《Array》：Towards adaptive and continuous offensive security: A comprehensive survey of AI driven threat validation techniques
网络攻击面正以前所未有的速度扩张，而现代对手越来越具备自主运行能力。因此，组织已无法仅依赖周期性或人工安全评估，而是需要能够持续运行、实时适应并突破人类能力边界的进攻性安全机制。尽管AI驱动威胁验证已成为推动该方向的重要赋能技术，但当前技术版图仍较为碎片化，在方法学严谨性、运行成熟度以及真实世界部署就绪性方面仍存在显著缺口。本文对机器学习（ML）、深度学习（DL）、强化学习（RL）、生成式人工智能（Generative AI）以及图智能（Graph Intelligence）当前如何被用于跨现代基础设施的攻击发现、利用生成与暴露面验证进行了全面、多维度分析。文献综合表明，尽管该领域已取得显著进展，许多现有方法在在线学习能力、透明决策逻辑、安全自主行为以及模拟攻击载荷多样性等方面仍表现出局限。这些局限通常要求大量人工参与，以完成结果解释、过程监督及安全运行控制。通过整合现有进展、识别跨领域共性缺口并勾勒有前景的研究路径，本研究将AI驱动进攻安全定位为一个具有变革潜力但仍在发展的领域。本文所提出的洞见凸显出以下需求的紧迫性：自我改进型攻击仿真、可信且可解释的自动化，以及能够跟上当今动态威胁态势、并以伦理为基础的持续性威胁验证框架。
1. Introduction
论文首先指出，当前网络安全环境具有高度动态性与复杂性，攻击者持续改进攻击向量以规避传统防御。以规则为基础的防火墙、特征签名检测以及计划性的渗透测试，已难以应对现代威胁的速度与不确定性。随着人工智能（AI）、物联网（IoT）与云技术的广泛采用，攻击面呈指数级扩大，因此需要能够实时演化、主动发现并评估脆弱性的自适应、持续性进攻安全方法。
文章进一步强调“漏洞检测”与“威胁验证”之间的关键区别。检测仅识别系统中的潜在弱点，而验证则回答这些弱点在真实攻击条件下是否可被武器化的问题。传统自动化扫描器与静态分析工具多聚焦于发现问题，常导致高误报与资源浪费。在持续集成/持续部署（CI/CD）环境下，这一差距更为显著，因此迫切需要能够结合上下文自主执行威胁验证的智能系统。
在此基础上，论文明确提出研究目标，即构建并梳理能够从攻击结果中学习、持续改进模型并执行贴近真实对手行为的连续威胁仿真的AI驱动框架。作者总结了本文贡献，包括：建立统一的多维综合框架；比较机器学习（ML）、深度学习（DL）、强化学习（RL）、生成式人工智能与图智能的差异化作用；提出基于动态学习、自主决策、连续性、真实性与可解释性的缺口分析矩阵；强调人工监督在高风险双用途情景中的必要性；并给出未来研究方向。
2. Survey methodology
本节介绍综述采用的结构化文献回顾方法。研究并未执行统计意义上的元分析，而是通过可复现的检索策略、纳入排除标准、分阶段筛选流程以及定性评估实现系统化文献综合。文献来源包括IEEE Xplore、ACM Digital Library、SpringerLink、Elsevier ScienceDirect与arXiv，覆盖网络安全、人工智能及自动化安全测试等主要研究渠道。
检索采用布尔逻辑组合关键词，围绕AI驱动网络安全、威胁验证、自动化红队、渗透测试自动化、生成式人工智能、生成对抗网络（GAN）、大语言模型（LLM）、攻击仿真与利用生成等主题展开。时间窗口聚焦2020年至2025年，以捕捉从传统基于规则的安全测试向自适应、自主化进攻安全框架转变的关键阶段。
在筛选流程中，初始获得约1124条记录，去重后保留736篇；经标题与摘要筛选后剩余114篇；全文复审后最终纳入34项研究。纳入标准主要要求研究至少满足以下之一：提出AI基础的进攻安全评估方法、实现攻击仿真或对手模拟、将ML/DL/RL/生成式人工智能应用于攻击建模、提出自动化渗透测试框架，或研究攻击路径发现与漏洞可利用性预测。作者同时指出该综述为定性分析，结论依赖原始研究报告的证据质量。
3. Conceptual foundations
该部分构建全文的概念基础。首先，论文区分防御性安全与进攻性安全：前者强调预防、检测与响应，依赖安全信息与事件管理（SIEM）、入侵检测、访问控制和加密等机制，但具有明显的事后反应特征；后者则站在攻击者视角，通过渗透测试、红队演练和持续验证主动暴露系统弱点。作者认为，二者结合才能形成安全能力的协同演化闭环。
关于“威胁验证”与“漏洞检测”，作者指出，检测侧重发现已知弱点，如基于CVE或CWE的版本缺陷、配置错误和补丁缺失；而威胁验证则要求在受控条件下模拟利用、评估权限提升、横向移动、数据泄露或业务中断等真实影响。也就是说，检测回答“是否存在缺陷”，验证回答“该缺陷能否被利用”。这一差异是推动AI驱动进攻安全的重要理论起点。
