1. 引言
1.1. 等级保护(等保)测评的背景和目的
信息安全等级保护[1]，简称“等保”，是我国为加强信息安全管理、确保国家信息系统安全而实施的一项重要制度。该制度的核心目标是通过对信息系统进行分级保护，确保不同等级的信息系统能够得到相应的安全防护。具体而言，等级保护测评是对信息系统在网络安全层面的安全性、合规性方面进行评估，以确保其符合国家规定的安全标准和要求。在全球网络安全形势日益复杂的背景下，等保测评对于维护国家安全、保护公民隐私和保障企业运营具有重要意义。
1.2. 传统测评方法的局限性
传统的等保测评方法主要依赖于人工操作和专家经验，虽然在一定程度上能够保障测评的全面性，但在当前日益复杂的网络环境中，传统方法的局限性愈发明显。其局限性具体如下：
1) 依赖人工：传统的等保测评往往需要安全专家对信息系统进行详细的检查和分析。这种高度依赖人工的方式不仅耗时耗力，而且容易受到人员专业知识和经验的限制，导致测评结果的可靠性和一致性受到影响。
2) 效率低下：随着信息系统规模的扩大和复杂性的增加，传统测评方法的效率问题变得尤为突出。人工测评通常需要逐一检查系统中的各个安全控制点，这不仅耗费大量时间，还容易出现疏漏。此外，在面对复杂的攻击手段和多样化的安全威胁时，人工测评难以实现快速响应。
3) 主观性强：由于传统测评方法依赖于安全专家的判断，不同的测评人员可能对相同系统产生不同的评价。这种主观性导致测评结果存在一定的不确定性，可能无法全面反映信息系统的真实安全状况。此外，人工操作中的疏忽或偏见也可能导致关键问题被忽视，进而影响系统的安全性。
因此，传统的测评方法已难以应对当今网络安全环境的挑战，亟需引入更加高效、客观和智能化的技术手段。而人工智能技术因其自动化和智能化的特点，能够提供更为精准的威胁检测和响应，逐渐成为维护网络空间安全的重要力量。
2. 人工智能技术在等保测评中的重要性分析
随着计算能力的提升和数据积累的增加，人工智能(AI) [2]技术近年来迅速发展，并在多个领域展现出强大的应用潜力，也为等保测评的自动化和智能化提供了新的技术手段。其主要优势如下：
1) 自动化能力[3]：人工智能技术能够自动化处理大量复杂数据，这一能力在等级保护测评中尤为关键。通过自动化数据分析和威胁检测，人工智能算法可以迅速识别潜在的安全漏洞和异常行为，减少对人工操作的依赖，并提高测评的速度和效率。
2) 智能化分析[4]：人工智能技术能够从大量历史数据中学习，进而对新出现的威胁进行预测和识别。与传统规则方法不同，AI算法能够在不断变化的网络环境中自适应地调整，提升测评的智能化水平。这不仅提高了测评结果的准确性，还增强了系统应对新型攻击的能力。
3) 实时性与动态性：人工智能技术能够实现实时分析和动态调整，这对于应对当前复杂多变的网络威胁至关重要。在等级保护测评过程中，人工智能模型可以在网络流量和系统日志中持续监控异常行为，并及时发出警报，为安全管理者提供及时的决策支持。
可以看出，人工智能技术的引入为等级保护测评的自动化和智能化提供了强有力的支持，可显著提升了测评的效率、准确性和响应速度。
3. 人工智能技术在等保测评中的应用
3.1. 大模型(LLMs) [5]
LLMs (Large Language Models)是一种基于机器学习的技术，大型语言模型(LLMs)的发展演变经历了从早期的统计语言模型到如今的基于Transformer架构[6]的复杂模型。它通过在大量文本数据上进行预训练，来预测下一个词或下一段话的可能性，能够理解和处理人类语言，展现出深度的语言理解能力、类人类的文本生成能力、情境意识以及强大的问题解决技能。2023年，如对英文较友好的OpenAI发布ChatGPT系列[7]、Meta发布的LLaMA系列[8]，以及中文理解能力较强的阿里发布的Qwen系列[9]、智谱发布的Glm系列[10]等模型的发布，进一步推动了LLMs的普及和应用。随着技术的不断进步，LLMs在理解和生成自然语言方面的能力越来越强，为各种语言处理应用提供了强大的支持，尤其是在自然语言处理直接相关的领域，如搜索引擎、客户支持和翻译。此外，它们还在代码生成、医疗、金融和教育等更广泛的场景中找到了应用，展示了适应性和简化语言相关任务的潜力。
等级保护测评中针对测评师结果记录生成问题描述、问题分析、危害分析、整改建议、关联威胁及风险等级，传统方法依赖于测评师经验人为书写，最终导出测评报告。此方式存在主观性强、效率低下等问题。大语言模型(LLMs)因其强大的自然语言理解和生成能力，为风险分析自动生成提供了新的思路。
