漏洞情報嘅結構化革命：AI 語義匹配企業資產

安全部門嘅一日，由「睇漏洞公告」開始

一家大型企業集團嘅安全部門，以前每日嘅工作由「睇漏洞公告」開始：安全工程師要人工睇實多個漏洞發布渠道，逐條判斷「呢條漏洞同我哋公司嘅資產有冇關係」，再手動通知相關系統負責人。漏洞多、人手少，響應速度長期被「人工睇守 + 人工判斷」卡住。

而家，呢條鏈路被 AI 重構：漏洞信息實時採集，NLP 自動清洗並結構化，AI 語義分析關聯企業資產，命中即生成風險提示並推送到責任人。漏洞情報嘅採集、分析、預警全流程自動化——安全團隊由「人肉盯漏」變成「重點處置」，響應速度大幅提升，人工監控負擔顯著下降。

背景與痛點

漏洞情報工作有三個行業共性嘅老大難。

其一係漏洞數量爆炸，人工睇唔晒。 每年公開披露嘅漏洞數以萬計，分佈喺 CVE（Common Vulnerabilities and Exposures）、NVD（美國國家標準與技術研究院維護嘅國家漏洞數據庫）、CNVD（國家信息安全漏洞共享平台）等多個權威來源。安全工程師要實時跟進所有渠道，幾乎冇可能；只能抽樣關注，漏報在所難免。

其二係漏洞描述係非結構化嘅，匹配靠經驗。 漏洞公告通常係一段自然語言描述，涉及產品、組件、版本、攻擊路徑等要素。判斷「呢個漏洞會唔會影響我哋資產」，要先讀得明公告，再對照資產清單，靠經驗推斷。新人難上手，老手都難免疏漏。

其三係響應鏈路長，預警滯後。 由漏洞公開到內部預警，中間隔住「發現—研判—通知—處置」多個環節，人工流轉耗時以日計。而攻擊者往往喺漏洞公開後數小時內就嘗試利用，時間窗口越細，風險越大。

對企業集團嚟講，資產規模越大、系統越多樣，漏洞關聯分析越複雜。安全部門需要嘅唔只係「更多數據」，而係「將數據變成可以直接行動嘅預警」。

我哋點樣做

項目圍繞「採集—結構化—關聯—預警」四步，將漏洞情報鏈路整體自動化。

第一步，實時採集。 對接 CVE、NVD、CNVD 等權威漏洞庫，以及廠商安全公告等多源渠道，實時同步最新漏洞信息，覆蓋公開披露嘅第一時間窗口。

第二步，NLP 清洗與結構化。 用自然語言處理技術對漏洞公告進行解析：抽取漏洞編號、影響產品、組件、版本範圍、危害等級、攻擊向量等關鍵要素，將一段段非結構化文本轉化為結構化數據，形成統一嘅漏洞情報庫。

第三步，AI 語義分析關聯企業資產。 呢個係成個方案嘅核心。將結構化漏洞情報同企業資產清單（系統、中間件、數據庫、終端等）做語義匹配——唔係簡單關鍵字比對，而係理解「呢個漏洞描述嘅組件」同「我哋資產清單入面裝嘅組件」之間嘅真實對應關係，包括版本範圍有冇命中。命中即判定為該資產存在安全隱患。

第四步，風險提示與閉環處置。 識別出嚟嘅安全隱患自動生成風險提示，按危害等級分優先次序推送到對應系統責任人；處置結果回填系統，形成「發現—預警—處置—關閉」嘅閉環，安全態勢一目了然。

喺工程落地上，項目強調「寧可多提示、唔可以漏提示」：語義匹配採用寬鬆門檻 + 人工覆核兜底，避免漏報；對唔確定嘅匹配，生成「待確認」清單由安全工程師快速甄別，確保預警準確性與覆蓋率嘅平衡。

落地效果

• 響應速度大幅提升：漏洞由公開披露到內部預警，由人工流轉嘅以日計壓縮到自動化推送嘅分鐘級，搶佔漏洞利用嘅時間窗口。

• 人工監控負擔顯著下降：安全工程師由「睇守多源 + 逐條研判」中解放出嚟，聚焦高度風險漏洞嘅處置與覆核。

• 覆蓋更全、漏報更少：多源實時採集 + 全量語義匹配，代替人工抽樣關注，漏洞情報覆蓋面顯著擴大。

• 安全管理成本降低：全流程自動化減少重複勞動，安全團隊可以用更少人手覆蓋更大嘅資產面。

• 處置閉環可追溯：由預警到關閉全程留痕，安全態勢可度量、可覆盤，為安全管理提供數據支撐。

經驗沉澱：由項目到 OntiCards

呢個項目沉澱咗三條可複用嘅方法論。其一係「結構化係自動化嘅前提」：NLP 將非結構化公告轉成結構化數據，後續嘅匹配、預警、統計先有基礎。其二係「語義匹配優於關鍵字匹配」：理解「組件與版本」嘅真實對應關係，先可以減少誤報同漏報。其三係「自動化要配人工兜底」：寬鬆門檻 + 待確認清單，令機器跑量、人控質量。

呢啲經驗沉澱落嚟，成為 OntiCards 喺安全與風控方向嘅解決方案能力。再闊啲睇，將外部情報結構化、再同企業內部知識做語義關聯——呢個同 OntiCards 「將數據變成 AI 可理解嘅資產」嘅四層架構係同一套邏輯；關於「AI 就緒嘅數據」應該係點樣，可以參閱數據資產就緒度。