中国安全预算转向保护AI：DSPM、AI网关与暴露管理

简介《2025年中国网络安全成熟度曲线》由Gartner发布面向首席信息安全官、首席信息官及负责安全与风险管理的技术领导者聚焦AI安全、数据隐私、法规遵从与零信任架构等议题帮助企业在生成式AI快速落地和监管趋严的双重压力下识别高价值安全技术。文件包仅含1个PDF大小约1.39MB便于检索和离线阅读正文围绕保护AI、推动业务转型和增强组织韧性展开并给出到2027年、2028年的战略假设。报告系统梳理AI TRiSM、AI网关、数据安全态势管理、软件成分分析、对抗暴露验证等技术的成熟度位置同时讨论数据分类、隐私保护与零信任网络访问的实践价值。已有214人学习适合安全负责人据此评估技术采用节奏、制定长期安全战略并对照合规要求优化数据治理与暴露管理方案。1. 一条曲线改了优先级中国安全预算正从「合规交付」转向「保护 AI」2025 年 7 月发布的一份中国网络安全成熟度曲线报告里最刺眼的不是新增了什么而是删掉了什么攻击面管理ASM整项移出曲线由暴露评估平台EAP接替入侵与攻击模拟BAS退场换成对抗暴露验证AEV。同批进场的还有 AI TRiSM、AI 网关、数据安全态势管理DSPM。报告给出两个硬指标到 2027 年60% 的中国大型组织会在安全运营中心采用暴露管理到 2028 年60% 部署 AI 的组织会转向协作式 AI 防御而今天这个比例只有 5%。一条曲线同时出现清退和加速说明优先级换了道——从基础合规挪向保护 AI、支撑业务转型、增强组织韧性。这不是名单变化是排期和预算的重新分配。2. 两股力同时压下来43% 的 GenAI 采用率和一部 1 月生效的条例2.1 从上往下监管从「立规矩」走到「查执行」报告把 2025 年的第一股力量描述得很直白数据安全相关的法规执行已经从建立规则阶段进入密集执法阶段其中《网络数据安全管理条例》自 2025 年 1 月 1 日起施行商务领域的数据安全管理办法同步推进。这句话的分量在于「查执行」意味着检查项会落到具体的处理活动上包括第三方共享这一环而第三方共享恰恰是过去最容易被写成一句「已签署保密协议」糊弄过去的部分。对从业者的直接影响是合规证据链的形态变了。过去交一份制度文档、一份年度自查表基本能过关现在监管要的是「你能证明自己知道数据在哪、谁能访问、流向何处」。这也是为什么报告把 DSPM 放在触发期而不是更靠后的位置——不是因为技术新而是因为合规问答里那些「请说明敏感数据分布与访问关系」的问题人工表格答不上来。跨境这条线同样在收紧。报告提到跨境数据传输规则在 2024 年 3 月定稿此后企业在数据出境上的判断从「先传了再说」变成「先证明必要性」。这套组合拳下来数据安全不再是安全部门一个科室的事法务、业务、数据平台三方都得进同一个流程。2.2 从下往上GenAI 采用率一年从 8% 到 43%报告里最容易被截图传播的数字是两次网络研讨会投票的对比受访者所在组织的 GenAI 采用率从 2024 年的 8% 跳到 2025 年的 43%。一年五倍多的跃升背后是从试点走向规模化的典型曲线——2024 年还在做 PoC 的团队2025 年已经把模型接进了客服、代码助手、文档处理和内部知识库。采用率一上来问题就换了一批。试点阶段大家关心「模型答得准不准」规模化阶段关心的是「API key 谁在管、调用成本谁在控、输出内容谁负责、训练数据里有没有不该进去的东西」。报告把这种需求归纳成两个方向一是保护 GenAI 本身数据、应用、模型二是用 AI 增强安全能力。前者催生了 AI 网关和 AI TRiSM后者催生了安全 AI 助手。还有一条时间线值得记下来2025 年初一款国产开源推理模型发布之后该机构客户关于「AI 对网络安全的影响」的咨询量显著上升。咨询量的变化往往比产品采购早三到六个月它说明预算还没有落地但焦虑已经形成了。对厂商来说这是窗口期对甲方来说这是最容易被打动的阶段——也最容易买错东西。2.3 谁在这两股力之间最难受三类角色第一类是 CISO。过去三年的主线是「把合规做扎实」KPI 清晰、验收明确现在要在同一笔预算里同时应付执法检查和 AI 业务的安全需求而 AI 业务方通常不认为安全是自己的事。