過自動(dòng)化、智能化的方式，人工智能可以幫助識(shí)別、防范和應(yīng)對(duì)各種網(wǎng)絡(luò)安全威脅。微軟推出了基于OpenAI的Security Copilot系統(tǒng)用于安全數(shù)據(jù)分析，提升網(wǎng)絡(luò)安全防御的效果和效率。谷歌云推出Security AI Workbench，這是業(yè)界首套由谷歌安全大模型Sec-PaLM提供支持的可擴(kuò)展平臺(tái)。這套新安全模型針對(duì)安全用例進(jìn)行了微調(diào)，并結(jié)合谷歌強(qiáng)大的安全情報(bào)，包括谷歌的威脅態(tài)勢(shì)可見性，Mandiant關(guān)于漏洞、惡意軟件、威脅指標(biāo)與惡意黑客行為模式的一線情報(bào)。
國(guó)內(nèi)現(xiàn)狀是，在人工智能小模型時(shí)代，真正將AI模型應(yīng)用到網(wǎng)絡(luò)安全領(lǐng)域的公司不多，在大模型火熱以來，一些大型安全公司才開始思考這領(lǐng)域的技術(shù)方案，但還停留在宣傳和實(shí)驗(yàn)室階段，還沒有幾家公司能夠?qū)⑿∧Ｐ图夹g(shù)大規(guī)模產(chǎn)品化，將大模型技術(shù)工程化，在具體的安全場(chǎng)景能夠有效解決安全問題的公司更是屈指可數(shù)。
智能威脅檢測(cè)子系統(tǒng)通過旁路鏡像和高性能采集技術(shù)，系統(tǒng)對(duì)網(wǎng)絡(luò)流量進(jìn)行實(shí)時(shí)解碼和元數(shù)據(jù)提取，建立完整的日志、協(xié)議、數(shù)據(jù)包全字段索引庫(kù)。利用Transformer架構(gòu)的大語言模型（LLM）學(xué)習(xí)大量的數(shù)據(jù)、自動(dòng)提取數(shù)據(jù)的特征和規(guī)律性，采用特定或自有的大規(guī)模高精度標(biāo)注的威脅數(shù)據(jù)進(jìn)行模型精調(diào)，發(fā)現(xiàn)復(fù)雜環(huán)境下隱蔽的攻擊模式。基于Kill Chain框架，以實(shí)現(xiàn)對(duì)攻擊階段的全覆蓋，發(fā)現(xiàn)更多的攻擊威脅事件，減少盲點(diǎn)，并將不同階段的攻擊事件進(jìn)行串聯(lián)。能夠?qū)羰录脑敿?xì)信息進(jìn)行溯源分析，對(duì)攻擊源、攻擊過程、攻擊擴(kuò)散面、被攻擊的業(yè)務(wù)系統(tǒng)、攻擊的惡意軟件功能和危害等情況進(jìn)行深入的分析，幫助安全團(tuán)隊(duì)更好的判定攻擊的性質(zhì)、手段和影響，確定合理的應(yīng)對(duì)措施。同時(shí)能夠與第三方安全防護(hù)設(shè)備聯(lián)動(dòng)響應(yīng)，實(shí)現(xiàn)對(duì)威脅的阻斷處置。并能夠與大數(shù)據(jù)安全分析子系統(tǒng)聯(lián)動(dòng)，實(shí)時(shí)上傳日志、事件等相關(guān)信息，為大模型智能輔助分析子系統(tǒng)提供有力的數(shù)據(jù)支撐。
（五）方案自主研發(fā)性、創(chuàng)新性及先進(jìn)性
1、本地化大模型的訓(xùn)練問題：大語言模型通常具有數(shù)億甚至百億、千億級(jí)的參數(shù)，需要大量的GPU計(jì)算資源用于本地化訓(xùn)練。如何在資源有限的情況下保證其穩(wěn)定運(yùn)行并提供低延遲的服務(wù)，是一個(gè)巨大的技術(shù)挑戰(zhàn)。
2、智能體的構(gòu)建與優(yōu)化：構(gòu)建能夠通過拖拽等可視化界面進(jìn)行交互的智能Agent，需要將復(fù)雜的任務(wù)分解為可由大模型處理的子任務(wù)，并且要確保這些子任務(wù)能夠有效地組合起來完成整體任務(wù)，這需要高度的抽象和設(shè)計(jì)能力。
3、多源數(shù)據(jù)的整合與統(tǒng)籌分析：需要整合來自不同來源的數(shù)據(jù)，如情報(bào)系統(tǒng)、資產(chǎn)系統(tǒng)等。如何確保數(shù)據(jù)的準(zhǔn)確性、一致性和時(shí)效性，以及如何有效地利用這些數(shù)據(jù)進(jìn)行綜合分析，是系統(tǒng)實(shí)現(xiàn)的關(guān)鍵。
