AI 驱动的攻击面发现

XBOW 推出自主暴露管理（Autonomous Exposure Management）：以攻击者视角、无需源码与凭据，对企业整个外部应用资产并行发起测试，为每个发现附上可复现的利用证据。企业自有应用数量往往是渗透测试覆盖量的 3–10 倍，未被测试的应用并非低风险；AI 让软件产出与漏洞发现同时变便宜，证明可利用性成为把漏洞队列转化为处置决策的关键环节。

一位渗透测试员实测发现：Claude 会拒绝编写 LSASS 转储工具，而本地运行的 DeepSeek 及去审查版 Qwen 模型可轻松生成可用的 XOR 加密 minidumper，表明借助本地 AI 绕过 EDR 已相当容易。

SpecterOps 结合红队实战系统梳理 AI 在进攻性安全中的适用边界：侦察与数据降噪、工具开发、社会工程、漏洞发现与验证、长期自动化及报告整理等场景已见实效，但模型仍可能误读工具输出、虚报漏洞利用或提权结果。文章强调成败关键在于模型之外的工程化 harness——上下文、可用工具、持久状态、独立验证与人类判断。

Gartner 建议企业从传统漏洞管理迈向暴露管理。NetSPI 结合外部网络渗透测试与 EASM，介绍持续攻击面测试如何帮助企业发现未知资产与暴露面，并将有限的安全资源聚焦到最关键的缺口上。

Forrester 在 2024 年 Q2 攻击面管理（ASM）解决方案市场报告中将 NetSPI 列为代表厂商，文章解读 ASM 市场现状，以及 EASM 与 CAASM 结合如何实现内外部资产的完整可见性。

CAASM、EASM、CSPM、CTEM、DRPS 等安全缩写让人眼花缭乱，本文逐一对比 CAASM 与 CMDB、CSPM、CTEM、DRPS、EASM 及漏洞扫描器的异同，并说明其在主动安全战略与 CTEM 框架中的定位。