AI时代，网络安全数据正在成为黑客的战略资源

原创

承影
承影

兰花豆说网络安全

2026年11月3日 00:00
湖北

去阅读

过去，网络安全公司最担心的是什么？是核心技术被竞争对手抄袭，是客户数据泄露，是漏洞被黑客提前利用。

但进入AI时代，网络安全公司可能还需要警惕一个新的风险：自己多年积累的漏洞数据、攻防数据和安全知识，正在成为黑客训练攻击大模型的重要原材料。

这不是危言耸听。

大模型正在改变网络攻防的技术门槛。过去，一个攻击者需要具备较强的编程能力、漏洞分析能力和实战经验，才能完成复杂攻击。现在，AI可以辅助代码分析、漏洞挖掘、攻击路径推演、脚本编写和自动化任务编排。随着智能体技术的发展，AI甚至可以把多个攻击环节串联起来，形成更加自动化的攻击工作流。

与此同时，模型厂商也在不断调整安全策略，对漏洞利用、恶意代码生成、自动化攻击等高风险能力设置限制，部分高风险功能可能被收紧或关闭。

但需要明确一点：模型厂商收紧安全能力，不等于攻击能力消失。

当攻击者无法直接使用某些模型能力时，可能转向开源模型、本地部署模型、模型微调，或者通过其他方式构建专门服务于攻击任务的AI系统。

这就带来了一个值得整个网络安全行业高度重视的问题：网络安全公司多年积累的数据，会不会成为下一代攻击大模型的训练燃料？

一、网络安全数据，正在成为AI时代的战略资源

网络安全行业有一个特殊之处：真正有价值的安全数据，往往不是网上公开的通用信息，而是来自长期实战积累。

一家成熟的网络安全公司，可能拥有以下几类核心数据资产。

1. 漏洞数据：攻击大模型的知识基础

包括漏洞信息、漏洞成因、受影响组件、漏洞复现环境、漏洞利用代码、修复方案，以及不同版本之间的差异分析。

这些数据可以帮助防守方更快发现和修复漏洞，但如果被攻击者获得，也可能帮助其理解漏洞原理、识别攻击条件，甚至辅助生成利用方案。

尤其是尚未公开披露的漏洞信息、未修复漏洞和高质量漏洞利用样本，其安全价值和风险都非常高。

2. 攻防数据：训练攻击能力的重要素材

包括渗透测试报告、红蓝对抗记录、攻击链路、内网横向移动路径、权限提升过程、攻击工具使用记录、攻防演练日志等。

这些数据记录了真实环境中的攻击行为和防御过程。

对于防守方，它们是提升检测能力、完善安全策略的重要依据；对于攻击者，它们也可能提供攻击路径、技术组合和绕过防御机制的参考。

3. 安全工具与规则：攻击自动化的参考资料

包括安全检测规则、流量分析特征、攻击脚本、自动化测试工具、检测引擎规则、威胁情报以及安全产品的技术文档。

这些内容一旦被系统性收集和分析，就可能帮助攻击者理解防御系统的检测逻辑，寻找检测盲区。

4. 行业知识与实战经验：难以复制的Know-how

例如金融、电力、能源、交通、水利、公共服务、公安、运营商、电子政务、国防科技等行业的网络架构特点、业务系统关系、典型安全问题和防护策略。

这些知识并不一定表现为代码或漏洞库，却可能比单个漏洞信息更有价值。

因为真正复杂的攻击，往往不是找到一个漏洞就结束了，而是需要理解目标环境、业务关系、身份权限和系统之间的依赖。

因此，网络安全公司的核心数据资产，实际上覆盖了漏洞、工具、规则、攻防过程、行业知识等多个维度。

过去，这些数据是网络安全公司的技术积累；未来，它们也可能成为攻击AI的重要训练素材。

二、为什么攻击者需要这些数据？

这里需要理解一个基本逻辑：通用大模型与专业攻击模型之间，存在明显的能力差异。

通用大模型掌握了大量公开知识，但对于专业网络攻防场景而言，仅有通用知识是不够的。

真正高水平的网络攻防，需要理解漏洞成因、系统架构、协议细节、攻击路径、防御机制和实际环境约束。

而这些恰恰是专业网络安全数据能够提供的。

攻击者可能通过以下方式利用安全数据：

• 知识增强： 将漏洞库、攻击案例和安全技术文档接入知识库，通过RAG等方式增强模型的专业知识。
• 模型微调： 利用高质量攻防样本对模型进行微调，使其更适应特定安全任务。
• 智能体编排： 将漏洞分析、代码审计、信息收集和工具调用等能力组合起来，形成自动化攻击工作流。
• 攻击经验复用： 从历史攻防案例中提取攻击模式，提高攻击任务的效率和针对性。