随后，论文系统梳理人工智能在网络安全中的五类核心作用。机器学习（ML）主要负责模式识别、异常检测与风险优先级排序；深度学习（DL）通过卷积神经网络、长短期记忆网络（LSTM）与Transformer实现自动特征提取与复杂行为表征；强化学习（RL）适用于不确定环境下的序列决策，可模拟攻击者动态策略调整；生成对抗网络（GAN）能够生成对抗样本、仿真攻击载荷并增强鲁棒性测试；大语言模型（LLM）则增强威胁推理、报告摘要、脚本生成与多语言分析能力，但也带来明显双用途风险。
最后，作者提出“自适应”与“持续性”是下一代AI驱动安全系统的两大基础原则。自适应要求系统能够从实时反馈中学习并动态更新验证策略；持续性要求该能力无缝嵌入DevSecOps或MLOps流程，实现全天候的安全验证与模型更新。二者融合后，传统点状安全测试将被“持续保障”所取代。
4. Evolution of offensive security approaches
本节从历史维度阐释进攻安全的演化过程。第一阶段是传统渗透测试，其优势在于依靠专家经验实现上下文化验证，可灵活构建多步利用链并提供细粒度风险判断；但其缺陷同样明显，包括人工密集、成本高、执行周期长，只能给出某一时点的安全快照。
第二阶段是自动化漏洞扫描器的发展，如Nessus、OpenVAS、Qualys与Nexpose等。这些工具将资产发现与已知漏洞匹配流程大规模自动化，在覆盖率、速度与一致性方面显著优于纯人工测试。然而，扫描器本质上仍停留在“检测”层面，无法判断漏洞在具体环境中是否真实可利用，因此带来高误报与告警疲劳。
第三阶段是基于规则和签名的攻击仿真技术，如BAS平台与基于MITRE ATT&CK的对手模拟。此类系统开始弥合“检测”与“验证”的鸿沟，能够按预定义攻击技术持续检验防御有效性。但它们仍受制于静态攻击库与人工更新机制，缺乏对零日漏洞、新型攻击策略以及动态环境变化的适应能力。
第四阶段是AI增强型进攻安全。研究开始使用ML预测漏洞可利用性，使用RL学习最优攻击路径，使用GAN与其他生成模型创建新型攻击载荷。该阶段首次赋予系统一定的学习、泛化与策略优化能力，但仍普遍停留在研究原型或受控实验环境中，面临数据稀缺、算力开销高、伦理边界模糊及生产级集成不足等问题。
第五阶段则是迈向持续性进攻安全（COS）。这一范式将AI、自主攻击代理与DevSecOps深度融合，使漏洞发现、利用验证和修复反馈在持续交付周期中协同运行。其核心优势在于实现7 × 24实时验证、业务上下文化风险评估以及攻防联动反馈闭环，但在标准化基准、安全约束、架构复杂性与跨企业环境集成方面仍处于早期探索阶段。
5. AI driven threat validation
本节是全文核心，首先给出“威胁验证”的操作性定义：在受控条件下主动验证某一疑似漏洞、攻击路径或对抗行为是否能够成功利用，并产生可测量的安全影响。作者据此将相关系统分为“部分验证”与“完全验证”，并围绕三条分析维度展开分类：AI技术维度、自适应维度与持续性维度。
在AI技术维度中，机器学习（ML）主要用于漏洞优先级排序与可利用性评分。文章指出，静态CVSS v2.0或v3.x评分未纳入现实利用上下文，而基于公开利用代码（PoC）、攻击者关注度、功能影响及资产暴露度等特征训练的模型，可生成更细粒度的漏洞利用概率，为持续验证系统提供资源优化依据。
深度学习（DL）则侧重高维行为模式建模。循环神经网络（RNN）、长短期记忆网络（LSTM）、自编码器（AE）及变分自编码器（VAE）可学习网络流量、系统调用与用户活动中的时序与潜在表征。虽然这些模型常用于防御侧异常检测，但它们实际上定义了进攻侧需要规避的检测边界，因此对威胁验证具有间接而关键的影响。
强化学习（RL）被视为实现自主、自适应红队代理的核心技术。文章采用马尔可夫决策过程（MDP）形式化描述此类系统，包括环境、状态空间、动作空间与奖励函数。典型环境为网络靶场或仿真平台；状态可包括操作系统类型、运行服务、主机与子网标识、是否已被攻陷等；动作则映射至MITRE ATT&CK战术，如扫描、利用、权限提升与文件检索；奖励函数用于刻画横向移动、权限升级或数据窃取等攻击目标的实现进度。多智能体强化学习（MARL）进一步扩展为攻防对抗模拟。
生成式人工智能部分重点讨论大语言模型（LLM）与生成对抗网络（GAN）。LLM能够通过推理模块、生成模块和解析模块协同完成渗透测试编排、命令生成、脚本合成和结果解析，显著降低复杂攻击操作门槛。GAN则可用于生成隐蔽攻击流量、补充稀缺数据、构建对抗样本，甚至检验生物特征认证系统与AI认证系统的脆弱性。论文强调，这些能力一方面提升攻击仿真真实性，另一方面也放大了双用途风险。