报告提到协作式 AI 防御要从今天的 5% 涨到 2028 年的 60%本质上是要求安全团队从「审批角色」变成「共建角色」这个转身对组织能力的要求远高于买一套工具。第二类是 CIO 和数据平台负责人。DSPM 的定义里有一句很关键它要发现此前未知的数据覆盖本地数据中心和云服务商并且判断谁有访问权。这句话翻译成日常场景就是——你的数据目录大概率是不完整的影子数据比你以为的多。这件事在AI 项目立项时会被放大因为训练数据的来源合法性第一次成为必须回答的问题。第三类是安全厂商的产品负责人。报告明确指出非本地厂商在认证要求和潜在的地缘摩擦上面临更多挑战本地厂商在中国安全市场的主导地位进一步巩固。这不等于本地产品自动胜出而是意味着选型清单的默认集合变了竞争重心从「有没有这个能力」转向「能不能过认证、能不能对接本地生态」。提示43% 这个数字来自研讨会投票样本不是全市场渗透率普查。用它判断趋势可以用它做预算测算要谨慎。3. 五个新面孔进场AI TRiSM、AI 网关、DSPM、AEV、EAP 各站哪个位置3.1 新进榜的五项技术替代关系比新增更值得看报告今年新增五项创新其中两项是「替代式进场」这个细节比新增本身更有信息量。BAS 被 AEV 取代理由是安全测试的范围发生了根本变化企业要的不是「模拟一次攻击看看」而是「自动化、持续地确认暴露是否真实存在并指出通往关键资产的脆弱路径」。ASM 被 EAP 取代理由是传统攻击面管理停留在资产和漏洞的可见性上而企业需要的是可排序、可执行的修复视图。这两组替代的共同指向是同一个词可执行。从「我知道有问题」到「我知道先修哪个、修完能验证」中间隔着的不是数据量而是判断逻辑。国内的实战演练和合规检查节奏正好把这种判断逻辑变成了刚需——演练要的是结果不是报表页数。另外三项新增分别是 AI TRiSM、AI 网关和 DSPM它们分布在 AI 安全链条的不同环节AI TRiSM 管的是 AI 行为与企业意图是否一致AI 网关管的是调用入口DSPM 管的是喂给模型的数据。三者拼起来才构成一条完整的「AI 数据供应链」视图。技术进场方式当前阶段主要驱动收益评级AI TRiSM新增冲向峰值数据泄露、第三方风险、输出不可控高AI 网关中国新增触发期成本不可预测、内容安全、集中管控中高DSPM新增触发期渗透率不足 1%监管执法、影子数据、AI 训练数据治理变革级AEV替代 BAS触发期实战演练、持续验证、合规检查高EAP替代 ASM推向峰值修复效率、统一优先级视图中高3.2 DSPM 渗透率不到 1%萌芽期技术为什么会先被问爆报告给 DSPM 的标签是「萌芽期、目标受众渗透率不足 1%、变革级收益」。这三个词放在一起是矛盾的渗透率最低的技术却给了最高一档的收益预期。解释只有一个——它解决的是别人解决不了的问题而不是它比别人做得更好。DSPM 的定义里有三件事发现此前未知的数据对结构化和非结构化数据做刻画与分类评估谁有访问权并判断其暴露面。这三件事拆开看都不新鲜数据分类在做分类DLP 在做发现权限系统在做访问控制。难点在于它们要同时发生而且要覆盖混合云和多云环境。一旦环境碎片化任何单点工具给出的视图都只是局部真相。更现实的一层是 AI。当企业准备把一批数据喂给模型时第一个问题不是「模型效果怎么样」而是「这批数据里有没有不该出现的字段」。这个问题没有 DSPM 之类的技术支撑只能靠人工抽样抽样覆盖率一旦被追问就露馅。注意DSPM 的价值高度依赖数据分类的质量。分类不准态势就是错的而且错得很自信。3.3 关键词是「验证」不是「模拟」AEV 与 EAP 的分工很多人把 AEV 当成 BAS 换了个名字这是最容易踩的坑。BAS 的输出是「如果攻击者这样打可能会怎样」AEV 的输出是「这条路径确实通修它」。差别在于验证环节是否闭环——AEV 要确认暴露真实存在而不只是模拟出一个可能性。EAP 的位置在另一侧。它把漏洞、配置错误、暴露面收进一个平台给出排序后的可执行视图。用一句直白的话区分EAP 告诉你哪里可能出事、先修哪个AEV 告诉你修之前先确认这条路是不是真的能走通。两者组合才构成从「发现」到「验证」再到「修复」的链条这也是报告把暴露管理写进 2027 年战略假设的原因——单点工具无法支撑这个链条。实战演练场景里这个区别尤其明显。演练期间最怕的不是漏洞多而是修错了地方。把有限的人力投在一条攻击者根本走不通的路径上等于把真正的入口留到第二天。4. 