OSINT诊所：协同设计用于脆弱性评估的AI增强型OSINT调查

研究背景与问题

作者发现了哪些问题或挑战？

• 小型企业往往成为网络犯罪的主要目标，占总数据泄露事件的 43%。尽管如此，它们通常对面临的网络风险以及如何缓解这些风险缺乏了解。
• 网络漏洞评估需要高度专业的技能和资源。即使小企业有 IT 专员，往往也缺乏具体的网络安全培训。
• 传统网络安全诊所模式面临可扩展性难题。培训多学科背景的学生需要消耗大量时间和资源，并且全面的漏洞评估过程可能需要几个月时间。

为什么这个问题很重要？

• 小型企业资源有限，但其网络安全性直接影响其业务和数据安全。
• 提供低成本的漏洞评估服务不仅可以提升社区的小型企业防护能力，还为未来的网络安全专业人员提供实践机会，满足行业对网络安全人才的需求。

研究动机与相关工作

• 传统网络安全诊所的模式促成了社区中的网络安全提升和学生实践机会，但需要创新以解决可扩展性问题。
• 作者看到了使用开源情报（OSINT）数据的潜力，因其无需与目标系统直接交互（“零接触”），风险低，并可作为一种可扩展的漏洞评估解决方案。
• 不过，OSINT 的调查复杂且需要处理大量非结构化的公共数据，分析这种数据容易耗时且面临核实、噪音数据的挑战。研究探索如何通过生成式人工智能（如 ChatGPT）减小 OSINT 技术知识的缺口。

解决方案

作者提出了哪些方法或解决方案？

• 提出了 "OSINT Clinic" 的概念，结合学生的实际学习与基于开源情报的漏洞评估工作，重点解决技术和协作方面的多种挑战。
• 使用生成式人工智能（如 ChatGPT 和 Team-GPT），设计支持学生培训和实际工作的工具，帮助学生克服 OSINT 分析的主要瓶颈并提升效率。

该解决方案的创新之处是什么？

1. OSINT Clinic 可扩展模型：采用“零接触”的开源情报模式，通过生成式人工智能优化流程。
2. 生成式人工智能应用于OSINT：利用生成式AI支持跨数据收集、处理、分析和报告生成等关键阶段，帮助低经验团队提供高效、行为安全的漏洞评估。
3. 人机协作的设计方法：通过联合设计（co-design）方法，利用学生与生成式AI的持续互动来生成切合实际需求的AI设计改进。

实施步骤是什么？

作者通过三阶段的协同设计研究测试生成式AI的能力并探索OSINT诊所模型：

1. 阶段 1：识别学生在五个关键情报循环阶段（计划、数据收集、处理、分析和传播）中所面临的挑战，并设定学习目标。
2. 阶段 2：测试如何使用生成式 AI（如 ChatGPT）作为探针逐步解决这些挑战，如任务分解、创建模板、数据核实等。
3. 阶段 3：在三家小型企业中试点真实的漏洞评估任务，观察生成式AI如何在实际工作中发挥作用，评估方案的实际价值与局限。

研究成果

取得了哪些具体成果？

• 通过 OSINT Clinic 模型，学生能够完成基于公共数据的网络漏洞评估任务，为客户提供实用的安全建议。
• 客户反馈显示，该诊所模型产生的报告和建议可操作性强，直接帮助小企业改善网络安全。
• 生成式 AI（特别是 ChatGPT）显著降低了分析复杂性的门槛，例如高效分解任务、生成模板、整理与解读信息。

与现有解决方案相比，它有哪些优势？

• 可扩展性：OSINT 模型专注于公开数据减少了时间和资源成本。
• 教育结合实践：学生在真实工作任务中学习、应用 OSINT 技术，同时提升数据处理和解读能力。
• AI 模块优化：生成式AI支持团队从规划到交付的全流程协作，提高了一致性与准确性。

实验或评估结果是什么？

• 学生表现提升：学生在模板设计、数据解析、漏洞识别等多个方面的工作效率显著提升。
• 客户满意度：所有客户均表示想再次使用此服务，认为提供的结果具有实用价值，并改善了他们的网络安全战略。
• 生成式AI实用性：AI 能资产化许多重复性任务，但在隐私保护（如数据脱敏）和上下文理解上仍存在局限。

局限性与未来方向

• 隐私担忧：生成式 AI（如 ChatGPT）需要与云端交互处理数据，引发隐私问题，尤其在涉及敏感信息时。
• 协作挑战：AI生成的内容格式和风格难以保持一致，团队协作在异步方式下会遇到进度监控困难。
• 未来优化方向：
  1. 探讨隐私保护型AI（如本地运行的模型）。
  2. 深化与小型企业具体需求的集成。
  3. 开发更加敏捷的协同式AI工具，提升团队在实际任务情境中的效率。

总结

通过 OSINT Clinic 模型，研究展示了生成式AI如何帮助学生团队克服技术和协作障碍，提升漏洞评估效率，并为社区中的小型企业带来实际帮助。这一实践为未来整合人工智能与人类智能的协作模式提供了宝贵经验，同时也为教育性与实践性的网络安全诊所模式开启了更广阔的可能性。