安全访问服务边缘(SASE)领域专业厂商Cato Networks宣布创下漏洞缓解领域的全新世界纪录——借助智能体威胁情报技术,将新发现的通用漏洞披露(CVE)的"防护响应时间"压缩至仅45分钟。
传统基于硬件设备的安全防护依赖一套缓慢的补丁更新流程:供应商先开发防护措施并推送更新,随后客户还需对相关资产进行测试、升级或配置。在不利条件下,这一流程可能长达数周,且成功与否完全取决于客户安全团队的执行能力。
Cato的云原生软件架构已将这一多周期流程压缩至数小时。如今,通过引入AI智能体,响应时间进一步大幅缩短,力求以机器速度而非人工速度保护企业免受新兴漏洞利用攻击。
Cato联合创始人兼首席执行官什洛莫·克雷默表示:"攻击者以分钟为单位行动,而以硬件设备为核心的安全体系仍在以补丁周期为节奏运转。Cato通过将最新CVE情报转化为防护措施,并在全球云服务中自动部署,完全无需客户介入,从而弥合了这一差距。在AI时代,安全架构不再只是效率问题,而是生死攸关的安全抉择。"
为何这一突破至关重要
在今后的年度网络安全盘点中,2026年值得关注的重大技术事件之一,将是Anthropic、OpenAI等机构前沿AI模型的广泛应用——这些模型正在加速CVE披露的规模与速度,令业界深感忧虑。
美国国家标准与技术研究院(NIST)的数据显示,自2020年代初以来,提交至其国家漏洞数据库(NVD)的CVE数量增幅已超过250%,2026年第一季度的同比增速更是超过33%。
面对这一形势,NIST于2026年4月表示,CVE数量的激增迫使其修订漏洞分类方法,此后将大幅减少对漏洞进行"深度标注"的频率——即为终端用户提供详细信息以协助其优先排序与缓解处置。
在新的优先级框架下,NIST将重点关注出现在美国网络安全和基础设施安全局(CISA)已知被利用漏洞(KEV)目录中的CVE,或美国政府尤为关注的漏洞,其余漏洞则可能被搁置处理。
此外,Verizon的统计数据还显示,2025年边缘设备漏洞中仅略超过半数得到完全修复。对此,Cato指出,传统补丁修复方法显然已无法胜任当前需求。安全团队面临的挑战,已不再只是缩短"防护响应时间",而是竭力压缩"漏洞被利用的时间窗口"。
技术实现原理
在过去11年的发展历程中,Cato持续监控漏洞动态、开发并验证防护措施,并在其云平台上部署更新,据其声称误报率接近于零。
通过将AI智能体引入运营模式,Cato现已能够在人工监督下、无需人工直接介入的情况下,完整运行防护生命周期。
具体而言,其智能体被赋予以下能力:从多元渠道持续监控和分类已披露的漏洞;提取入侵指标(IoC)并在沙箱环境中复现漏洞利用行为;开发威胁特征签名,并通过测试与仿真消除误报及潜在干扰源;最终将经过验证的签名自动部署至云平台,从而将客户安全团队从繁琐工作中解放出来。
Cato表示,凭借其对网络攻击的全面可见性、关联上下文的平台能力,以及在全球范围内执行防护的云端能力,公司具备以机器速度推进安全更新落地的优越条件。
从更宏观的视角来看,智能体驱动的CVE缓解机制或许预示着整个安全行业的范式转变——安全运营正逐步从依赖人工的手动工作流,迁移至云端持续运行的机器规模化防护模式。
Cato研究部门高级副总裁埃拉德·梅纳赫姆表示:"此次突破的意义不仅在于速度本身,更在于漏洞响应工作本身现在能够以持续、机器规模的方式运转。"
Q&A
Q1:Cato Networks的智能体威胁情报技术是如何将CVE防护响应时间压缩至45分钟的?
A:Cato通过AI智能体自动完成漏洞监控、入侵指标提取、沙箱复现、特征签名开发与测试,以及云平台自动部署等全流程操作,整个防护生命周期在人工监督但无需人工直接介入的情况下运行,从而将原本需要数周甚至数小时的响应时间压缩至仅45分钟,实现了机器速度的安全防护。
Q2:NIST修订CVE分类方法会对企业安全防护带来哪些影响?
A:NIST因CVE数量激增(2026年第一季度同比增幅超33%)而修订分类方法后,将大幅减少对漏洞进行深度标注的频率,仅优先处理出现在CISA已知被利用漏洞目录中或美国政府重点关注的漏洞。这意味着大量漏洞将缺乏详细的优先级与缓解指导,企业安全团队需要借助自动化工具来填补这一信息缺口,自主完成漏洞的评估与防护。
Q3:传统硬件设备安全防护为何难以应对当前的漏洞威胁?
A:传统基于硬件设备的安全防护依赖缓慢的补丁更新流程,从供应商开发推送到客户完成部署可能需要数周时间,且整个过程高度依赖人工操作。Verizon数据显示,2025年边缘设备漏洞中仅略超一半得到完全修复。而随着AI模型加速CVE披露速度,攻击者可在分钟级别完成利用,传统模式下的响应速度已远远无法匹配当前威胁态势。
好文章,需要你的鼓励
今天讲的出海案例是晶方科技,这家传感器先进封装公司通过 WaferTek 在马来西亚建设生产基地,并把新增 3000 万美元投向设备和产线。
这项研究揭示了大语言模型执行演绎推理时,仅约3%的注意力头构成关键"逻辑电路",分工明确,层层协作,一旦关闭这些电路,AI推理能力即刻崩溃。
随着企业将预算向AI倾斜,并大量采用AI编程助手,持H-1B签证的软件开发者正面临日益收窄的就业空间。Meta、亚马逊等科技巨头的裁员潮使工程类岗位需求进一步萎缩,招聘方越来越倾向于具备机器学习、数据科学等AI相关技能的候选人。分析人士指出,AI工具正压缩初级开发者的成长空间,企业也更偏向雇用绿卡持有者和本地公民,H-1B开发者须及早规划签证策略与技能升级路径。
Clark Hash是一种无需训练的句子嵌入压缩工具,将384维向量从1536字节压缩至48字节,通过稀疏随机投影与标量量化实现32倍压缩,同时保持高相似度相关性。