OpenAI 正将 Daybreak 计划的访问权限扩展至乌克兰政府，用于支持民用基础设施的网络防御。这一变化的重点不在于把 AI 当成自动化攻击工具，而在于帮助防御团队更快识别风险、整理告警、分析事件，并为关键服务建立更稳定的响应流程。
防御场景需要什么能力
民用基础设施的网络防御通常面对多个约束：系统不能随意停机，告警来源复杂，安全团队需要和运营、应急管理及公共服务部门协同。AI 能够提供的实际价值，往往集中在以下几类工作：
- 汇总来自防火墙、身份系统、终端和云平台的安全事件。
- 对重复告警进行归并，帮助分析人员优先处理高风险活动。
- 从事件时间线中提取关键变化，例如异常登录、权限提升或配置漂移。
- 将技术发现转换成适合运营团队和管理人员阅读的处置建议。
- 根据已经批准的响应手册生成检查清单，但不直接执行高风险操作。
这些能力并不意味着可以跳过人工判断。对于电力、供水、通信、医疗或交通等服务，任何隔离主机、修改访问策略或切换系统的动作，都应保留审批、回滚和审计机制。
一个可落地的告警整理流程
下面的 Python 示例是一个可改造的防御侧原型。它不连接真实基础设施，也不执行网络操作，只把结构化安全事件按资产和风险等级汇总，生成供分析人员复核的事件摘要。实际接入时，可以将 events 替换为 SIEM、日志平台或云安全服务的查询结果。
运行前无需额外依赖，保存为 summarize_events.py 后执行 python summarize_events.py 即可。
from collections import defaultdict
from datetime import datetime
events = [
{
"asset": "water-control-api-01",
"severity": "high",
"kind": "unusual_login",
"source": "identity",
"time": "2025-01-15T08:10:00Z",
},
{
"asset": "water-control-api-01",
"severity": "medium",
"kind": "configuration_change",
"source": "cloud-audit",
"time": "2025-01-15T08:14:00Z",
},
{
"asset": "clinic-portal-02",
"severity": "low",
"kind": "blocked_request",
"source": "web-firewall",
"time": "2025-01-15T08:16:00Z",
},
]
severity_order = {"critical": 4, "high": 3, "medium": 2, "low": 1}
by_asset = defaultdict(list)
for event in events:
# 生产环境中应先校验字段，并统一时区和时间格式。
by_asset[event["asset"]].append(event)
for asset, asset_events in sorted(by_asset.items()):
highest = max(
asset_events,
key=lambda item: severity_order.get(item["severity"], 0),
)
times = [
datetime.fromisoformat(item["time"].replace("Z", "+00:00"))
for item in asset_events
]
kinds = sorted({item["kind"] for item in asset_events})
print(f"资产: {asset}")
print(f"最高等级: {highest['severity']}")
print(f"事件数量: {len(asset_events)}")
print(f"事件类型: {', '.join(kinds)}")
print(f"时间范围: {min(times).isoformat()} -> {max(times).isoformat()}")
print("建议动作: 由值班分析员核验事件关联性，并依据已批准的响应手册决定是否升级。")
print()
在真实环境中，这段逻辑还需要补充身份脱敏、事件去重、证据保留、访问控制和审计日志。AI 生成的摘要也应标注数据来源与置信度，避免把推测写成已经确认的事实。
建立人机协作边界
Daybreak 计划的具体功能和授权范围需要以官方部署说明为准。基于民用基础设施防御这一目标，可以采用一套清晰的权限边界：
- 让 AI 读取经过授权和最小化处理的安全遥测数据。
- 允许 AI 生成时间线、事件分类、查询语句和响应清单。
- 要求分析人员确认关键判断，并保留原始日志作为证据。
- 对隔离设备、删除数据、修改防火墙规则等动作设置人工审批。
- 使用沙箱或只读环境验证自动生成的脚本和配置。
- 通过定期演练检查建议是否适用于断网、服务降级和误报场景。
这类边界的价值在于把 AI 放在信息处理和决策辅助位置，而不是让模型直接成为关键基础设施的控制平面。
落地时的检查清单
采用类似能力前，防御团队可以先回答几个问题：
- 哪些系统属于民用关键服务，哪些数据绝不能离开本地控制域？
- 谁可以提交数据、查看分析结果并批准响应动作？
- 出现错误建议时，是否能够快速回滚并恢复人工流程？
- 生成的摘要是否能追溯到具体日志、时间戳和资产？
- 是否用历史事件和演练数据验证过误报率与漏报风险？
OpenAI 将 Daybreak 访问范围扩展至乌克兰政府，说明 AI 网络安全项目正在更多地进入公共服务和民用基础设施场景。真正决定项目成效的，不只是模型能力，还包括数据治理、权限设计、人工复核和应急流程。对防御团队而言，最稳妥的起点通常是只读的告警归并和事件分析，再逐步评估是否需要更深的自动化。