五个容易读反的地方这份曲线最常见的误判4.1 误判一位置越靠右越成熟所以越该晚买误判点看到某项技术在曲线右侧就认为「已经成熟等价格降下来再买」看到在左侧就认为「太早先观望」。为什么错曲线的横轴衡量的是市场成熟度不是你的组织成熟度。数据分类和 SIEM 是这份曲线里仅有的两项预计两年内成熟的技术但「技术成熟」不等于「你的数据已经分好类」。反过来DSPM 在触发期可它解决的问题——敏感数据在哪、谁能访问——是你现在就要回答的合规问题。怎么看把横轴和「你的问题是否已经发生」对照。问题已经发生、且没有替代手段的位置再靠左也得开始问题还没发生、且有成熟替代方案的位置再靠右也可以缓。曲线的用途是排序不是排他。4.2 误判二AI 网关是「省钱工具」误判点把 AI 网关理解成一个成本控制组件用来限流、算账、防止账单爆掉。为什么错省钱只是它的表层功能。报告列出的能力清单是统一接口管理 API key、设置速率限制、追踪用量与成本、跨多个大模型智能路由。前三项确实和成本相关第四项不是——智能路由解决的是「哪个请求该走哪个模型」这直接关系到输出质量和内容安全的边界。怎么看把 AI 网关当成模型调用的控制平面。它管的是入口入口决定了谁能调、调用什么、调用后留不留痕。成本只是控制平面顺带产出的一个视图。企业从试验走向规模化时最先失控的往往不是钱是调用关系。4.3 误判三DSPM 是数据分类的升级版误判点认为 DSPM 就是数据分类分级工具的下一代买了 DSPM 就不用管分类了。为什么错报告对数据分类的定位恰恰相反——它正在变成一项嵌入式服务通过与数据安全平台、DSPM、DLP 的紧密集成来体现价值因为后者需要稳定一致的数据标签才能运转。也就是说分类是 DSPM 的输入不是它的替代品。怎么看把两者当成上下游。分类分级定规则和标签DSPM 负责在混合云环境里把这些标签落到实际数据资产上并回答「谁在访问」。缺了上游DSPM 扫出来的结果只是文件清单。4.4 误判四隐私计算已经在谷底可以先放一放误判点看到安全多方计算向谷底移动就判断整个隐私技术方向遇冷。为什么错报告里隐私在中国整体处于峰值原因是监管框架持续演进加上跨境规则落地带来的合规压力。真正在分化的是具体技术路线机密计算在缓慢上行安全多方计算在下行。一个赛道内部出现方向分化说明市场开始按场景挑选而不是按概念买单。怎么看区分「隐私」这个议题和「隐私计算」这组技术。议题在升温技术路线在洗牌。选型时问一句「这个场景里数据是静止、传输还是使用中」答案会直接指向不同的技术而不是一整套方案。4.5 误判五本地厂商占主导就不用做横向对比误判点既然非本地厂商在认证和地缘摩擦上受限本地厂商主导市场那选型就只在本地名单里挑最熟的。为什么错主导地位描述的是市场结构不是产品能力分布。报告在同一段里强调的是「理解各类本地安全技术的市场发展状况」这句话隐含的前提是本地技术之间的成熟度差异很大——有的在平台期有的才刚进触发期用同一套采购标准对待会出问题。怎么看把「能不能过认证」当成准入门槛而不是评分项过了门槛之后再比能力。否则容易出现一种尴尬选型流程走完选中的是一个合规齐全但功能停留在两年前的产品。5. 平台整合的账怎么算SASE 上行、SSE 下行、SIEM 进入平台期5.1 五个平台类产品的位移方向报告把平台整合的动因写得很实在预算受限、工具太多、团队人手不够同时还要让安全姿态跟上快速的数字化和 AI 计划。目标只有一个——统一可见性、简化运营让超负荷的团队能真正管住风险。这句话不是厂商话术是甲方现状的准确描述。具体到五个平台类产品位移方向差异明显。SASE 从谷底上行驱动是网络与安全的整合需求SSE 从峰值下行原因是采用率低于预期数据安全平台从触发期向峰值上行驱动是数据、分析和 AI 管道的保护需求SIEM 进入平台期技术趋于成熟目标组织大多已经采用EAP 处在峰值附近热度来自运营效率和修复简化的承诺。SSE 的下行特别值得琢磨。它不是因为能力不行而是因为「安全服务边缘」这个概念在企业内部找不到明确的责任主体——网络团队觉得这是安全的事安全团队觉得这得网络配合。采用率低于预期本质是组织问题而不是技术问题。同样的事情在 SASE 上没发生因为 SASE 从一开始就把网络和安全捆在一起卖采购时就必须两个部门一起签字。5.2 用一段打分逻辑把「暴露优先级」算出来平台给的是视图真正落地要靠排序逻辑。