4、智能化的告警分析與降噪：需要能夠智能地分析安全告警數(shù)據(jù)，區(qū)分攻擊的真實(shí)性和危害程度，并進(jìn)行有效的降噪處理。要求系統(tǒng)具備深度學(xué)習(xí)和自然語言理解的強(qiáng)大能力，能夠從大量的告警信息中提取關(guān)鍵特征，并進(jìn)行準(zhǔn)確的判斷。
5、工業(yè)安全平臺(tái)的大模型組件采用MOE架構(gòu)，通過模型調(diào)度路由將不同的輸入數(shù)據(jù)調(diào)度給對(duì)應(yīng)的專有模型，通過將大規(guī)模參數(shù)的單一大模型劃分為多個(gè)中小規(guī)模大語言模型，每個(gè)模型負(fù)責(zé)專一的業(yè)務(wù)場(chǎng)景，比如工業(yè)安全檢測(cè)大模型、安全運(yùn)營(yíng)大模型、工業(yè)知識(shí)經(jīng)驗(yàn)大模型等。
四、測(cè)試床實(shí)施部署
1、測(cè)試床實(shí)施規(guī)劃
基于大模型的網(wǎng)絡(luò)安全運(yùn)營(yíng)方案整體建設(shè)周期為1年，建設(shè)經(jīng)費(fèi)包括硬件成本和軟件成本。為避免一次性投入過大，可以采取分階段、分步驟建設(shè)方式，逐步實(shí)現(xiàn)基于大模型的網(wǎng)絡(luò)安全運(yùn)營(yíng)與檢測(cè)建設(shè)。
2、測(cè)試床的預(yù)期可量化實(shí)施結(jié)果
研制內(nèi)置安全大模型和安全運(yùn)營(yíng)智能體的原型系統(tǒng)，系統(tǒng)內(nèi)置本地化訓(xùn)練精調(diào)的具備專業(yè)安全知識(shí)的安全大模型。提供支持10類以上威脅檢測(cè)的安全檢測(cè)大模型，提供具備5類以上智能體的安全日志分析研判的運(yùn)營(yíng)大模型，運(yùn)營(yíng)大模型的參數(shù)規(guī)模不低于300億；提供分布式的內(nèi)置安全大模型的原型系統(tǒng)，支持10wEPS處理能力，內(nèi)置安全輔助智能分析助手，智能助手支持安全知識(shí)開放問答、告警解讀、告警處置、告警關(guān)聯(lián)、載荷分析等，可以進(jìn)行對(duì)話式安全數(shù)據(jù)分析；系統(tǒng)支持通過拖拽式界面操作完成自定義安全智能體。
3、測(cè)試床的商業(yè)價(jià)值、經(jīng)濟(jì)效益
工業(yè)互聯(lián)網(wǎng)接入的設(shè)備類型多，安全產(chǎn)品類別多。產(chǎn)生的告警日志數(shù)量龐大，采用基于大模型的工業(yè)安全平臺(tái)能夠顯著提升運(yùn)營(yíng)效率。根據(jù)業(yè)界經(jīng)驗(yàn)，一名安全服務(wù)工程師1天能夠分析500條日志，對(duì)于一天動(dòng)輒幾十萬甚至百萬的日志的情況很常見。我們以每天5000條日志測(cè)算，需要10人的安服團(tuán)隊(duì)。一套內(nèi)置大模型的工業(yè)分析平臺(tái)24小時(shí)工作，每秒處理6條日志，即：10(人) * 500(條)--VS—6 * 60 * 24（1套）。
如此推算1套基于大模型的安全平臺(tái)，可產(chǎn)生100萬的經(jīng)濟(jì)價(jià)值。（注：每個(gè)安服工程師10萬薪資/年）。
4、測(cè)試床的社會(huì)價(jià)值
工業(yè)安全平臺(tái)的應(yīng)用能夠顯著提高組織安全性，安全運(yùn)營(yíng)平臺(tái)通過持續(xù)監(jiān)控和分析網(wǎng)絡(luò)活動(dòng)，提高組織對(duì)安全威脅的防御能力。通過識(shí)別和緩解安全風(fēng)險(xiǎn)，減少潛在的財(cái)務(wù)損失和聲譽(yù)損害。保護(hù)敏感數(shù)據(jù)不被泄露或?yàn)E用，維護(hù)個(gè)人和企業(yè)的隱私權(quán)益。同時(shí)，提升應(yīng)急響應(yīng)能力，在安全事件發(fā)生時(shí)，能夠快速響應(yīng)并采取措施，減少安全事件的影響。保證業(yè)務(wù)連續(xù)性，確保關(guān)鍵業(yè)務(wù)系統(tǒng)的穩(wěn)定運(yùn)行，減少因安全問題導(dǎo)致的業(yè)務(wù)中斷。