这里还需要区分一个概念：数据进入黑市，并不意味着一定会直接用于模型训练。

攻击者可能将其用于人工分析、检索增强、规则提取、模型微调，也可能转卖给其他组织。

但无论采取哪种方式，数据一旦失去控制，就可能被反复复制、传播和利用。

更值得警惕的是，AI降低了高质量安全数据的使用门槛，让过去只有专业安全人员才能理解和使用的技术资料，更容易被转化为自动化能力。

三、网络安全数据是如何流入黑市的？

很多网络安全从业者可能会认为，漏洞库、攻防数据都在公司内部，外部人员不可能拿到。

但现实是，数据泄露不一定来自黑客直接攻破企业系统，更多时候可能来自日常业务活动中的管理漏洞。

我认为，至少需要警惕以下六个渠道。

1. 员工违规上传

安全研究人员为了提高工作效率，将漏洞报告、客户环境信息、攻防记录、代码片段直接上传到第三方大模型平台。如果没有经过脱敏和授权，这些数据就可能离开企业原有的安全边界。

2. AI工具和智能体的数据权限失控

企业内部部署了各种AI助手、代码助手和智能体。如果Agent拥有过大的文件读取、数据库访问、终端操作权限，或者缺乏有效的调用审计，就可能通过错误配置、提示词注入等方式，导致敏感数据被读取或外传。

3. 安全产品和研发系统泄露

漏洞管理平台、代码仓库、攻防测试平台、工单系统、知识库等，往往保存着大量高价值数据。一旦账号权限管理不严、接口暴露或者存在系统漏洞，就可能成为攻击者的突破口。

4. 外包与供应链泄露

网络安全项目涉及大量合作伙伴，包括测评机构、渗透测试团队、外包开发人员、技术服务商等。数据在多个组织之间流转，任何一个环节管理不到位，都可能导致数据泄露。

5. 内部人员违规交易

部分人员可能利用职务便利，将漏洞信息、客户资产信息、攻击报告等敏感数据出售给第三方。对于高价值漏洞和未公开的攻防数据，这种风险尤其值得重视。

6. 开源社区与公开资料反向聚合

一些企业在技术交流、漏洞披露、代码开源和案例分享过程中，可能无意间暴露内部技术细节。单条信息看起来没有太大价值，但如果被持续收集、关联和分析，就可能还原出企业的技术能力、客户环境和防御策略。

这里有一个重要观点：

数据泄露不一定是一次严重的安全事件，也可能是无数次看似正常的数据流转，最终造成核心安全资产失控。

四、网络安全公司应该如何保护自己的数据资产？

过去，网络安全公司的数据安全建设，更多关注客户数据、业务数据和内部办公数据。

进入AI时代，需要进一步将漏洞数据、攻防数据、威胁情报和安全知识资产纳入核心保护范围。

我建议从以下六个方面着手。

1. 建立网络安全数据资产目录

首先要知道自己有什么数据。

建议建立统一的数据资产清单，对以下数据进行梳理：

• 漏洞数据：公开漏洞、未公开漏洞、0day相关信息、漏洞利用代码。
• 攻防数据：渗透测试报告、红蓝对抗记录、攻击链路、演练日志。
• 客户数据：网络拓扑、资产清单、账号权限、系统配置、安全评估报告。
• 技术数据：源代码、检测规则、攻击脚本、安全工具和算法模型。
• 知识数据：行业安全方案、项目经验、专家知识和技术文档。

需要强调，公开漏洞信息与未公开漏洞信息、客户授权测试数据与非授权获取的数据，其敏感程度和管理要求并不相同，不能简单地一刀切。

2. 建立数据分级分类管理机制

不是所有安全数据都需要采用相同的保护措施。

可以按照公开程度、敏感程度、泄露影响和利用风险进行分级。

具体分级应结合企业实际情况和适用的法律法规、合同义务确定。

3. 建立AI数据安全使用规范

这是当前最容易被忽视的环节。

企业不能只要求员工提高安全意识，还需要从技术上建立管控机制。

例如：

• 禁止未经审批将客户数据、未公开漏洞和攻防报告上传到外部AI平台。
• 对AI输入内容进行敏感信息识别和脱敏。
• 对外部模型调用建立统一出口和审计机制。
• 对企业知识库实施分级授权，避免不同岗位、不同项目之间的数据越权访问。
• 对AI Agent实施最小权限原则，限制其访问敏感文件、数据库和代码仓库。
• 对模型、插件、MCP、Skill等扩展组件进行安全审查。

特别需要注意，不能简单认为本地部署模型就等于数据安全。模型部署在哪里只是一个因素，数据存储、访问权限、日志管理、插件调用和运维体系同样重要。

4. 建立安全数据流转监测体系

数据安全不能只靠制度，还需要技术手段。

建议重点监测：

• 大规模漏洞数据导出。
• 批量下载攻防测试报告。
• 非正常时间访问敏感知识库。
• 员工向外部AI平台上传敏感文件。
• 代码仓库、文档平台和数据库的异常访问。
• 外部合作伙伴批量获取项目资料。
• Agent异常调用敏感工具和数据接口。