等保测评领域已有不少相关应用实例。比如基于qwen-7b模型，对风险分析数据进行sft操作[11]，利用LLM的语义理解技术根据结果记录自动生成问题描述、问题分析、危害分析、整改建议、关联威胁及风险等级，这样不仅提高了准确率还大大提升了评测效率。首先，问题描述生成整改建议原始数据共计46,360条，剔除空数据共计35,000条，并编写代码把原始数据转化成json格式，具体如下图1所示：
Figure 1. Rectification data processed into json format
图1. 整改数据处理成json格式
而后，使用lora方式[12]对其进行微调，共计迭代18,750次，验证集上达到最优识别率96.1%。在ubuntu20.04、4颗Intel Xeon 6348H (24 C, 165 W, 2.3 GHz)、4080/16G*2环境上，最佳模型对1000条数据进行测试，平均准确率为96.3%，每条整改建议生成时间为6 s，不仅避免了人为主观因素的影响，时间上还提升了近20倍，在资产只有1台情况下生成每份报告平均可以节省1.58小时。
测评师编写与审核测评报告过程中，既耗费了大量时间，又难以稳定保证准确率。此外，公司期望通过深入分析报告，特别是关键实体的准确抽取，来指导项目定位和投入方向，但面对海量的冗余数据，这项工作的推进显得尤为困难。为此，已有基于baichuan-7B [13]大模型进行网络安全领域的实体抽取的成功应用。发明中指出，网络安全领域中的实体类型非常多样，包括威胁类型、漏洞、攻击手段等，这些实体的表现形式可能与大模型预训练数据有一定差异。通过大量的实践测试后发现，直接采用大模型底模，进行网络安全方面的实体抽取的成功率，最高只能达到65%左右，远远不能满足实际应用的需求。为了提高识别率，发明中采用二次训练的策略，通过向baichuan-7B大模型提供大量的网络安全相关数据进行训练，来提高其在网络安全方向上实体识别的准确率。
Figure 2. Processed data json format file
图2. 处理后的数据json格式文件
为了实现对baichuan-7B的高效训练，需要大量收集网络安全领域的相关数据并进行全面清洗，以获得高质量数据集。普通的测评报告PDF文件中，通常含有大量停用词，同时数据的目标标签也并不清晰，这种未经处理的原始数据难以满足模型训练的基本要求。此外，模型训练通常需要的是结构化的json格式文件。根据工程实践经验，要构建出成熟且具备高准确率的模型，往往需要数十乃至上百个这样的文本集作为数据支撑。因此，在利用baichuan-7B大模型进行训练之前，对原始测评报告进行预处理，包括去除停用词、明确目标标签以及格式转换等工作，以确保训练数据的准确性和有效性。训练的数据json文件，其中输入为input，是要进行实体抽取的句子，目标是target模型的训练目标。用于二次训练的标准数据格式如图2。
模型整个训练过程共计完成了32,343次迭代。最终，模型在验证集上展现出89.4%最优识别率。经测试，在ubuntu20.04、4颗Intel Xeon 6348H (24 C, 165 W, 2.3 GHz)、4080/16G*2环境上，在2000条测试语句，以及目标实体上，模型平均准确率为88.1%，与底模相比，关键实体抽取准确率显著提高了23%。因底模的抽取能力较为关键，在后续算法优化过程中，可以通过引入更先进的预训练模型进行二次微调的方式，以提高模型整体的实体抽取准确率。
3.2. 自然语言处理(NLP)
BERT (Bidirectional Encoder Representations from Transformers) [14]自2018年提出以来，已经成为自然语言处理(NLP) [15]领域的一个重要里程碑。它的核心优势在于使用Transformer架构的双向编码器，能够同时考虑句子中所有单词的上下文信息。BERT通过预训练和微调两个阶段来训练模型，预训练阶段在大量未标记的文本上进行，学习上下文嵌入，微调阶段则针对特定任务调整模型参数。BERT的这种设计使得它在多项NLP任务上取得了显著的性能提升，并且具有高度的灵活性和可扩展性。其应用优势在于其强大的上下文理解能力，能够处理复杂的语言结构和语义。它在多项NLP任务中表现出色，如文本分类、问答和命名实体识别等。BERT的预训练–微调范式几乎是一种“一刀切”的解决方案，可以轻松地适应各种NLP任务，从而减少了从头开始训练模型的复杂性和计算成本。此外，BERT的灵活性使其可以轻松地适应多种任务和行业特定的需求。BERT和其他基于注意力的模型提供了一定程度的解释性，通过分析注意力权重，可以了解模型在做决策时到底关注了哪些部分的输入。这些特性使得BERT在多语言应用中表现出强大的多功能性。