5、測(cè)試床初步推廣應(yīng)用案例
當(dāng)前在東北大學(xué)已經(jīng)進(jìn)行初步應(yīng)用。
6、測(cè)試床成果交付件
提供一套可驗(yàn)證的原型系統(tǒng)，配套提供相關(guān)技術(shù)方案及相關(guān)的專利1項(xiàng)。
7、測(cè)試床可復(fù)制性
可以復(fù)制推廣到運(yùn)營(yíng)商、國(guó)家監(jiān)管單位。用于大范圍的關(guān)鍵基礎(chǔ)設(shè)施的安全防護(hù)。
8、測(cè)試床開放性
和華為人工智能中心在大模型訓(xùn)練方面進(jìn)行深度合作。
9、測(cè)試床資金
基于大模型的工業(yè)安全平臺(tái)方案所需軟件包括網(wǎng)絡(luò)流量采集引擎軟件、大模型智能運(yùn)營(yíng)分析系統(tǒng)軟件，各軟件的成本估價(jià)如下：
網(wǎng)絡(luò)流量采集引擎軟件成本估價(jià)：
名稱 | 功能介紹 | 數(shù)量 （套） | 單價(jià) （萬元） | 合計(jì) （萬元） |
流量處理模塊 | 具備數(shù)據(jù)采集、數(shù)據(jù)過濾、數(shù)據(jù)還原功能。 | 1
| 10
| 10
|
威脅檢測(cè)模塊 | 具備特征檢測(cè)、行為檢測(cè)、威脅情報(bào)檢測(cè)、AI模型檢測(cè)能力，支持Shadowsocks流量、VPN流量、惡意加密、SQL注入、Webshell、暗網(wǎng)流量、DGA域名、DNS/ICMP/HTTP隱蔽隧道、惡意代碼變種等進(jìn)行威脅檢測(cè)。 | |||
業(yè)務(wù)應(yīng)用模塊 | 具備攻擊鏈分析、關(guān)聯(lián)與溯源、告警通知、設(shè)備聯(lián)動(dòng)響應(yīng)、數(shù)據(jù)外發(fā)等能力。 |
基于大模型的工業(yè)安全平臺(tái)系統(tǒng)軟件成本估價(jià)：
名稱 | 功能介紹 | 數(shù)量 （套） | 單價(jià) （萬元） | 合計(jì) （萬元） |
數(shù)據(jù)采集模塊 | 負(fù)責(zé)接收各類設(shè)備的網(wǎng)絡(luò)協(xié)議元數(shù)據(jù)、告警日志等數(shù)據(jù)。 | 1
| 200
| 200
|
數(shù)據(jù)流計(jì)算模塊 | 負(fù)責(zé)對(duì)接入的數(shù)據(jù)做大模型檢測(cè)、大模型輔助檢測(cè)等日志、告警檢測(cè)分析。具備大模型本地化訓(xùn)練能力。 | |||
數(shù)據(jù)存儲(chǔ)模塊 | 負(fù)責(zé)將各類數(shù)據(jù)進(jìn)行存儲(chǔ)，并提供數(shù)據(jù)的檢索、更新能力。 | |||
智能體模塊 | 負(fù)責(zé)通過鏈(Chains)、工具集等組件完成不同業(yè)務(wù)分析場(chǎng)景的智能體構(gòu)建，支撐智能化安全告警輔助運(yùn)營(yíng)。 | |||
系統(tǒng)交互模塊 | 負(fù)責(zé)提供人機(jī)交付可視化界面，可以通過對(duì)話方式執(zhí)行智能輔助運(yùn)營(yíng)任務(wù)，提供API接口和其他系統(tǒng)對(duì)接，賦能智能輔助運(yùn)營(yíng)能力。 |
10、測(cè)試床時(shí)間軸
序號(hào) | 時(shí)間節(jié)點(diǎn) | 工作內(nèi)容 |
1 | 2024年6月-2024年10月 | 大模型研發(fā)，系統(tǒng)研發(fā) |
2 | 2024年11月-2025年1月 | 用戶實(shí)驗(yàn)局部署測(cè)試運(yùn)行 |
3 | 2025年2月-2025年4月 | 針對(duì)試用效果整改完善 |
4 | 2025年5月-2024年6月 | 項(xiàng)目總結(jié)，結(jié)題 |