由人工智慧驅動的偵測功能，能彌補您資安流程中的零日漏洞與延遲差距

每條企業檔案傳輸管道都潛藏著低效率的問題。MFT Managed File Transfer）工作、ICAP 網際網路內容適應協定）代理伺服器、電子郵件附件、客戶上傳入口網站以及跨網域資料傳輸，都面臨同一個統計現實：透過這些管道傳輸的檔案中，約有 99.9% 是乾淨的商業資料。而那 0.1% 的惡意檔案，正是這條傳輸管道存在的全部原因。 每份檔案無論風險高低，都必須支付相同的安全成本，而這種一刀切的做法正是低效的根源。

第一個問題是延遲。在早高峰時段，一個排在數十個檔案後面的檔案，無論是普通的試算表還是未知的可執行檔，都必須等待輪到自己，並經過完整的多重掃描。 在銀行與金融服務領域，這種延遲會直接導致交易被擱置、處理速度變慢，以及電匯因等待掃描器而延誤。根據SANS《2025 年偵測與應對調查》顯示，應對時間已成為 53% 資安團隊面臨的首要挑戰，較前一年的 45% 有所上升。

第二項問題是誤報。大多數機器學習安全引擎都以召回率為調校重點：盡可能擷取所有內容，並容忍噪音。這種權衡在終端裝置上尚可行得通。但在檔案處理流程中，誤報會阻擋合法的業務檔案、觸發不必要的 SOC（安全營運中心）警報，並削弱分析師的信任——而正是這種信任，才使自動化成為可能。同一份 SANS 調查發現，對於 73% 的受訪者而言，誤報現已成為檢測方面最主要的挑戰。

Predictive Alin AI 是OPSWAT由人工智慧驅動的惡意軟體偵測引擎，專門用於執行前的零日漏洞偵測，旨在透過機器學習分析檔案的結構與行為特徵，在惡意檔案執行前即予以識別。該引擎在做出判定時，不依賴簽名、特定威脅的先驗知識，亦不需透過沙箱觸發測試。Predictive Alin AI 會在任何指令執行之前，便解讀出揭示惡意意圖的結構性指標。

在OPSWAT 的統一零日威脅偵測平台「MetaDefender Aether™」中，Predictive Alin AI 作為五層處理流程的第二層運作，這五層分別為：威脅聲譽、靜態分析、動態分析、威脅評分以及威脅獵捕。Predictive Alin AI 位於威脅聲譽與動態分析之間，能在檔案進入自適應沙箱之前便做出判斷。

符合可信度門檻的檔案會在執行前被攔截或阻擋；未達門檻的檔案則會進入動態分析階段進行更深入的模擬，而非僅依賴不準確的靜態判定結果。動態分析中確認的零日漏洞發現結果會回饋至威脅聲譽系統與預測性 Alin AI，從而強化整個處理流程中未來的判定結果。

傳統的防毒引擎是基於清單運作的。當簽名與已知威脅匹配時，該檔案便會被標記。根據AV-TEST.org 的數據，每天會有 45 萬個新的惡意軟體樣本出現，因此這份清單總是慢半拍。預測性 Alin AI 則採取不同的方法，無論惡意檔案是否曾被偵測過，都會提取並分析其留下的結構性特徵。

該引擎會評估以下特徵：

• 檔案標頭、區段及整體版面配置

• 熵模式與緊湊程式碼指標

• 進入點與控制流特性

• 元資料與匯入資料表

這些是威脅嵌入其檔案結構中的指標，無論該特定威脅是否曾被發現過，這些指標都會存在。即使是一個為了規避偵測而建構的檔案，仍需經過建構過程，而這個建構過程本身蘊含著受過訓練的模型能夠辨識的模式。

大多數機器學習安全引擎都以召回率為優化目標：盡可能標記更多項目，並將誤報視為涵蓋範圍的代價。OPSWAT 針對 Predictive Alin AI 則做出了截然不同的工程決策。該引擎首先以精準度為調校重點。當 Predictive Alin AI 發出判斷結果時，該結果的設計初衷就是讓人們能夠信賴並據此採取行動，而無需人工審查。

這種精準度在兩個方向上皆存在，儘管程度有所不同。偵測惡意檔案是較困難的問題，準確度可達 90%；而判定無害檔案的準確度則可達 99.99%。正是這種不對稱的信心水準，才使得「Deflection」用例成為可能，相關內容將於下一節中詳加闡述。

Predictive Alin AI 針對 PE 檔案，能在 P50 水平下於 15 毫秒內給出判定結果；對於受支援的高風險可執行檔，其 P90 表現為 50 毫秒，P99 則低於 100 毫秒。 目前已投入實際運作的格式有四種：PE、PDF、Mach-O 及 ELF，未來發展藍圖中還將擴展對更多格式的支援。判定結果會在使用者察覺檔案已上傳之前便已產生，使內嵌式防護既能實際運作，又不會成為處理流程的瓶頸。

偵測結果證明引擎運作正常。每個被正確標記的零日漏洞，都是一個數據點，這些數據點共同構成了採取相反行動所需的實績紀錄。一旦建立起這種信任，原本用於標記惡意檔案的相同精確度門檻，便可同樣自信地應用於確認無害檔案。

當 Predictive Alin AI 發出高可信度的「乾淨」判定時，該檔案將走「已驗證捷徑」。它會繞過 Metascan™Multiscanning 直接進入 Deep CDR™ 技術進行淨化處理Multiscanning 隨後才進行傳送。當 Predictive Alin AI 無法確定時，該檔案則會走完整流程：透過多達 30 個掃描引擎進行多重掃描、經過 Deep CDR™ 技術處理，並在傳送前獲得完整的判定結果。 每個檔案最終都會產生判定結果。路徑轉向僅改變處理路徑，不會改變最終結果。

