3.61美元一个PoC，21分钟出利用：微软MSRC内部数据曝光，漏洞响应团队正在失效\"

安全牛

2026年8月24日 12:15
北京

在小说阅读器读本章

去阅读

点击蓝字 关注我们

一个数字，打破了一个时代的假设

21分钟。3.61美元。

这两个数字，是微软Windows团队Group Manager David Weston在2026年Black Hat USA大会主题演讲中给出的答案——完成一次漏洞发现，并自动生成对应漏洞利用代码，平均所需的时间与计算成本。

Weston给这场演讲起的名字是：\"The End of Rare：Defending When Offense Is Cheap\"——当攻击不再昂贵，稀缺性的时代正在结束。

这句话背后是一个长期支撑网络安全实践的基础假设正在动摇。

过去，无论是高价值漏洞的挖掘，还是将漏洞进一步开发为稳定可用的利用代码，都是一件极其昂贵的事。攻击者需要投入顶级安全研究人员，花费数周乃至数月时间进行逆向分析、调试、绕过缓解机制；防守方则可以围绕漏洞修补、威胁检测、特征分析持续建立防线，依靠响应速度构建安全优势。

这个逻辑曾经是整个行业最佳实践的基础。

而生成式AI与智能体技术，正在一点一点地把这个基础拆解。

案例一：200个内核漏洞，182个自动生成的PoC

微软内部正在使用一套名为MDASH（Multi-model Agentic Scanning Harness）的系统——一个结合多模型与智能体能力的自动化安全扫描框架。

Weston介绍，MDASH在微软内部的Azure Linux发行版中发现了大约200个Linux内核漏洞，目前微软正在与相关社区协作推进修复。

如果故事只停在\"AI能帮助发现漏洞\"，它还不足以改变漏洞研究的基本格局。

真正令人警觉的是下一步。

微软为MDASH增加了漏洞分析与分类模块，使其能够将静态分析工具发现的安全问题，自动转换为Proof of Concept——漏洞概念验证代码。

结果超出了微软团队的预期：在约200个漏洞中，182个漏洞可以自动生成达到\"触发崩溃\"级别的PoC，其中相当一部分甚至已经成为真正可用的漏洞利用代码。

AI系统给出的，不再只是：\"这里可能存在一个Bug。\"

而是在逐渐走向：\"这里存在一个Bug，它可以这样被触发，以下代码能够证明这一点。\"

从漏洞发现，到漏洞验证，再到漏洞利用开发，原本需要安全研究人员大量人工分析的完整链条，正在被智能体流水线快速压缩。

平均计算成本3.61美元，平均生成时间21分钟。

这个数字对大型软件厂商而言几乎可以忽略不计，但它真正警示的不是成本本身，而是：漏洞利用开发正在失去过去所拥有的天然成本壁垒。

Weston因此作出判断：到2026年底，自动漏洞利用生成很可能已经相当普遍，并逐渐成为一种\"商品化\"的能力。

攻防双方的成本曲线，正在向相反方向移动

变化已经体现在数字上。

微软安全响应中心（MSRC）的数据显示，当前大约每六周处理和修复的漏洞数量就会翻倍。与当年3月相比，漏洞处理量已经增长到约9倍。

Weston认为，这种漏洞数量的快速增长，与越来越强大的AI工具被用于漏洞发现之间存在高度相关性。而且这并不只是Windows的问题——Linux以及其他操作系统同样面临类似趋势。

更值得关注的是，今天AI系统发现的一些漏洞，并非过去人们认为自动化扫描\"只能发现的简单问题\"。其中包括相当严重的安全缺陷——一些在过去甚至需要经验丰富的研究人员花费整整一年进行针对性研究。

这意味着网络安全领域正在出现一个深刻变化：攻击能力开始从\"专家密集型\"向\"计算资源密集型\"转移。

过去，一个组织能否开展高水平漏洞攻击，很大程度上取决于它能否招募并长期培养高级漏洞研究人员。而在Agentic AI逐渐成熟之后，决定攻击规模的因素可能越来越多地变成：能否获得足够强大的基础模型，能否构建高质量的Agentic工作流，能否建立自动化漏洞验证体系。