图智能部分则以图神经网络（GNN）为核心，将用户、主机、进程等实体表示为节点，将通信、登录、进程关系等表示为边，进而在动态异构图上进行威胁关联、攻击路径映射与横向移动优先级分析。图卷积网络（GCN）与图注意力网络（GAT）能够通过消息传递形成上下文化嵌入，用于识别多阶段隐蔽攻击，并为安全运营中心中的实时关联分析提供支持。
在自适应维度上，作者将系统分为静态、半自适应与完全自适应。静态系统依赖预定义规则或固定训练集；半自适应系统通过周期性离线更新进行改进；完全自适应系统则依靠在线学习、RL反馈回路等机制持续从攻击结果中学习。论文指出，真正完全自适应的系统仍受稳定性、算力与策略安全性制约。
在持续性维度上，系统被划分为周期性验证、自动化批处理验证与实时持续验证。周期性验证对应传统渗透测试与合规审计；自动化批处理常嵌入CI/CD，由补丁更新或代码变更触发；实时持续验证则通过持续安全验证（CSV）或BAS工具直接在DevSecOps环境中模拟攻击，以缩短暴露窗口并强化即时响应能力。
作者进一步指出，这三条维度并非单纯分类工具，而是对传统进攻安全局限的系统性回应。AI技术赋予系统认知与生成能力，自适应使其能够学习演化，持续性则保证验证活动与现代软件交付节奏同步，三者共同构成“自适应与持续性进攻安全”的理论框架。
6. Comparative review and gap analysis of existing techniques
该部分对纳入的34项研究进行比较评估。作者指出，现有AI网络安全研究虽然数量增长明显，但多数仍聚焦防御性检测、分析与缓解任务，真正服务于主动威胁验证、对手模拟与自主攻击执行的工作只占有限比例。许多研究展示了中等到较强的动态学习、自动化流程集成或连续运行能力，但在可解释性、治理能力、真实部署成熟度方面证据仍较弱。
从共性缺口看，首先是人工依赖仍然广泛存在。即便在采用复杂ML、DL或RL架构的系统中，分析人员通常仍需解释模型输出、确认利用可行性、判断风险含义，或在自动动作存在不确定性时进行干预。其次，连续在线自适应能力仍较薄弱。大量系统依赖静态数据集或周期性重训练，而非真正基于实时遥测与反馈实现模型在线修正。
此外，评估环境的真实性与攻击载荷多样性也存在限制。许多工作虽然使用仿真平台、攻击图或网络靶场，但其攻击样本、漏洞仓库与流量场景常是预定义或合成的，因此在真实企业环境中的泛化能力与可操作性尚未被充分验证。作者据此认为，当前AI驱动安全框架的“强证据”主要集中于部分自动化，而“完全自主威胁验证系统”仍仅获得有限证据支持。
7. Discussion and future directions
在讨论部分，论文强调AI驱动威胁验证系统的部署必须建立明确的治理护栏。由于RL代理、生成模型与自动化对手模拟框架具有明显双用途属性，若缺乏适当边界控制，可能误伤生产系统或被超范围使用。因此，作者提出若干关键约束：严格限定测试范围；在网络靶场、虚拟实验室或数字孪生环境中进行沙箱化执行；实施基于允许列表的目标控制；对漏洞数据、配置数据和攻击轨迹实施加密、匿名化与访问控制；建立红队治理策略与操作约束；保留完整日志、审计链路和人工监督；并在法律、伦理与组织政策框架下设置清晰的评估边界。
关于未来研究方向，文章认为，应从孤立AI技术走向一体化、持续性验证框架；发展基于在线学习、流式数据融合与强化学习的自学习进攻代理；构建高保真、多模态攻击合成能力，以生成复杂利用链、网络流量、钓鱼内容和对抗样本；将持续自动化验证深度嵌入DevSecOps与云原生基础设施；通过“人在环外监督”机制实现安全、自主且合规的运行控制；提升可解释人工智能（XAI）能力，使分析人员能够理解攻击路径选择与利用推理逻辑；建立更贴近现实的攻击者认知与意图模型；并推动标准化数据集、基准平台和可复现测试床建设。
8. Conclusion
结论部分总结指出，现代AI正在重塑进攻安全验证。机器学习（ML）、深度学习（DL）、强化学习（RL）、生成式人工智能与图智能的引入，显著提升了自动化、扩展性与预测能力，但当前体系仍受限于自适应不足、集成碎片化以及对人工专业知识的强依赖。论文通过多维分类与缺口分析说明，未来的进攻安全系统不仅要“使用AI”，更要真正具备自适应、持续性与上下文化感知能力。
作者最终强调，从周期性人工渗透测试迈向动态实时威胁验证，是网络安全保障模式的根本转型。实现这一转型，需要在自学习代理、真实攻击仿真、伦理治理、可解释决策和标准化评测框架方面取得进一步突破。随着威胁复杂度和演化速度持续提升，由人工监督约束的自主进攻型AI，将成为构建可信、韧性与持续验证安全态势的关键。