等级保护测评过程中，测评师需要基于评测条款，结合不同的系统等级、结果记录等进行风险等级评定，传统方法主要靠人工分析判断。此方式存在主观性强、效率低下等问题。Bert利用其快速捕捉文本中的深层次语义关系，在文本分类任务上表现优异，在等保测评风险等级评定文本分类任务上得到成功应用。
Figure 3. Bert risk classification json format training dataset
图3. Bert风险分类json格式训练数据集
在针对等保测评的风险等级评定中，可将不同的系统等级、结果记录作为模型训练的输入，所对应的风险等级作为标签，进行模型训练。其中，风险等级有低、中、高三个等级，原始数据分别有17多万条、80多万条、15多万条。任务需求是进行二分类，重点提高高风险的识别精度及召回率。通过对原始数据及任务需求分析，将低风险、中风险统一划定为非高，作为一类(如图3中的label:0)；高风险作为单独一类(如图3的label:1)。可以看出，非高数据集数量(97多万条)与高风险数据数量相差较大，样本数量严重不平衡。为此，案例中首先按照8:2比例对非高、高风险数据进行训练集、验证集划分，之后只对训练集中的高风险数据进行文本增强，以扩充高风险样本数量，最后获得高风险训练集样本70多万条。用于模型训练的标准数据格式如图3所示。
因需同时保证高风险的推理准确率和召回率，模型训练及验证过程中，采用F1-score [16]作为模型评价指标，如公式1所示：
(公式1)
可以看出F1-score对模型的识别准确率和召回率都进行兼顾。模型训练迭代至70,000次时，总体验证精度F1为48%。经测试，模型在高风险测试集上准确率(acc)为84%，在非高风险测试集上准确率(acc)为88%。后续为了进一步提高模型的准确率，以及确保模型在实际应用中的有效性和可靠性，可从数据层面，采用重采样技术，通过采样少数类(非高数据)或欠采样多数类(高风险数据)，以减少偏差(见图4)。
Figure 4. Model training record
图4. 模型训练记录
3.3. 机器视觉(CV)
Figure 5. Special character diagram
图5. 特殊字符图
机器视觉算法(Computer Vision, CV [17])一系列用于处理和分析图像数据的技术，它们在图像识别、分析和理解方面发挥着关键作用。在目标检测领域[18]，算法能够识别图像中的特定对象，并确定它们的位置和大小。图像分类技术[19]则进一步将图像归入预定义的类别中，这对于自动化处理数据至关重要。语义分割算法[20]不仅识别图像中的所有对象，还能区分每个对象的边界，从而提供更细致的图像理解。实例分割则在此基础上更进一步，能够区分同一类别中不同的个体，这对于复杂场景的分析尤为重要。目标跟踪算法在视频序列中跟踪特定对象的移动，这对于监控、安全和自动驾驶等领域至关重要。边缘检测技术通过识别对象轮廓来增强图像的边缘信息，这对于图像处理和特征提取非常有用。特征点检测与匹配技术，如尺度不变特征变换(SIFT) [21]，能够检测图像中的关键点并进行匹配，这对于图像匹配和三维重建等领域具有重要意义。
在等保测评管理工具中，需要准确识别出用户名状态，在已有系统中，用户名及其状态以文字和图标形式存在，如图5所示。针对一般文本图像，光学字符识别(OCR) [22]可以把其中的文字识别出来，但是针对文本图像中的各种图标无法识别，用户状态(图标)无法获得。
为此，案例中提出了一种基于PaddleOCR [23]和PeleeNet [24]识别特殊字符的方法，首先使用PaddleOCR对特殊字符进行定位，再把特殊字符区域送入改进后的PeleeNet小网络中对其进行分类，从而解决了PaddleOCR不能识别特殊字符的问题。PaddleOCR是一种基于深度学习的光学字符识别(OCR)算法。OCR是一种将图像中的文字信息转换为可读文本的技术。PaddleOCR使用PaddlePaddle作为其背后的深度学习框架，通过将图像输入到深度卷积神经网络(CNN) [25]中，对文字区域进行检测和识别，提供了具有高精度和鲁棒性的OCR解决方案，具有多场景支持、高性能和准确性、多语言支持、开放源代码等优点。PeleeNet是一种轻量级的深度神经网络模型，专门设计用于目标检测任务。它采用了一系列创新的设计和优化策略，以在保持高准确率的同时，显著减小了模型的尺寸和计算量。它引入了双向密集层、根块、瓶颈中的动态通道数、转换层压缩以及常规的激活函数，以减少计算成本和提高速度。双向密集层有助于获得感受野的不同尺度，使更易于识别更大的目标。
