Amazon RuleForge：利用代理式 AI 实现漏洞检测规则生成效率提升 336%
2026/04/09 00:17阅读量 2
Amazon 推出名为 RuleForge 的代理式 AI 系统，旨在解决全球海量漏洞披露与防御响应之间的时间差问题。该系统通过将规则创建流程分解为多个阶段，利用专用 AI 智能体并行生成、评估和验证检测规则，使生产级规则的生成速度比传统人工方法快 336%。引入独立的“裁判”模型并结合特定领域的负面提示技术，成功将误报率降低了 67%，同时保持了高召回率。
事件概述
面对 2025 年国家漏洞数据库（NVD）发布的超过 48,000 个新通用漏洞和暴露（CVEs），安全团队亟需将漏洞披露快速转化为有效的检测逻辑。Amazon 为此构建了 RuleForge 系统，这是一个基于代理式 AI（Agentic AI）的自动化平台，能够从漏洞利用代码示例中直接生成可直接投入生产的检测规则。该系统在保持高精度要求的同时，实现了比人工手动编写规则快 336% 的生产力优势。
核心机制与架构
RuleForge 并未试图用单一模型解决端到端问题，而是将规则创建过程重构为模仿人类专家工作流的流水线，包含以下关键阶段：
-
自动化摄入与优先级排序
- 利用内容分析和威胁情报源对每个 PoC 进行评分，确保资源集中在最关键的威胁上。
-
并行规则生成
- 针对每个优先级的 CVE，运行在 AWS Fargate 上的生成智能体（Generation Agent）利用 Amazon Bedrock 并行提出多个候选检测规则。
- 候选规则可根据后续阶段的反馈进行多轮迭代优化，从而探索不同的检测策略。
-
AI 驱动的评估（独立裁判模型）
- 创新点：RuleForge 不使用生成模型自我评估，而是采用一个专门的“裁判”模型（Judge Model）对候选规则进行打分。
- 评估维度：
- 敏感性（Sensitivity）：规则未能标记 CVE 描述中恶意请求的概率。
- 特异性（Specificity）：规则是否仅针对与漏洞相关的特征，而非无关特征。
- 效果：通过领域特定的提示词（Prompts）和否定性表述（Negative Phrasing），该模型将误报率降低了 67%，同时维持了真阳性率。
-
多阶段验证与人机协同
- 通过裁判模型的规则进入多阶段验证管道。
- 最终保留“人在回路”（Human-in-the-loop）设计，由人类专家进行最终审批，确保生成的规则符合生产环境标准。
背景与数据支撑
- 应用场景：生成的 JSON 格式检测规则应用于 Amazon 的全球蜜罐系统 MadPot（用于捕获黑客行为）以及内部检测系统 Sonaris 标记的潜在攻击尝试。
- 传统流程痛点：过去的人工流程包括下载分析 PoC 代码、编写检测逻辑、查询日志验证、调优减少误报、同行评审及部署。虽然质量高，但耗时过长，导致团队无法覆盖所有高危漏洞。
- 当前成效：RuleForge 使得团队能够以传统方法无法企及的速度和规模，将高危 CVE 转化为经过验证的检测规则，有效填补了漏洞披露与防御实施之间的空白。