一旦一套Agentic漏洞分析流水线搭建完成，对第10个、第100个乃至第1000个目标进行分析的新增成本，可能远低于过去依赖人工专家时的成本。

这才是防守方真正必须面对的结构性问题。

为什么\"发现一个、修一个\"会越来越吃力？

传统安全防御的运转逻辑并不复杂：发现漏洞、分析风险、开发补丁、部署补丁；发现攻击样本、分析行为、提取特征、开发检测规则。

这套模式长期有效，但它存在一个隐含前提：攻击者改变攻击方式，同样是有成本的。

正是这种成本，给了EDR、IDS、NDR等威胁检测产品发挥价值的空间——一套检测规则，往往可以使用较长时间，因为攻击者不会轻易放弃已经打磨成熟的工具和TTP。

但AI开始削弱这种优势。

过去，攻击者可能只是对同一套恶意代码进行重新混淆；未来，完全可以为不同目标生成不同的工具和攻击框架。今天检测到一种攻击框架，明天攻击者就可以改变实现方式；今天识别出一种规避技术，AI又能够快速生成新的变体。

如果防守方仍然坚持：对方出一个漏洞修一个漏洞，出现一种利用加一条检测，绕过一个检测再补一条规则，那么安全建设就会逐渐陷入Weston所形容的与攻击者进行的 \"hand-to-hand combat\"——近距离肉搏。

在攻击生成成本持续下降的背景下，长期依赖这种模式，防守方很难在数量上取得优势。

最佳实践一：从\"漏洞换补丁\"转向\"消除漏洞类别\"

这是微软提出的第一个重要方向：不要只修复具体漏洞，而要尽可能消除能够产生整类漏洞的技术条件。

最典型的例子是内存安全。

Weston指出，主要软件厂商目前修复的漏洞中，大约70%与内存安全问题有关，包括缓冲区溢出、Use-After-Free、越界访问等由内存管理错误引发的安全缺陷。传统C/C++开发环境赋予开发者极高的内存控制能力，却也把大量内存管理责任交给了程序员。在数百万行代码组成的大型软件项目中，仅靠代码审计和开发经验规避这些问题，并不现实。

微软提出的方向，是扩大Rust、Golang等内存安全编程语言的使用。这背后安全思路发生了重要转变：不是\"如何更快发现缓冲区溢出\"，而是\"如何让新代码从语言层面更难产生缓冲区溢出\"。

这是典型的 Secure by Construction 思路——如果一个漏洞类别能在技术架构或语言层面被大幅削减，安全团队就不再需要永远围绕同一种漏洞反复扫描、修补和响应。

案例二：Android内存安全漏洞比例从76%降至20%以下

Weston引用了Google Android的数据。

2019年，Android漏洞中约76%属于内存安全问题。随着Rust逐渐被引入Android代码体系，到2025年，这一比例已经下降到20%以下。

这组数据的意义，远不只是证明Rust\"更安全\"。

真正值得企业参考的是：安全问题是可以通过工程体系改变的。

传统漏洞管理通常聚焦于一个个CVE：这个月多少高危漏洞？补丁部署率是多少？平均修复时间是多少？这些指标当然仍然重要。但当AI能够极低成本发现新漏洞时，企业还需要回答另一类问题：我们的技术体系本身，是否还在持续制造同一类型的漏洞？

如果每年出现100个内存安全漏洞，安全团队以极高效率全部修复，表面来看漏洞管理非常成功。但如果通过语言、架构和开发框架的变化，可以从源头上让其中70个漏洞不再出现，那么后一种安全收益显然更加持久。

这也是\"安全耐久性\"（durability）越来越重要的原因。

案例三：微软用Rust重写Azure Hypervisor

微软自身也在推动这种实践。

根据Weston的介绍，微软已使用Rust重新编写Azure Hypervisor。Hypervisor是云基础设施中极其关键的组件，负责隔离不同虚拟机，一旦出现严重内存安全问题，影响范围可能覆盖整个云平台。

微软随后将这一Rust版本扩展到了约150万台虚拟机，并表示在整个过程中没有出现不良事件。

对于大型企业而言，这个案例具有切实的参考意义。长期以来，推动安全语言替换最大的阻力，并不是\"大家不知道Rust更安全\"。真正的问题是：已有大量C/C++代码怎么办？

因此，真正有价值的问题不是\"是否应该使用Rust\"，而是：如何以现实可行的方式，把存量高风险代码逐渐迁移到更安全的工程体系？

微软Azure Hypervisor的实践至少表明，在大型关键基础设施中进行这种迁移，并非停留在理论层面。

最佳实践二：让AI同时站在防守方一侧

有趣的是，导致漏洞发现效率急剧提升的AI，同样可以成为解决存量安全问题的重要工具。

美国DARPA的TRACTOR项目，目标之一就是探索自动将传统C代码转换为Rust。微软研究院推出的RustAssistant项目，则利用AI检测Rust编译过程中的错误并提供修改建议。