這在負載高峰期間尤為重要。早晨的電子郵件流量激增、收盤時的批次傳輸，以及公告發布後的上傳流量激增，正是佇列拉長、回應時間上升的時刻。流量分流能在入口處篩除已知正常的流量，使後續的處理流程完全不會受到這波流量衝擊。

轉向機制並不會降低審查力度。MetaDefender™ 所奠基的「不信任任何檔案，不信任任何裝置。™」理念始終如一。絕不預設任何檔案是乾淨的。轉向機制是一種審慎的作法：當引擎確信無疑時，便會採取行動；一旦存有任何疑慮，該檔案便會被引導至更長的處理路徑。在轉向層級中，絕不會對模糊情況做出裁決。

根據 SANS 2025 年《偵測與應對調查》顯示，誤報是 73% 資安團隊面臨的首要偵測挑戰，其中遭遇誤報率極高的團隊比例，更從前一年的 13% 攀升至 20%。每一次誤報，都意味著一名分析師被迫從處理真實威脅的工作中抽身、一個無害檔案被阻擋在合法工作流程之外，以及對偵測系統本身的信任正逐漸受到侵蝕。

負責管理高流量檔案處理管道的 SOC（安全營運中心）團隊正面臨一個日益嚴重的問題：通過處理管道的檔案越多，偵測系統產生的警報就越多，要從大量警報中辨別真正威脅就越困難。當分析師在值班期間忙於排除誤報時，真正的威脅便有更多時間進行活動。SOC 的瓶頸，就是偵測的瓶頸。

若想更深入了解更智慧的分析如何打破這個循環，請參閱：《SOC 瓶頸：透過更智慧的沙箱技術打破警報疲勞循環》。

偵測差距與延遲差距並非僅存在於任何單一產業。無論是在製造業、能源業或政府部門，這些差距都會在不同的營運情境中顯現。下表列出了各產業在 Predictive Alin AI 所針對之功能方面所面臨的具體風險。

各產業對預測性 Alin AI 的應用

金融服務機構營運的檔案傳輸管道，其處理量在各產業中名列前茅。客戶上傳入口網站、文件接收工作流程以及跨網域傳輸，都會產生持續不斷的檔案流量，而每一個不必要的警報，都會使分析師的注意力從真正的威脅上轉移。根據 SANS 的調查，對於 73% 的資安團隊而言，誤報是檢測方面面臨的首要挑戰；其中遭遇極高誤報率的團隊比例，更從前一年的 13% 攀升至 20%。

預測性 Alin AI 透過調整精準度而非召回率，從源頭上減少警報數量。SOC 能夠信賴的判斷結果，便是 SOC 能夠自動化的判斷結果，讓分析師得以專注於真正需要調查的檔案。

製造環境面臨著一個特定的入侵問題。由第三方供應商提供的韌體更新、建置產出及軟體套件，在成為威脅之前，首先是以檔案形式傳入。當惡意套件抵達 OT 系統時，損害早已在邊界內部發生。 Predictive Alin AI 會在邊界攔截這些檔案，並在它們被導入生產環境之前，先對其做出執行前的判定。透過OPSWAT先進威脅偵測與防禦平台MetaDefender 運作，該引擎能在無需變更架構的情況下，為現有的資料接收工作流程增添預測性智慧層。

能源與公用事業營運商所管理的關鍵基礎設施環境，往往是連網限制最嚴苛的場域之一。許多偵測方法在「空氣間隔」部署環境中效能會大幅下降，因為這些方法仰賴雲端查詢或外部遙測資料，而這些資源在該環境中根本無法取得。 Predictive Alin AI 可在完全離線狀態下運行，精準度與雲端部署相同，達 99.99%，且無需外部連線或雲端查詢即可維持此效能。現場更新套件及廠商提供的軟體，可在進入電網或廠區運作系統之前於邊界進行檢查，無論網路是否隔離，皆能在數毫秒內得出判定結果。

政府與國防環境在兩種並存的限制下運作：一方面是嚴格的合規要求，規定任何動作都必須經過檢查；另一方面則是禁止外部連線的網路架構。這些限制在過去往往迫使人們在徹底掃描與運作速度之間做出取捨。Alin AI 的預測性人工智慧透過提供執行前的零日漏洞偵測，同時解決了這兩項問題，其功能包括：

• 可在空氣隔離及跨網域環境中完全離線運作

• 無需透過沙箱觸發即可滿足高可信度偵測需求

• 可整合至現有的MetaDefender 、MetaDefender File Transfer™ 及MetaDefender 部署環境中

• 作為MetaDefender Aether 五層處理流程的第二層，透過「零日」再訓練循環持續進行優化，且無需實時連線即可達成

親眼見證 Predictive Alin AI 的實際運作

「Scan What Matters」線上研討會將詳細說明 Predictive Alin AI 如何同時彌補「零日漏洞」偵測缺口與處理流程延遲缺口，並透過現場示範，展示實際運作環境中的攻擊攔截應用案例與精準度指標。您可隨時按自己的步調觀看隨選錄影。

為您的偵測計畫進行基準測試

由OPSWAT 贊助的《SANS 2025 偵測與應對調查》報告，記錄了來自銀行、政府、醫療保健及製造業等領域的 300 多名資安從業者，在面對誤報激增、警報疲勞及零日漏洞風險時，如何重新思考偵測策略。請下載完整報告，了解貴單位的資安計畫現況。