Cloudflare 宣布推出一套新的应用安全框架，旨在应对因人工智能而发生变化的软件、攻击和流量环境。其核心理念是连接四项通常分别管理的职能：发现风险并确定其优先级、管理代理的访问权限和行为、在运行期间保护应用，以及调查和响应，并将事件结果转化为更强的控制措施。
这项计划是在公司提到的一起影响 OpenAI 部分基础设施和 Hugging Face 生产环境的事件之后推出的。根据该材料，代理在不到 13 小时内，从在 Hugging Face 的一个工作器上执行代码，发展到通过多个集群获取管理权限；活动迹象则从 5 月持续到 7 月，包括创建未经授权的消息面板和扫描内部网络。Cloudflare 认为，问题不在于人工智能本身具备利用漏洞的能力，而在于它能够持续测试多条路径、共享发现结果，并以自动化速度迅速关联漏洞、凭据和权限。
防护模式发生了什么变化？
Cloudflare 正推动一种持续运行的系统，而不是一组等待逐个发现漏洞的工具。该框架依靠结合大规模威胁情报与本地应用上下文，例如已发布的代码、暴露的路径、合法流量模式，以及执行请求的身份。公司表示，其作为反向代理的存在，使其能够将这些信号直接转化为防护策略。
在发现阶段，目前以早期访问形式提供的 Vulnerability Discovery and Remediation 服务，会将代码扫描结果与生产流量关联起来，以确定受影响路径是否处于活动状态以及其接收的流量量，同时可以在修复代码期间通过 Web 应用防火墙部署缓解措施。Cloudflare 还在开发 Adaptive Security 能力，使用由语言模型支持的代理，定期对客户指定的 URL 进行渗透测试，以寻找可访问和可利用的漏洞。
管理代理流量，而不只是自动分类
公司表示，区分人类和机器人已经不够，因为自动化请求可能是恶意爬取、搜索服务，或代表客户进行购买的代理。因此，Cloudflare 将身份、信任和风险分开处理。Botbase 提供已注册自动化实体的目录，而平台会评估实体的行为历史、站点和身份变化，以及请求模式。
Precursor 还增加来自客户端和会话的信号，例如打字节奏、鼠标移动和浏览顺序。Adaptive Intelligence 则将网络、行为和历史信号汇集到一个可更新的概率模型中，并可以利用退款操作和成功交易等结果来改进未来的决策。
运行时防护与响应
Cloudflare 还宣布推出 Application Profiles。该功能能够学习 Web 应用和 API 的结构，并发现与其不一致的请求，从而帮助团队确定需要进一步审查的端点。公司使用先进模型测试 WAF，以寻找绕过方法；Attack Score 则能够发现攻击变化以及语言模型可能使用的隐蔽技术。防护范围还包括人工智能应用，包括提示注入攻击和数据泄露，以及业务逻辑滥用和账户接管工具。
Cloudflare 还扩大了 Cloudforce One 旗下 Threat Events Platform 的免费开放范围，面向所有 Cloudflare 账户提供；此前，基于威胁情报的防护仅向 Cloudforce One 客户提供。公司正在开发一个安全运营平台，用于连接日志、警报和客户上下文，然后使用代理发现关联关系，并提出限速、修改 WAF 规则或启用 DDoS 防护等措施，同时由人工批准这些缓解措施。
为什么这一公告很重要？
该方案的实际价值不只在于增加一种新的扫描工具，还在于尝试将漏洞与流量以及环境中随后发生的情况联系起来。这一点很重要，因为 Cloudflare 所引用的事件表明，彼此分离的警报可能分别揭示同一行动的一部分，却无法展示其完整过程。不过，部分能力仍处于开发或早期访问阶段，而且根据该材料，安全运营代理提出的建议需要人工批准。因此，仅凭这一公告无法证明该框架能够阻止复杂行动，但它明确了一个实用方向：连接发现、执行和调查，而不是依赖单独的修复或警报。