云原生环境中认知驱动的安全策略生成统一框架

《Journal of Network and Computer Applications》：A unified framework for cognition-driven security policy generation in cloud-native environments

　　

•首个统一的、具有认知能力的意图驱动框架，用于网络和系统策略。
•提出特定领域的命名实体识别（NER）和感知上下文的提示，结合实时集群状态。
•构建特定策略的数据集并自动化微调，以实现大语言模型（LLM）的无缝适配。
•展示主动的整体验证，具有冲突检测功能，以确保安全执行。
•与供应商无关的设计，灵活支持多样化的容器网络接口（CNI）和运行时安全工具。

引言

生成式人工智能的兴起正在重塑云计算基础设施的需求，标志着该行业的重要转变（Google Cloud, 2025a, Google Cloud, 2025b, Mckinsey & Company, 2024）。随着可扩展基础设施成为人工智能工作负载的必要条件，云基础设施支出正在迅速上升（Intel, 2025）。根据 IDC 的 2025 年云计算基础设施支出预测报告，预计 2025 年云基础设施投资将增长 33.3%，达到 2715 亿美元（IDC, 2025）。这一增长是由企业采用各种云部署模式来满足复杂需求所驱动的，包括高性能 GPU 资源、数据主权要求和成本优化。Flexential 的 2025 年人工智能基础设施现状报告显示，60% 的组织使用私有云，48% 在混合环境中运行，47% 使用公有云进行人工智能数据存储（Flexential, 2025）。使这些多云战略得以实现的是云原生技术，特别是容器化技术，它通过提供跨不同云环境的应用程序可移植性而成为基础。云原生应用程序通过利用容器技术的灵活性和效率，与传统的单体架构形成对比。值得注意的是，容器编排平台（如 Kubernetes）的出现，进一步促进了这些基于容器的微服务的管理（The Kubernetes Authors, 2025）。

然而，这些进步引入了关键的安全挑战，因为配置错误和漏洞成为了网络攻击的主要目标（Sun, 2020, Singh and Chatterjee, 2017, Khan, 2016, Singh et al., 2016）。Red Hat 的云安全现状报告（2024）（Hat, 2024）指出，42% 的受访者认为安全是其容器和 Kubernetes 环境中的主要担忧，配置错误被列为主要风险因素。事实上，在 2023 年，丰田经历了由云配置中的人为错误导致的数据泄露，导致十年间约 215 万条客户记录被未经授权地暴露（Asia, 2023）。同样，在 2024 年，Snowflake 案例表明，单点登录（SSO）配置错误（设置为“可选”而不是“强制”）允许使用本地凭据直接登录，并导致客户数据暴露（Alliance, 2025）。

在基于微服务的架构中，网络配置频繁更改，且服务交互本质上复杂，使得手动配置和管理安全策略变得不切实际。此外，限制容器内文件访问和进程执行的系统策略需要深入了解应用程序内部和容器镜像，进一步使得策略管理更加复杂。因此，手动方法无法确保安全策略跨不同安全领域的一致性和实时响应能力，这使得系统变得脆弱，因为即使是微小的错误，如拼写错误或配置缺失，都可能危及整体安全。

为解决这些挑战，提出了各种研究来自动化云原生环境中的安全策略管理（Xu et al., 2025, Sun et al., 2024, Xu et al., 2023, Collet et al., 2023, Sheng et al., 2023, Lee and Nam, 2023, Li et al., 2021, Ma et al., 2020, Cinque et al., 2022）。这些研究主要关注通过基于日志的分析和静态分析来自动生成策略的方法。然而，这些方法有几个显著的局限性。首先，基于日志的分析方法根据过去的活动生成策略，这对于新类型的流量或意外的容器行为可能不足。其次，基于静态分析的方法可以帮助理解应用程序的结构和预期行为，但难以反映动态变化，特别是由于微服务架构的复杂性和频繁更新。最近提出的基于意图的访问控制（IBAC）方法（Siino et al., 2025, Santos et al., 2025, Fuad et al., 2024, Van Tu et al., 2024, Kim et al., 2023, Dzeparoska et al., 2023, Collet et al., 2022, Jacobs et al., 2021, Yang et al., 2021），用自然语言表达用户意图并将其转换为策略。虽然这些方法通过意图驱动的自动化减少了人工工作量，但它们通常局限于单一安全领域，如网络配置（Han et al., 2025）或网络策略生成（Kim et al., 2025b），并未解决跨异构领域的全面安全策略管理。此外，大多数现有方法单独验证策略，缺乏部署前的冲突检测集成机制，这可能导致随着策略积累而产生不可预测的系统行为。

在这项工作中，我们提出了 KubeTeus+，一个专为云原生环境定制的认知驱动安全策略生成统一框架。为实现这种意图驱动的方法，KubeTeus+ 采用智能认知驱动处理，超越了简单的自动化：它通过自然语言处理（NLP）和大语言模型（LLM）理解安全需求，同时持续适应并根据实时集群状态进行验证。此外，由于微调对于 LLM 专门化于安全策略生成至关重要，我们提供了一个自动化的引导功能，用于 LLM 微调和超参数优化。此外，我们开发了一种增强的意图提示机制，输入到微调后的 LLMs 中以生成安全策略。我们的系统不与任何特定的安全策略提供商紧密耦合，并为各种提供商提供统一支持，包括用于网络策略的容器网络接口（CNI）和用于系统策略的运行时安全工具。最后，它包括多步预验证过程和冲突检测机制，在执行前检测和阻止错误的策略配置。

