AI 驱动的零信任架构：从“永不信任”到“智能信任”的算法演进

某互联网企业通过该架构，将 AI 工作负载的安全事件响应时间从小时级缩短至分钟级，攻击扩散阻断率达到 92%。

三、AI 算法究竟是怎样'思考'的？

1. 异常检测的本质：学会'正常是什么'

异常行为的核心不是什么数学模型、概率密度、聚类边界，它本质上只有一句话：模型学会'正常是什么'，然后把不像正常的都标红。

典型异常场景：

• 某个员工每天都在 9:00 登录，但今天凌晨 3:14 登录 → 不正常
• 某台服务器每小时请求量在 3000-5000 波动，突然冲到 30000 → 不正常
• 某个 API 请求参数始终是数字，突然出现一段加密字符 → 不正常
• 某设备一直从北京访问，今天突然从南美某地访问 → 不正常

检测异常并不是'识别攻击'，而是识别偏离正常的行为模式。

2. 机器学习如何知道'不正常'？

很多人误会机器学习是识别攻击特征，其实更接近：模型在读一本书，读多了就知道哪句不像人话。

三种核心方法：

方法 1：无监督学习（最常用）

• 因为大部分企业没有'已标注的攻击样本'
• 常见模型：Isolation Forest（隔离森林）、One-Class SVM、AutoEncoder（自编码器异常检测）、LSTM 时间序列模型
• 核心思想：模型只学习'正常数据'，然后把远离正常簇的数据标记为异常

方法 2：半监督学习

• 部分异常样本 + 大量正常样本
• 结合无监督学习与人类监督，提高模型预测精准度

方法 3：监督学习

• 攻击样本丰富时用，典型场景：恶意流量、恶意 URL、诈骗短信分类
• 但在行为分析领域，大部分时候是无监督学习主导

3. 具体算法解析：以 Isolation Forest 为例

算法原理：

• 不同于监督式异常检测技术将标记正常数据点作为第一步，此技术尝试将隔离异常作为第一步
• 与'随机森林'相似，此技术也会创建'决策树'，以绘制数据点并随机选择要分析的区域
• 重复此过程，每个点都会根据与其他点的间隔距离获得介于 0 到 1 之间的异常分数值
• 如果值低于 0.5，通常会视为正常，如果超过 0.5，则很可能是异常的

Python 代码示例（模拟用户登录时间异常检测）：

from sklearn.ensemble import IsolationForest
import numpy as np

# 模拟正常用户登录时间（8:00-20:00）
normal_logins = np.random.uniform(8, 20, 1000).reshape(-1, 1)
# 模拟攻击者登录时间（凌晨）
attack_logins = np.random.uniform(0, 6, 50).reshape(-1, 1)
# 合并数据
X = np.vstack([normal_logins, attack_logins])
# 训练模型
model = IsolationForest(contamination=0.05, random_state=42)
model.fit(X)
# 预测异常
predictions = model.predict(X)
# 正常样本返回 1，异常样本返回 -1

4. 其他常用算法对比

这些算法可以从输入数据中发现规律，并对发现的异常数据进行推断。

四、AI 零信任的实战案例

1. 华为星河 AI 网络安全解决方案

华为在 2025 年 9 月发布的全新升级星河 AI 网络安全解决方案，以零信任理念重构全场景防护体系，覆盖企业分支、园区及数据中心三大场景。

分支接入零信任场景：

• 通过 iMaster NCE-Campus 统一控制器实现网安设备统一管理、策略统一编排及告警自动关联分析
• USG6000F 分支安全网关内置 AI 安全算法与 Emulator 变种病毒脱壳引擎，未知威胁检出率达 95%
• HiSec Endpoint 统一客户端实现内外统一零信任接入，动态评估风险，持续验证

园区安全互访零信任场景：

• 融合零信任一体机 AI 聚类识别、主动扫描探测等技术，终端资产识别率 95% 以上
• 基于互访关系 AI 自学习，自动生成精细隔离策略，防止威胁扩散
• 零信任一体机下沉边缘部署，实现终端东西向访问流量的应用层高级威胁检测

数据安全零信任场景：

• 对大模型进行全流程防护，训练阶段基于自研反病毒检测引擎实现模型藏毒检测
• 部署阶段轻量化智算 HiSec Endpoint 深度检测内核层漏洞利用行为，实时拦截风险
• 应用阶段'端 + 网'多重协同防护，端侧可一键恢复勒索加密文件，网侧支持大模型提示词注入等攻击防护

2. 中信银行 AI+ 零信任成功案例

中信银行积极利用人工智能 (AI) 和零信任架构来提升其网络安全能力，成功阻止了一笔 150 万新台币的欺诈转账，并为客户追回了一部分资金。

AI 威胁检测系统：

• 利用 AI 分析互联网流量，识别新的或变异的攻击命令
• 补充传统的基于特征码的安全机制，显著降低零日漏洞的风险
• 由 GPU 服务器提供动力，为实时分析和快速威胁检测提供必要的计算能力

内部安全监控：

• 利用大数据分析监控员工在内部系统中的行为模式，建立使用行为的基准模型
• 快速识别典型行为的偏差，允许主管审查并确保适当的操作
• 这一由人工智能驱动的自动化网络安全机制进一步提升了内部管理效率

零信任框架扩展：

• 自 2022 年开始规划零信任框架，2023 年完成首个试点项目
• 实时分析设备状态、身份验证结果、访问模式和连接行为等多项数据，并进行风险评分
• 自动实施相应的安全措施，以最大限度地降低潜在的网络安全风险

五、2026 年技术发展趋势

1. AI 与零信任的深度融合

通过引入生成式 AI 优化动态信任评估模型，实现对身份可信度、访问风险、工作负载安全状态的精准预判；利用 AI 大模型提升异常行为识别的准确率，实现安全威胁的主动防御。

2. 全链路自动化防护升级

从当前各环节的自动化防护，向'身份验证 - 交互过滤 - 数据访问 - 负载运行'全链路的端到端自动化防护演进，通过智能编排技术实现安全策略的自动适配、安全事件的自动响应与处置，大幅提升防护效率。

3. 跨场景自适应能力强化

针对人工智能在金融、政务、医疗等不同行业场景的差异化安全需求，构建可定制化的零信任防护模块，实现安全架构与业务场景的深度适配，同时支持多云、混合云环境下的跨平台部署，提升架构的通用性与扩展性。

六、总结：AI 零信任的核心价值

从'永不信任'到'智能信任'：AI 驱动的零信任架构不再是简单的'从不信任，始终验证'，而是通过 AI 算法建立动态的、可量化的信任评估体系，实现'按需信任、持续验证'。

从'静态规则'到'动态策略'：传统零信任依赖人工配置的静态策略，而 AI 零信任通过机器学习模型自动学习正常行为模式，实时调整访问权限，实现策略的自适应优化。

从'被动防御'到'主动预警'：AI 算法能够提前发现异常行为，在攻击发生前进行预警和拦截，将安全防护从事后响应推向事前预警。

从'单点防护'到'全链路防护'：AI 零信任覆盖身份认证、访问控制、数据保护、工作负载隔离等全链路环节，构建端到端的安全防护体系。

2026 年，AI 驱动的零信任架构已经成为企业安全建设的标配。对于企业来说，关键不是选择最复杂的 AI 算法，而是建立完整的数据采集、模型训练、持续优化的闭环体系，让 AI 真正成为安全防护的'智能大脑'。