通过DLP、UEBA、数据库审计、API安全、终端安全等技术手段，建立数据访问、使用、流转和外发的全链路监测能力。

5. 建立漏洞数据和攻防数据的特殊保护机制

对于网络安全公司来说，漏洞数据和攻防数据不能完全按照普通办公文件进行管理。

尤其是未公开漏洞、漏洞利用代码和真实客户环境中的攻击路径，应当采取更严格的保护措施。

例如：

• 漏洞数据分级存储，限制不同人员的访问范围。
• 未公开漏洞实行独立授权和访问审批。
• 漏洞复现环境与办公网络进行隔离。
• 攻防测试数据在项目结束后按合同和制度进行归档、脱敏或销毁。
• 对漏洞利用代码、攻击工具和高风险技术资料建立下载、复制和外发审计。
• 对离职人员及时回收账号、密钥和数据访问权限。

6. 建立安全数据泄露应急响应机制

一旦发现漏洞数据或攻防数据泄露，不能简单按照普通文件泄露事件处理。

需要快速判断：泄露了什么数据？是否涉及未公开漏洞？是否涉及客户真实资产？是否已经被外部获取？是否存在二次传播和恶意利用的可能？

根据影响范围，及时开展账号封禁、密钥轮换、数据访问阻断、客户通知、漏洞处置和证据保全等工作。

数据泄露之后，真正困难的往往不是找回文件，而是控制数据继续传播和被滥用。

五、网络安全从业者需要重新认识自己的数据价值

我认为，这件事情对网络安全行业至少有三个方面的启发。

第一，安全数据正在成为网络安全公司的核心资产。

过去，大家谈论网络安全公司的核心竞争力，往往会想到安全专家、技术团队、安全产品、漏洞研究能力和客户资源。

未来，还需要增加一个重要维度：高质量安全数据的积累和治理能力。

一家企业拥有多少漏洞数据、多少真实攻防案例、多少行业安全知识，能否将这些数据转化为检测能力、分析能力和自动化防御能力，将直接影响其AI时代的竞争力。

但数据多不等于数据有价值，真正有价值的是来源合法、质量可靠、经过治理、能够授权使用并持续更新的数据资产。

第二，网络安全公司不能只帮助客户防御AI攻击，还要防止自己的数据被AI利用。

这是一个容易被忽视的矛盾。

网络安全公司一方面帮助客户建设安全防护体系，研究AI攻击与防御技术；另一方面，如果自身的数据管理体系跟不上AI的发展，自己积累的漏洞、攻防和安全知识就可能成为攻击者的资源。

未来，网络安全公司的安全建设需要从传统的网络安全、终端安全、数据安全，进一步延伸到AI使用安全、智能体权限安全和安全数据资产保护。

尤其是AI Agent普及之后，数据不再只是被人访问，也可能被智能体自动读取、分析、处理和传输。企业必须重新审视数据访问边界。

第三，网络安全数据的保护与利用，需要找到平衡点。

我们不能因为担心数据泄露，就拒绝使用AI，也不能因为要训练自己的安全模型，就不顾数据安全。

真正应该做的是建立可信的数据使用体系。

对于公开漏洞、公开攻防案例，可以在遵守许可和使用规则的前提下用于知识库建设和模型增强；对于客户数据、未公开漏洞和敏感攻防记录，则必须经过授权、脱敏、隔离和安全评估后才能使用。

未来，网络安全公司可以探索建设自己的安全数据平台，将漏洞知识库、攻防知识库、威胁情报和行业安全知识进行统一治理，为AI安全分析、自动化渗透测试、安全运营和智能体防御提供数据支撑。

这不仅是数据安全建设，也是AI时代网络安全产品创新的重要方向。

六、写在最后：下一场竞争，是安全数据的竞争

过去二十年，网络安全行业经历了从边界防护到纵深防御，从传统安全设备到安全运营，再到云安全和数据安全的发展。

今天，大模型和AI Agent正在重新改变网络攻防的技术体系。

模型能力决定AI能够做什么，工具决定AI能够调用什么，而数据决定AI能够理解多少专业知识、积累多少实战经验。

当然，安全数据并不能直接等同于攻击能力，模型架构、训练方法、工具权限和运行环境同样重要。但高质量安全数据一旦被滥用，确实可能显著降低攻击者获取专业攻防知识的成本。

对于网络安全公司而言，我认为应该立即建立一个新的安全意识：

不要只想着利用AI训练自己的安全大模型，也要警惕自己的安全数据成为别人训练攻击大模型的原材料。

保护漏洞数据、攻防数据、客户数据和行业安全知识，不仅是企业数据安全管理的基本要求，更是AI时代网络安全公司的核心竞争力保护。

未来，谁能积累高质量安全数据，谁能安全地使用这些数据，谁又能把数据转化为真正的安全能力，谁就更有可能在下一轮网络安全竞争中占据优势。

AI可以降低攻击门槛，但不能让安全数据失去边界。网络安全公司的下一道防线，可能就从保护自己的数据资产开始。

END

推荐阅读

币安63亿美元被盗：企业最大安全隐患就在员工电脑里

2026-11-01

深信服三年三季报：从亏6亿到赚5.7亿，它到底靠什么翻的身？

2026-10-31

值得警惕！人人当黑客的时代来临了

2026-10-28

船舶和港口也有漏洞库了！海事网络安全，不能再靠“事后补洞”

2026-10-27

一个监控摄像头被攻陷，企业视频监控系统到底有多危险？

2026-10-26