EAP 和 AEV 的价值最终体现在「先修哪个」上而这个判断可以用一段简单的打分代码表达出来。下面这段是数据资产侧的风险排序输入来自 DSPM 扫描结果和数据目录标签输出是一个可以直接排期的分值。# 数据资产风险打分把「敏感度 × 可访问面 × AI 使用意图」合成一个可排序的分值 # 输入DSPM 扫描结果 数据目录中的分类分级标签 # 输出0-5 之间的分值越高越先处理 WEIGHTS { sensitivity: 0.45, # 敏感级别1-5来自分类分级结果 exposure: 0.35, # 可访问面1仅本部门 3跨部门 5公网可触达 ai_intent: 0.20, # AI 使用意图0不进入 1分析 2训练 } def risk_score(asset): base ( WEIGHTS[sensitivity] * asset[sensitivity] WEIGHTS[exposure] * asset[exposure] WEIGHTS[ai_intent] * 2.5 * asset[ai_intent] ) # 命中影子数据或跨境流动标签的直接抬到高档位不再参与加权 if asset.get(shadow) or asset.get(cross_border): base max(base, 4.2) return round(min(base, 5.0), 2)逻辑上有三处刻意的设计。第一三个权重加起来是 1.0保证加权部分落在 0-5 区间和敏感级别的量纲对齐避免出现一个维度压倒其他维度的情况。第二ai_intent乘了 2.5 的系数因为这一项的原始取值只有 0、1、2不放大就几乎没有区分度而 AI 训练场景恰恰是当前风险增长最快的部分。第三影子数据和跨境标签用硬抬升而不是加权原因是这两类风险不属于「程度问题」一旦命中就应该排在最前面用加权会被低敏感度稀释掉。参数调整的经验是如果组织处在合规检查高压期把exposure提到 0.45、sensitivity降到 0.35排序会更偏向「谁能看到」而不是「数据多敏感」如果正在推进 AI 项目把ai_intent的系数从 2.5 提到 3.0训练数据的优先级会明显前移。这两个调整方向对应对的是两种不同的管理目标不要同时调。暴露项侧则是另一套算法重点在「可利用性」和「资产重要性」的交叉。-- 暴露项优先级把可利用性、资产重要性、补偿控制放在一次计算里 -- 输出前 50 条待修复项供 EAP 的修复队列直接消费 WITH scored AS ( SELECT e.asset_id, e.cve_id, e.cvss, -- 基础严重度 0-10 CASE WHEN e.exploit_public THEN 1.6 ELSE 1.0 END AS exploit_factor, -- 已有公开利用代码 a.business_tier, -- 1 核心 2 重要 3 一般 (SELECT COUNT(*) FROM control c WHERE c.asset_id e.asset_id AND c.effective) AS ctrl_cnt -- 生效中的补偿控制数量 FROM exposure_item e JOIN asset a ON a.id e.asset_id WHERE e.status open ) SELECT asset_id, cve_id, ROUND(cvss * exploit_factor * (4 - business_tier) / (1 0.5 * ctrl_cnt), 2) AS priority FROM scored ORDER BY priority DESC LIMIT 50;这段 SQL 的关键在分母。补偿控制数量放在分母上意味着「已经有有效缓解措施」的项会被自然压后这符合修复资源的实际分配逻辑——不是所有高危都要今天修有缓解措施的可以等。(4 - business_tier)让核心资产的系数变成 3、一般资产变成 1跨度三倍足以把核心资产上的中危项顶到一般资产的高危项前面。exploit_factor只区分「有公开利用代码」和「没有」两档是为了避免过度拟合威胁情报的时效性——情报每天都在变排序逻辑不该跟着每天变。