但在实际使用PeleeNet对用户状态图标分类时存在一定难点：由于用户名状态图标像素点只有23*23左右，图片输入网络后经过卷积下采样后续的特征图只有1*1大小，通过把输入图像压缩至成100*100会导致原始图像信息很少，都会影响最终的识别率。因此，案例中提高了将改进后的PeleeNet小网络对用户名状态进行识别的方法。首先使用PaddleOCR对文本图像进行字符检测，使用文字坐标来定位用户名状态图标，使用opencv把图标保存下来，而后对Peleenet骨干网络进行裁剪，把所有stage2、stage3、stage4的层及stage1-tb/pool删除，保留剩下的作为最终的backbone，然后训练模型测试。模型改进前后网络结构如图6、图7所示：
Figure 6. Network structure before improvement
图6. 改进前的网络结构
Figure 7. Network structure after improvement
图7. 改进后的网络结构
在ubuntu20.04、i5-11400、3070/8G环境上、分别使用改进前及改进后的PeleeNet训练用户名状态数据，改进前模型针对200张用户启用状态图像识别率为71.5%，消耗时间共356 ms (图8左所示)、200张用户禁用状态图像识别率为78%，消耗时间共359 ms (图8右所示)。改进后模型针对200张用户启用状态图像识别率为95.5%，消耗时间共155 ms (图9左所示)、200张用户禁用状态图像识别率为96%，消耗时间共173 ms (图9右所示)，不仅提高了识别率而且还缩短了识别时间。
Figure 8. Test results of network model before improvement
图8. 改进前网络模型测试结果
Figure 9. Test results of network model after improvement
图9. 改进后网络模型测试结果
Figure 10. User status recognition flow chart
图10. 用户状态识别流程图
该案例总体实现流程如图10所示。主要分为三大步骤：
1. 对用户状态图进行去噪、对比度增强操作；
2. PaddleOCR对预处理后图像进行文字提取，定位状态图标区域；
3. 使用改进后的PeleeNet对用户状态图进行分类。
4. 总结及展望
本文深入探讨了人工智能技术在等级保护(等保)测评领域的应用及其重要性。通过分析传统测评方法的局限性，明确了引入人工智能技术的重要性。人工智能技术，特别是大语言模型(LLMs)、自然语言处理(NLP)和机器视觉算法(CV)，已经在等保测评的多个方面展现出显著优势。在案例中，通过自动化生成测评报告，提高了测评效率和准确性，减少了人为主观因素的影响；在风险等级评定中，利用深度学习模型捕捉文本中的深层次语义关系，提高了风险识别的精度和召回率；为解决特殊字符识别的问题，通过结合PaddleOCR和改进后的PeleeNet，提升了用户状态识别的准确率和效率。这些技术的应用不仅提高了等保测评的自动化和智能化水平，还为测评师提供了更高效、更准确的工具，从而更好地应对日益复杂的网络安全挑战。
尽管AI技术在等保测评领域取得了显著进展，但仍面临一些挑战和未来的发展方向，具体如下：
1) 数据质量和隐私保护：AI模型的训练需要大量高质量的数据。如何确保数据的质量和隐私保护，同时满足测评需求，是一个亟待解决的问题。
2) 模型的可解释性和透明度：AI模型的决策过程往往被视为“黑箱”。提高模型的可解释性，使测评师能够理解和信任AI的决策，是提升AI技术在等保测评中应用的关键。
3) 跨领域融合：AI技术在等保测评中的应用需要与其他领域，如云计算、物联网等，进行更深入的融合，以应对不断变化的安全威胁。
4) 持续的技术创新：随着AI技术的不断发展，新的算法和模型将不断涌现。持续的技术创新和应用研究将推动等保测评向更高水平发展。
随着算法和计算能力的进一步提高，人工智能在网络安全等级保护测评中的应用将更加广泛和深入。自主测评系统有望成为现实，能够独立完成从测试设计到结果分析的全流程工作，大幅提升测评效率和准确性。AI驱动的智能威胁预测将更加精准，通过分析海量数据和复杂模式，提前预警潜在风险，使防护措施从被动响应转向主动预防。跨领域知识整合将更加深入，AI系统将能够综合利用网络安全、法律法规、业务流程等多方面知识，提供更全面的安全评估和建议。人机协作模式将更加成熟，AI系统将成为安全专家的得力助手，辅助决策并处理复杂任务。随着可解释AI技术的发展，测评结果的可信度和透明度将显著提高，有助于提升等级保护测评的权威性和说服力。这些发展将推动等级保护测评向更智能、更精准、更高效的方向演进，为构建安全可靠的网络空间提供有力支撑。
总之，AI技术在等保测评领域的应用前景广阔，但同时也需要在技术、法规和伦理等多个层面进行深入研究和探索，以实现其在信息安全领域的最大化效益。