这些研究背后是同一种思路：既然AI可以帮助攻击者理解数十万乃至上百万行代码，防守者同样应该使用AI完成过去因成本过高而无法大规模推进的安全工程工作——对历史代码进行安全审计、分析危险内存操作、辅助代码迁移、识别架构中的高风险接口。

所以，AI时代的\"Shift Left\"已经不只是把安全扫描工具加入CI/CD流水线。更进一步的问题是：能不能让AI参与软件重构，从产生漏洞的工程基础上减少问题？

案例四：Agentic AI如何研究OpenHarmony漏洞

亚利桑那州立大学副教授、漏洞研究人员Yan Shoshitaishvili，在同一届Black Hat USA的演讲\"Vulnerability Research in the Agentic Age\"中，展示了一个值得关注的研究案例。

他的团队首先分析Android历史漏洞，提取其中具有代表性的漏洞属性和模式，再让Agentic流水线根据这些特征对OpenHarmony进行自动化分析。OpenHarmony是一个开源操作系统项目，其部分技术构成了华为商业HarmonyOS生态的基础。

最终，研究团队发现了数十个安全问题，涉及蓝牙相关问题、设备接管风险、隐私泄露以及位置数据问题等多个方面。

这个实验背后有一个重要的方法论变化。过去使用大语言模型做漏洞研究，一种典型方式是把代码直接交给模型，然后询问\"这里有没有漏洞\"。Shoshitaishvili认为，真正有效的方法并非如此。

高质量Agentic漏洞研究，需要建立搜索策略、验证管线以及可利用性检查机制，而这些能力仍然需要人的创新与安全经验——研究人员必须理解威胁模型是什么，漏洞空间在哪里，如何定义值得寻找的安全属性，如何判断模型发现的异常是否真正可利用。

AI并没有让高级漏洞研究人员变得不重要。相反，它可能改变了高级研究人员最有价值的工作内容。过去，研究人员大量时间花在阅读代码、重复调试、手工验证和编写PoC上；未来，人类可能更多负责定义问题、设计策略、建立验证框架——然后让智能体执行海量重复性分析任务。

一个新瓶颈正在形成：发现速度已超过修复速度

Shoshitaishvili提到了另一个现实困境。

随着Agentic漏洞研究流水线效率不断提高，他的团队发现漏洞的速度，已经快于进行负责任披露的速度。

发现漏洞本身只是第一步。完成负责任的安全研究，还需要确认漏洞、分析影响、准备技术文档、联系厂商、讨论修复方案、协助验证补丁，最终完成披露。AI大幅提高了第一阶段的速度，却没有同比例压缩后续所有流程。

于是安全行业出现了一个新的瓶颈：未来限制漏洞处理能力的，可能不再是\"找不到漏洞\"，而是\"处理不过来\"。

微软MSRC漏洞处理量的大幅增长，已经在呈现这一趋势。这意味着企业漏洞管理体系也必须随之变化。当攻击端能够进行自动化扩展，而防守端仍然主要依靠人工工单流转时，双方存在天然的不对称。

最佳实践三：从\"检测优先\"升级为\"预防+检测\"

Weston并没有认为威胁检测将失去价值，但他给出了一个清醒的判断：检测仍然重要，但检测已经不够。

过去十多年，安全行业投入大量资源构建SOC、SIEM、EDR、NDR、XDR。这些技术的核心逻辑是：假设攻击最终会发生，那么至少应该尽可能快地发现它。这个逻辑没有错，但当攻击工具能够针对每个目标动态生成，仅仅依靠检测层\"逐个拦截\"，成本会越来越高。

因此Weston提出，应当增加更多预防性机制，包括使用内存安全语言、采用Secure by Construction、推进形式化方法，从系统设计层获得更加确定性的安全保障。

这里最值得关注的关键词是：deterministic safety——确定性安全。

传统威胁检测在很大程度上是概率性的——系统判断某个进程\"像\"恶意软件，某段流量\"可能\"异常。攻击者可以持续研究这种判断边界。而安全语言和形式化验证追求的，是让某些危险状态根本无法发生。

