网络安全预测2026：人为风险、AI数据泄露与下一场重大违规

回顾2025年，两大长期趋势仍在延续：首先，数据泄露事件持续不断且呈上升趋势；其次，再次出现了无人预料到的头条灾难。

第一点无需赘述；数据泄露如同空气污染——一种被接受的滋扰，只有当其严重到一定程度时，我们才会质疑为何要这样生活。关于第二点，我们可以参考近年来的重大事件：MoveIt、Crowdstrike、Snowflake，以及最近的Salesforce。从定义上讲，我们对这些问题毫无准备。这些事件本身都是独立的灾难，但纵观数年，一个模式已经浮现：重大的事件将会再次发生。

展望2026年，我们的目标是找出那些既可能发生又出乎意料的事件。任何明显正确的预测都无趣；那是统计回归的领域，而非战略推断。以下四项预测可能不一定准确，但希望能让你以不同的视角看待我们的现状。

1. 我们正处于人为风险管理复兴的边缘

威胁环境中的两个趋势将推动人为风险管理的创新。首先，是高级持续性内部威胁的兴起。我们谈论的不是一个因赌债而铤而走险的员工；我们谈论的是国家层面的对手，他们进行着长期的活动，并且已经成功渗透了数十家财富500强公司。

其次，有充分证据表明，安全意识培训需要从头开始重建。员工，甚至所有人，包括你的孩子和父母，都需要接受信息技术风险教育。但强制性的勾选框式培训并不能改善安全结果。这怎么可能呢？如果人类行为改变真的这么简单，那么每个看过Jenny Craig广告的人都应该能减掉十磅。

相反，数十年的科学研究最终给我们带来了确实有效的东西：Ozempic和下一代GLP-1药物。我们需要一种网络安全的"Ozempic"。就像最终带来GLP-1药物的漫长研究历程一样，这个市场的规模意味着我们最终会得到它。

2. 美国基础设施被全面渗透的影响无法被掩盖

说到大型组织的数据泄露，过去一年发现了几起高级持续性威胁（APT）组织对美国系统性基础设施拥有数月或数年访问权限的案例。“这次间谍活动很有可能窃取了几乎每个美国人的信息，” FBI副助理局长在谈到"盐台风"行动时说，该行动影响了约200个组织，包括美国主要的电信公司AT&T和Verizon。

虽然攻击者被清除当然是件好事，但很难相信其后续影响已得到完全补救。攻击者不仅仅是窃取了某些数据；他们能够多年来拦截几乎任何通信。就在今年，攻击者就能够利用从Gainsight一次攻击中窃取的凭证，对Gainsight的客户发起另一次攻击活动。当我们将这种模式推演到每个美国人时，感觉这次泄露事件的影响远未结束。

不过，这或许高估了其实际影响。年复一年，数据泄露事件一直在增加。未来可能与过去非常相似：数据泄露和身份盗窃事件不断增多。最大的变化或许是，我们再也无法假装惊讶了。

3. 平台力量的成功案例将成为明天的攻击目标

从Web 2.0时代兴起的一个有影响力的商业策略是"平台力量"的概念——即通过整合某些原本分散的资源，企业可以为所有需要该资源的人提供足够价值，同时也能为自己提取一部分价值。谷歌的搜索引擎就是这种模式的缩影：每个人都想在互联网上找到东西，谷歌是用户实现这一目标的工具，因此谷歌能够从互联网流量的总价值中分得一小部分（恰好价值数十亿美元）。

那些作为平台成功的企业，有大量价值流经其中，也为攻击者创造了诱人的目标。过去几年，我们在Cl0p对文件传输设备的攻击中看到了这种模式的开始。这些平台虽然没有谷歌那样的声望，但它们是敏感数据这种高价值资源流通的网关。

2025年，我们看到这种攻击模式扩展到一家伟大的科技平台公司：管理客户销售信息的最大软件提供商Salesforce。黑客通过各种手段（社交工程、窃取凭证和第三方集成）在全年内窃取了Salesforce实例的数据。

从MoveIT到Salesforce，贯穿其中的主线就是平台力量。尽管策略大相径庭（零日漏洞利用与社交工程和凭证窃取），但这些攻击有着共同的形式。通过整合价值，公司获得了利益，但也为攻击者绘制了一张藏宝图。

4. AI将持续泄露数据，但方式可能和你想象的不同。

2025年充满了各种破坏AI工具完整性的新方法的公告。这种情况将持续下去，因为无法阻止。AI工具的前提是接受任意输入，而生产力工具的前提是能够读取和/或写入重要的数据源。如果你允许任意输入进入一个可以执行代码的系统……嗯，那我可就帮不了你了。但这还不是真正的问题。

虽然AI漏洞肯定会在不久的将来被大规模武器化，但我们也将继续看到我们已有的问题：AI系统以"传统"方式泄露数据。我们认为AI模型是将不适当的敏感输入传输到泄露数据输出的渠道，但AI泄露的实际载体是系统配置错误。

多个AI聊天应用程序已经从Elasticsearch数据库或Kafka代理中泄露了用户对话。还有Deepseek数据库没有设置密码的案例。或者，2023年微软因云存储桶配置错误导致的数据暴露。所有这些都是典型的、前AI时代就存在的问题，并且继续是AI数据泄露的最常见方式。

此外，所有新兴的AI支持性技术也可能因配置错误导致敏感数据暴露，例如：Langflow、Flowise、Chroma、LlamaIndex、Streamlit和llama.cpp等等。

AI数据泄露将继续成为头条新闻，但这些文章将主要关于配置错误的数据库。