两个查询的结果如果出现冲突以数据资产侧为准因为数据泄露的处置窗口通常比漏洞修复更短。5.3 预算收紧时的取舍顺序报告反复强调预算约束这句话翻译成行动就是取舍。按收益评级和成熟周期的交叉来看一个相对稳妥的顺序是先把两年内会成熟的东西用起来数据分类、SIEM这两项不是新增投入而是既有投入的收尾再补 2-5 年区间里与当前业务强绑定的ZTNA 支撑零信任、SASE 支撑网络整合最后才是 5-10 年区间的探索性投入AI 网关、安全 AI 助手用试点方式控制敞口。这个顺序的反面同样重要不要在同一预算周期里同时启动三项以上处于触发期的技术。触发期的产品功能边界还在变三个一起上团队会被三套未定型的概念同时消耗最后每项都停在 PoC 阶段。血泪经验是触发期技术一次只推一项推完再评估下一项。6. 未来 24 个月的节奏表先补哪块、后补哪块6.1 两个成熟度窗口排期逻辑完全不同这份曲线最有用的信息不是技术名单而是成熟周期的分档。两年内成熟的只有数据分类和 SIEM 两项2-5 年区间集中了 SASE、SSE、ZTNA 这类与架构整合相关的技术5-10 年区间则塞满了 AI 相关的创新包括安全 AI 助手和 AI 网关。这三档对应的管理动作完全不同。两年内的技术动作是「收尾」——把已经买了但没用透的能力用起来比如让分类标签真正流进 DLP 和 DSPM让 SIEM 的规则和暴露管理的数据打通。2-5 年区间的技术动作是「定型」——架构层面的选择一旦定下来后面三五年都在这个框架里加东西所以要多花时间在方案对比上。5-10 年区间的技术动作是「控敞口」——用试点和小规模采购保持技术敏感度不做重资产投入。一个容易忽略的细节是报告把网络安全 AI 助手和 SCA 列为本年度移动最快的技术。这两个技术移动快原因不同AI 助手快是因为需求侧拉动GenAI 试点在扩安全团队想借它补人手SCA 快是因为供给侧推动开源模型和第三方组件在 AI 系统里快速增长早期识别安全和许可证问题成为刚需。前者要防的是买了个演示效果很好但接不进流程的东西后者要防的是扫描覆盖率虚高。成熟窗口代表技术管理动作常见失误两年内数据分类、SIEM收尾、打通标签与规则重复采购旧系统闲置2-5 年SASE、SSE、ZTNA定型架构、深度对比同期启动多个方案无法收敛5-10 年AI 网关、安全 AI 助手、AI TRiSM试点、控敞口把试点当生产指标没定义6.2 三类角色的动作清单CISO 层面最该做的是把「协作式 AI 防御」从口号变成流程。报告给出的目标是从 5% 到 60%这个跨度靠安全部门单打独斗不可能完成。可行的切入点是选一个已经上线的 AI 应用把数据、模型、业务三方拉进同一个风险评估会用一次真实的评估过程把协作机制跑通再复制到第二个应用。CIO 层面重点是数据可见性。DSPM 渗透率不足 1% 这件事对甲方来说既是机会也是风险机会是早做早受益风险是市场产品成熟度低选型容易踩坑。建议先用现有工具做一次覆盖度自查搞清楚「未知数据」的规模再决定采购节奏。自查结果如果显示影子数据占比很高那采购优先级应该提前。安全厂商层面AEV 替代 BAS、EAP 替代 ASM 这两组替代说明市场对「模拟」和「可见」的耐心在下降对「验证」和「可执行」的付费意愿在上升。产品叙事如果还停在「我们能看见多少资产」会越来越难卖。6.3 一个具体观察曲线左侧的拥挤程度在变高把今年的曲线和往年对比最明显的变化是左侧变挤了。AI TRiSM、AI 网关、DSPM、AEV 全都挤在触发期附近而它们解决的问题又高度关联——数据、入口、行为、验证。这种拥挤通常意味着两件事一是未来 12 个月会出现大量概念重叠的产品采购时的辨别成本会上升二是标准化的窗口正在打开谁先在接口和数据格式上形成事实约定谁就能在下一阶段占据位置。对甲方来说应对方式很朴素在需求文档里把「输出格式」和「对接方式」写死不要接受「我们可以定制」这种回答。触发期产品的定制往往意味着三年后无法替换。后悔药没得吃只能在合同阶段把接口写清楚。我的做法是把这份曲线当成一张排期表而不是采购清单。每次要动安全预算先看目标技术落在哪个成熟窗口再看自己组织的实际问题是否已经发生两个条件都对上才立项。从那以后我每次排预算都强制走一遍这个对照砍掉的立项比通过的多但留下来的基本都跑到了生产。希望帮到你。本文还有配套的精品资源点击获取