KeyFrame內部研究專用

2026 亞利安科技 Solution Day|Qualys|以 AI 對抗 Claude Mythos 帶來的衝擊:Qualys ETM 驅動的風險優先排序及補救措施

CipherTech 亞利安科技·6月18日週四·22 min中文

三句話摘要

CORUS ETM 如何以 AI 驅動的威脅暴露管理(CTEM)框架,協助企業在 AI 自動化漏洞挖掘時代完成風險優先排序與補救。 --- 在 AI 縮短漏洞利用時間窗口的時代,企業最有效的防禦策略不是修更多漏洞,而是用 CTEM 框架搭配 AI 優先排序,集中資源處理那不到 1% 真正會被武器化的高風險漏洞。 AI 武器化漏洞挖掘正在改變威脅格局:傳統上漏洞每年累積速度已是 14 年前的 6.5 倍,AI 模型進一步能自主找出從未被人工發現的陳年漏洞,使漏洞數量與利用速度同步加速,企業的應對時間被極度壓縮。

重點整理

重點
  • 1

    AI 武器化漏洞挖掘正在改變威脅格局:傳統上漏洞每年累積速度已是 14 年前的 6.5 倍,AI 模型進一步能自主找出從未被人工發現的陳年漏洞,使漏洞數量與利用速度同步加速,企業的應對時間被極度壓縮。

  • 2

    只有 1% 的漏洞真正需要即時處理:2025 年 48,000 個漏洞中僅 357 個被實際利用,這意味著風險優先排序比全量修補更關鍵——企業應聚焦於「武器化漏洞」(weaponized vulnerability),而非盲目依 CVSS 分數逐一處理。

  • 3

    CTEM 五階段框架是應對 AI 威脅的系統性答案:Scoping(界定攻擊面)→ Discovery(發現資產與漏洞)→ Prioritization(優先化)→ Validation(驗證可利用性)→ Mobilization(動員修復),五個環節缺一不可,且必須持續循環執行而非一次性掃描。

  • 4

    補救階段需要 AI 輔助的可靠性驗證:廠商推出的補丁本身可能存在品質問題;CORUS ETM 使用 AI 分析市場上的補丁可靠性,並對無補丁漏洞提供設定變更腳本,讓修復動作可自動化落地。

  • 5

    --

實用技巧與重點

乾貨
  • 某 AI 模型於 2026 年 4 月發布,可自主發現潛伏已久漏洞
  • OpenBSD:被發現一個潛伏 27 年的漏洞
  • Apple 影像處理軟體(Apple Ambit):被發現 16 年前的漏洞
  • 漏洞被利用時間:過去 63 天 → 現在 7 天 → AI 威脅時代可能縮短至數小時
  • 2025 年 CVE 總數:約 48,000 個;實際被利用:357 個(<1%)
  • 14 年間漏洞數量增長:6.5 倍
  • 兩項核心指標:WoW(Window of Weakness,漏洞公開到被利用的時間)、AWE(漏洞公開到完成緩解的時間);目標為 AWE < WoW
  • CTEM 五階段:Scoping → Discovery → Prioritization → Validation → Mobilization
  • CORUS ETM 支援來源:Agent 掃描、雲端連接器、CNAPP 整合、第三方工具資料匯入
  • 補丁部署方式:透過 Agent 自動派發;AI 驗證補丁可靠性
  • 無補丁漏洞:平台提供設定變更腳本(如修改版本設定)
  • 內建 AI 助手功能:漏洞可利用性驗證、合規報告、日常操作支援
  • CORUS 成立年份:1999 年,已營運 26 年
  • --

結論

結論

在 AI 縮短漏洞利用時間窗口的時代,企業最有效的防禦策略不是修更多漏洞,而是用 CTEM 框架搭配 AI 優先排序,集中資源處理那不到 1% 真正會被武器化的高風險漏洞。

完整解析

詳細

隨著 AI 技術快速演進,2026 年 4 月一款 AI 模型的發布讓資安產業意識到威脅格局已根本性改變。這款模型能夠自主分析系統底層邏輯,找出長期潛伏、從未被人工發現的漏洞——在 OpenBSD 中找到一個隱藏 27 年的安全缺陷,在 Apple 影像處理軟體中找到 16 年前的弱點。這些發現揭示了一個殘酷的現實:過去人工滲透測試與周期性掃描的方式,根本無法應對 AI 可以持續、大規模、自動化挖掘漏洞的新環境。

問題的嚴重性不只在於漏洞數量,更在於時間壓縮。過去漏洞從公開揭露到被攻擊者利用平均需要 63 天,近期已壓縮至 7 天,而在 AI 輔助攻擊的情境下,可能進一步縮短至數小時。防守方的核心任務因此變成:確保自身完成修復所需的時間(AWE)要短於攻擊方利用漏洞的時間(WoW)。要做到這件事,中間涉及資產盤點、漏洞發現、風險評估、修復驗證等大量步驟,不可能靠人工線性處理。

幸運的是,真正需要即時處理的漏洞遠比想像中少。2025 年全年新增約 48,000 個 CVE,但實際被攻擊者武器化利用的僅有 357 個,比例不到 1%。這個數字說明了風險優先排序的戰略價值——企業沒有能力也不需要修復所有漏洞,而是應該聚焦於那 1% 的高威脅漏洞,以有限資源換取最大防禦效益。CORUS 建議採用 Gartner 提出的 CTEM(Continuous Threat Exposure Management,持續威脅暴露管理)框架作為作業方法,其五個階段依序為:界定攻擊面(Scoping)、發現資產與漏洞(Discovery)、優先化排序(Prioritization)、驗證可利用性(Validation)、動員修復(Mobilization)。這個框架強調「持續」而非「一次性」,因為漏洞的風險等級會隨時間變化,今天是低風險的 CVE,兩週後可能因出現公開 PoC 而升級為高風險。

CORUS ETM 平台的設計目標即是在單一統一框架下完整支援以上五個階段。在資產發現端,平台透過 Agent、雲端連接器與第三方工具整合,統一收集地端、雲端、容器、API 等各類資產的暴露狀況。在優先排序端,平台不只採用 CVSS 分數,還結合威脅情報、漏洞武器化狀態與業務環境(如是否為生產環境資產)進行 AI 自動評分,並解釋評分理由。在修復端,平台透過 Agent 自動派發補丁,並以 AI 分析補丁可靠性以避免部署有問題的更新;對於無官方補丁的漏洞,則提供設定變更腳本供管理員直接執行。最後,平台內建多種 AI 助手,可協助漏洞可利用性驗證、合規報告生成與日常操作,讓整個 CTEM 循環得以持續自動化運作。

---

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。