二者的安全属性，从根本上就不同。

企业如何落地：五个值得重新审视的安全实践

结合微软与Shoshitaishvili团队展示的案例，AI时代的安全体系至少可以从以下五个方向重新审视。

1. 不要只统计漏洞数量，还要统计\"漏洞类别\"

持续回答：过去一年出现最多的是哪一类漏洞？其中多少来自同一技术根因？有没有办法通过编程语言、框架或架构改造，一次性减少整个漏洞类别？当漏洞发现进入工业化时代，消除漏洞类别的价值，将高于提升单个漏洞的处理效率。

2. 为高风险组件制定内存安全迁移路线

企业没有必要、也很难一次性重写全部历史代码。更现实的方法是优先识别互联网暴露组件、身份认证组件、权限边界组件、Hypervisor与容器隔离组件，以及解析复杂非可信输入的组件，再评估Rust等内存安全语言的引入路径。

3. 把AI漏洞研究能力纳入内部安全测试

如果攻击者可以使用Agentic AI，防守方就不能只依赖传统扫描器。企业内部的安全测试平台可以逐步引入AI辅助代码审计、漏洞模式搜索、自动PoC生成与漏洞可利用性判断。但一个重要原则是：自动化生成的结果必须进入严格验证流水线，而非直接信任输出。

4. 不要把Rust等价于\"安全已经解决\"

Rust能够显著降低内存安全风险，但TOCTOU、业务逻辑、访问控制、密码学错误以及架构设计问题仍然存在。安全语言迁移必须配合威胁建模、安全架构设计与并发安全分析，否则很可能只是把原有系统的逻辑缺陷，用一种更加安全的语言重新实现了一遍。

5. 从\"响应速度竞争\"转向\"安全耐久性竞争\"

当攻击者能够以分钟级生成新的漏洞利用和工具变体，单纯讨论\"检测规则能多快更新\"可能已经不够。企业更应该问：哪些安全措施即使攻击者更换工具、改变代码或使用AI生成全新攻击样本，依然有效？这样的机制，才具有真正的durability。

结语：不是谁拥有更多规则，而是谁能改变问题本身

回过头看那三个数字：200个Linux内核漏洞，182个自动生成的崩溃级PoC，平均21分钟、3.61美元。

它们真正警示安全行业的，不是\"AI又能自动写漏洞利用了\"，而是：过去支撑网络安全最佳实践的一部分经济学前提，正在消失。

漏洞不再足够稀缺，高水平漏洞利用能力不再必然昂贵，攻击工具不再需要长期重复使用，攻击者改变TTP的成本也在持续下降。

Weston给出的核心建议值得反复理解：不要和攻击者陷入无休止的近距离肉搏。真正能够改变攻防不对称的方法，是尽可能让一部分攻击从技术上失去成立的条件。

使用内存安全语言，是为了减少整个内存漏洞类别；Secure by Construction，是为了让安全成为软件结构本身的一部分；形式化方法，是为了获得更确定性的安全保证；AI辅助代码分析与迁移，则有机会帮助企业以过去无法承担的成本，对庞大的历史代码进行重新治理。

当然，Shoshitaishvili的实验同样提醒我们：没有任何一种编程语言、AI模型或安全工具能够一劳永逸。消除了内存漏洞，逻辑漏洞仍然存在；提高了代码安全，架构错误仍可能存在；自动化了漏洞发现，验证、修复和披露又会成为新的瓶颈。

AI时代真正成熟的安全策略，或许不是追求某种\"终极解决方案\"，而是完成一次防御逻辑的根本转变：从不断追赶攻击结果，转向持续减少攻击成立的前提。

过去，安全团队需要证明自己能比攻击者更快发现、更快检测、更快修补。未来，更加重要的问题可能变成：能否通过语言、架构、形式化验证和AI辅助工程，让攻击者即使拥有廉价、规模化的智能体攻击能力，也越来越难找到真正有效的突破口？

当攻击开始变得廉价，防守就必须变得更加坚固。

这或许才是\"AI安全时代\"，真正需要重新建立的最佳实践。

相关阅读

你采购的不是软件，而是一个会\"进化\"的供应链风险：AI供应商选型实操指南

账单暴增300%？ AI助手越用越贵的真相：三个真实案例揭示如何把推理成本打下来

一封钓鱼邮件触发六个AI代理同时启动，SOC直接\"撞车\"：智能化运营那道被忽视的\"碰撞危机\"

联系我们

合作电话：18610811242

合作微信：aqniu001

联系邮箱：[email protected]