在评估中，KubeTeus+ 在六个不同规模的微服务应用中展示了全面的表现。系统实现了高性能，意图和实体分类的 F1 分数约为 97%。微调后的 LLMs 在跨异构提供商环境生成安全策略时，在多个互补指标上表现出一致的提升，与基线模型相比，系统策略的 BLEU 分数提高了多达 1440%（从 0.05 到 0.77），网络策略提高了 360%。对代表性模型的消融实验进一步验证了微调和提示增强都独立地有助于生成质量，其中提示增强在指标分数和结构有效性方面显示出最大的影响。我们提供了处理时间的详细分解，以识别性能瓶颈及其影响因素。

本文作出以下贡献：
•我们展示了一个新的安全策略生成框架 KubeTeus+ 的设计和实现，能够在云原生环境中智能生成网络和系统策略。
•我们展示了一个用于提示增强的实体分类模型和一个自动化微调 LLMs 的方法，从而允许用户在无需了解异构安全策略提供商详细策略架构的情况下生成策略。
•我们展示了一个多步验证过程和集合论冲突检测机制，防止错误的策略和策略间冲突在集群中被执行。
•我们通过分析提出的分类模型和微调后的 LLMs 的各种指标来评估 KubeTeus+。我们的评估证明了 KubeTeus+ 在生成安全策略和检测网络及系统策略领域中的配置错误方面的有效性。

本文的其余部分组织如下：第 2 节提供云原生环境和安全策略管理挑战的背景。第 3 节分析异构安全策略的结构模式。第 4 节概述 KubeTeus+ 的设计和关键需求。第 5 节深入探讨 KubeTeus+ 的核心功能和操作原理。第 6 节展示 KubeTeus+ 的实现和性能评估。第 7 节回顾相关工作及其局限性。第 8 节讨论系统局限性和未来工作。最后，第 9 节总结论文的关键发现和意义。

章节片段

背景与问题陈述
在本节中，我们介绍云原生环境的基本底层知识，包括容器化和安全策略机制。然后，我们讨论在这些动态环境中配置安全策略的关键挑战。

安全策略结构分析
意图驱动的策略自动化系统应将用户用自然语言表达的意图转换为可执行的策略规范。为了设计这样的系统，我们必须首先理解安全策略的结构：（i）这些策略遵循什么架构模式，（ii）它们的组件如何组织，以及（iii）哪些字段在语法上是必需的，哪些在语义上是有意义的。本节检查网络和系统策略以识别结构模式和 KubeTeus+ 设计

KubeTeus+ 设计
本节概述了激励 KubeTeus+ 开发的设计考虑因素，并描述了其系统架构。简而言之，我们的系统利用自然语言处理（NLP）技术，智能且自动地为具有动态和复杂特征的云原生环境生成安全策略。

基于生成式 AI 的模型学习
KubeTeus+ 的关键功能是准确识别用户意图并基于此生成适当的安全策略。为此，我们的系统利用了结合命名实体识别（NER）和大语言模型（LLM）的高级自然语言处理。

数据集构建和预处理。由于现有的通用语言模型数据集不能充分反映云原生环境安全策略的专业结构和术语，我们

实现
我们使用 Go 和 Python 的组合实现了一个 KubeTeus+ 原型，以验证其可行性和有效性。目前支持的策略包括 Kubernetes Network Policy (The Kubernetes Authors, 2025b)、Cilium Network Policy (Cilium Authors, 2025b) 和 Calico Network Policy (Tigera, 2025a)，涵盖第 3-4 层和第 7 层，以及用于系统级容器运行时安全的 KubeArmor Policy (The KubeArmor Authors, 2025b)。为了增强初始意图提示，我们开发了

相关工作
基于意图的管理。由于网络管理复杂性的增加，基于意图的方法研究已被积极追求（Jacobs et al., 2021, Collet et al., 2022）。（Jacobs et al., 2021）提出了一个系统，将自然语言意图转换为中间语言形式，然后转换为网络配置，使用机器学习和操作员反馈来验证与操作员目标的一致性。（Collet et al., 2022）提出了一种方法

局限性与讨论
对新策略提供商的可扩展性。为了将新的 CNI 或运行时安全工具集成到 KubeTeus+ 中，第 3 节的结构分析确认了现有的安全策略提供商在网络和系统策略中共享高度共同的结构模式，这意味着字段映射、关键词归一化和提示级适配几乎不需要额外的工作。因此，主要集成成本在于获取一个能够生成策略的 LLM

结论
本文提出了一个自动化软件框架 KubeTeus+，用于在云原生环境中生成安全策略。本研究首次将复杂的提示工程与专门用于复杂云原生环境的微调 LLMs 集成，将其与现有的基于日志或静态分析的方法区分开来。我们的系统支持多样化的安全策略提供商，包括用于网络策略的容器网络接口（CNI）和用于系统

CRediT 作者贡献声明
Bom Kim: 写作 – 审查与编辑，写作 – 原稿，验证，方法论，调查，形式分析，数据整理，构思。Seungwon Shin: 监督，写作 – 审查与编辑。Seungsoo Lee: 监督，项目管理，资金获取。

利益冲突声明
作者声明他们没有任何已知的竞争性财务利益或个人关系，这些利益或关系可能影响本论文中报告的工作。

致谢
这项工作得到了韩国政府（MSIT）资助的韩国国家研究基金会（NRF）赠款的 support（编号 RS-2025-16069415）。

Bom Kim|Seungwon Shin|Seungsoo Lee