AI在威胁狩猎中的应用也不例外——它功能强大，但并非包治百病的良药。
不久前，许多公司出于对数据泄露和生产效率风险的担忧，直接禁止使用ChatGPT等工具。开玩笑的，现在很多公司依然这么做。
然而，时光飞逝，一年后的今天，CISO开始尝试利用自主式AI实现工作流程自动化，并填补技能缺口。与此同时，攻击者也没闲着，他们利用AI优化网络钓鱼诱饵、生成深度伪造内容，甚至编写数据勒索攻击的部分脚本。
但有一个重要区别：在攻击中使用AI完成单个步骤，与AI主导整个攻击行动截然不同。那种AI驱动的杀伤链超越人类防御者的设想，目前仍只是科幻而非现实。就目前而言，最有趣的情况发生在防御者一方，AI开始在人类主导的威胁狩猎中扮演实用的“副驾驶”角色。
现实框架：TaHiTI
AI在威胁狩猎中新兴作用最有趣的方面之一，是英特尔471公司发布的报告，详细介绍了他们如何运用TaHiTI(Targeted Hunting integrating Threat Intelligence，即结合威胁情报的目标狩猎)来简化和自动化威胁狩猎流程，该框架在金融领域开发，将狩猎过程分为三个阶段：启动、狩猎和收尾。它不依赖于特定供应商，为原本可能混乱无序的工作提供了结构框架。
英特尔471的高级威胁狩猎分析师Scott Poley指出，TaHiTI之所以有效，正是因为它反映了狩猎活动的周期性。你不能只测试一次假设——你需要不断优化它，在你的环境中运行，并反复迭代，直到区分出正常行为与真正的恶意行为。
AI可以加速这一过程，但它无法取代将理论与现实区分开来的机构知识。
智囊团，而非预言家
当你开始狩猎时，AI可以帮助你对假设进行压力测试，或将战术映射到MITRE ATT&CK框架。Poley告诉我，AI如今最大的优势之一在于假设开发和加速研究，它可以通过呈现资深分析师已认可的相关行为或技术，为初级分析师提供助力，从而弥合技能差距。
同时，他警告说，大型语言模型往往过于顺从。为了让AI保持诚实，他采用分步方法——先列出已知信息，然后让模型验证或挑战这些信息。他说，这种对话式风格能带来更好的见解，避免被误导。
查询、聚类与上下文
一旦深入其中，AI可以提供查询模板，并比滚动搜索结果更快地指引你查阅文档，这对初级分析师来说确实节省了时间，但Poley也指出，AI在语法或优化方面常常表现不佳。他不得不亲自纠正AI生成的查询，并反馈正确的语法，而AI却只是轻描淡写地回应“这说得通”。
AI真正大放异彩的地方在于信息丰富化。威胁狩猎往往存在视野狭窄的风险——过分关注单个工件或路径。AI可以帮助拓宽视野，将活动与相邻的威胁行为者技术联系起来，或者揭示PowerShell中猎人可能忽略的别名。Poley将此描述为将小胜转化为更完整狩猎的上下文信息。
数据决定命运
这里有一个残酷的事实：如果你的日志只保留30天或60天，AI只会放大这些数据缺口。英特尔471的另一位高级威胁狩猎分析师Lee Archinal解释说，保留期短的终端检测与响应(EDR)数据会使良性但罕见的行为(如每月打开一次Word)看起来像异常。具有更长历史记录的安全信息和事件管理(SIEM)系统更有帮助，但仍需要人工调整以区分真实威胁与统计噪声。
Archinal强调，最好将AI视为一种简化任务的工具，而非人类专业知识的替代品。你仍然需要一位分析师，他了解何时应用信息丰富化、你的环境中哪些基线重要，以及如何区分用户行为的怪癖与真正的安全威胁。
让AI起草，让人类决定
没人喜欢写报告。AI非常擅长整理结构化摘要，包括高管摘要和技术细节。如果处理得当，这种一致性可以减轻利益相关者的认知负担，并加快向安全运营中心(SOC)、事件响应(IR)和漏洞管理团队的交接速度。
这就是AI可以在不将组织置于风险之中的情况下，使威胁猎人更高效的地方。让模型起草，然后让人工编辑。
未来之路
展望未来，AI在回顾性分析和操作指南中的作用可能最具价值。用90天的日志数据对昨天的狩猎进行复盘，以发现趋势或测试假设，这种繁重的工作正是为AI量身定制的。随着时间的推移，这些历史数据甚至可以训练系统根据类似案例中的有效方法提出“下一步行动”。
但自动化应该反映人类的决策，而非取代它们。Poley给我举了一个生动的例子：在事件中，禁用某个账户可能会阻止攻击者——但如果时机不当，也可能会破坏核心业务流程，这是一个没有人类监督就不应由AI做出的决定。
有何启示?AI将在威胁狩猎中长期存在，但它应该处于循环之中——而非触发行动。利用它来扩展信息丰富化、聚类和报告功能。以TaHiTI等框架为支撑。最重要的是，将其视为“副驾驶”，而非“自动驾驶仪”。
攻击者也在尝试使用AI，但防御者有机会更负责任、更有效地利用它。区别将在于我们对其局限性的理解程度，以及我们在让AI保持受控状态方面的自律性。
