← 返回列表

AI4SDL:业务应用研发安全保障体系建设实践

聚合站 SecWiki技术 作者 中国金融电脑 发布 2025年9月5日 17:41 入库 2026-11-18T03:39:06

作者

蚂蚁集团支付宝技术部技术安全负责人 马传雷

蚂蚁集团支付宝技术部高级安全专家 何智鑫

蚂蚁集团支付宝技术部安全专家 曾凤

数字化转型浪潮下,支付宝综合参考应用安全研发生命周期、研发安全运营一体化等理论,构建了覆盖支付宝技术研发全栈全流程的应用安全研发周期“Alipay-SDL 1.0”体系。该体系以行业安全态势和监管安全合规要求为参照,立足支付宝业务实际情况,通过持续建设安全运营能力、平台产品及工具,充分满足了支付宝业务发展的研发安全诉求。当前,伴随支付宝在数字支付和数字互联领域的不断创新,业务架构日益复杂,研发要求逐步提升,同步实现业务快速发展与安全水平提升也成为安全领域面临的重大挑战。为此,支付宝安全团队采用系统性设计思路,全面拥抱AI技术,创新构建AI4SDL(AI For SDL)安全体系,实现了安全工具的能力升级、安全运营的效率提升与安全研发的创新变革。

一、应用安全研发生命周期的

现状和挑战

从理论角度,支付宝原有的应用安全研发生命周期(SDL)可概括为“安全工程师基于对业务的深刻理解以及所掌握的安全知识与经验,通过安全工具的辅助,在需求分析、设计、编码、测试和上线运行等各个环节,全面评估、识别业务安全风险并推动修复闭环”的过程(如图1所示)。具体而言,即SDL工作不仅要能够全面、高效地识别安全风险,避免高危严重漏洞流入生产环境,同时还要尽可能地保障研发体验不受打扰。但与此同时,随着支付宝业务的持续发展,SDL工作同样遇到了一系列亟待解决的问题。

图1 应用安全研发生命周期示意

一是理解业务的成本升高。支付宝App承载了包括支付、点餐、广告、政务、出行、物流等几乎所有互联网常见的业务类型,不同类型的业务场景相互交叉渗透,使得安全工程师在SDL过程中理解业务的成本日益增高。

二是安全风险复杂多变。随着大模型技术的持续升级和广泛应用,新型的安全漏洞和攻击模型也不断涌现。尤其是对于代码研发、测试、部署和运行等过程而言,安全工程师往往需要持续整合针对新型风险的识别和防护措施,而传统依赖人工的威胁建模和风险识别方式已难以高效应对安全形势变化。

三是安全工程师工作量激增。随着AI辅助编码技术的应用,业务研发的工作效率越来越高,业务迭代越来越快。在此过程中,安全工程师要守住安全底线,就需要投入更多的时间和精力来进行覆盖业务迭代变更的安全风险评估,从而使得其工作负荷激增。

二、智能化升级的系统性思考

从SDL工作所面临的现实挑战出发,支付宝安全团队基于系统集成的思想,在应用研发生命周期全链路的各个环节引入AI能力,构建了应用研发生命周期安全保障新范式——AI4SDL(如图2所示)。具体而言,如果将SDL工作看作是一种智力劳动,则其智能化升级主要涉及安全工程师(劳动者)、安全工具(劳动资料)和业务应用(劳动对象)等三个维度。

图2 支付宝AI4SDL研发安全范式

一是从劳动对象角度,如何通过AI赋能提升SDL平台对业务的自动化理解和表征能力,将需要识别风险的应用准确转化为可以用于风险模型计算的数据。

二是从劳动资料角度,如何通过AI赋能实现安全工具的快速升级,使其具有更加强大的计算能力。其中,尤为显著的挑战之一是如何提升安全工具识别复杂业务逻辑漏洞的能力,特别是针对安全风险较高且广泛存在的水平权限类漏洞,如何高准召率地进行自动识别。

三是从劳动者角度,安全工程师通常是按照风险领域进行职能细分(如应用安全工程师、数据安全工程师、客户端安全工程师等),并作为单一风险领域的安全技术专家开展风险识别。然而,随着蚂蚁NBSP与OVTP安全新范式的提出和落地,支付宝如何通过AI赋能帮助安全工程师跨风险领域、全面高效率地识别安全风险也需要一个新答案。

三、AI4SDL体系建设实践

1.通过文档智能解析与风险要素提取技术自动化理解业务

一是多模态大模型驱动的文档智能分析技术框架。在安全工作中,非结构化文档(包括需求文档、架构设计图、接口说明等)承载着业务逻辑的核心信息,是安全工程师识别潜在风险的关键依据。然而,传统工具在文本语义解析、跨模态关联建模及风险模式挖掘等方面存在着显著瓶颈,易导致人工分析效率低、风险覆盖不充分等问题。对此,支付宝安全团队构建新一代多模态大模型(MLLM)驱动的文档智能分析技术框架,实现从非结构化文档到知识体系的智能转化,通过三级架构体系突破性地解决了复杂业务文档的语义理解难题。

二是面向安全领域的多模态文档预处理技术。通过构建高质量安全知识语料库,全面覆盖各类安全场景与业务领域,支付宝安全团队为智能安全风险评估奠定了可靠的认知基础,并针对数据清洗与预处理阶段研发了支持动态结构感知的分块算法。在实际场景中,该算法通过语义边界检测技术,可同步识别文本段落、表格行列、代码块嵌套结构及图表注释区域,从而规避传统基于固定长度或显式格式的分割方法对业务逻辑完整性的破坏,为下游大模型检索增强生成(RAG)提供了高质量的语义单元。

三是基于GraphRAG的知识检索增强框架。通过利用大语言模型构建跨模态语义对齐框架,支付宝安全团队结合GraphRAG技术实现细粒度的实体识别与关系抽取,并构建安全领域的动态异质图,完整保留了业务语义关联;在此基础上,通过设计Personal PageRank算法,重新定义安全领域节点的相关性权重与检索优先级,有效提高了复杂问题关键节点的召回率。从应用角度,该技术为安全风险评估提供了可靠的知识支撑,显著提升了复杂业务场景下的漏洞分析深度和准确度。

四是基于大语言模型的安全知识智能评估与演进系统。为提升业务知识的持续优化能力,支付宝安全团队遵循“生成—过滤”范式,构建了科学严谨的基准评测流程。首先,基于历史安全文档、人工标注的安全风险案例库以及业务研发文档等多源语料,生成高度可定制且多样化的合成问答基准测试集。然后,增强对生成问题类型的过滤,建立问题类型的分类体系,全面覆盖业务知识与安全工程师的各种交互问题。最后,引入大语言模型构建四维评估指标体系(准确度/完整性/清晰度/丰富性),通过自动错误案例识别形成反馈闭环。实验表明,该系统在精准召回业务知识方面的效果提升了20%以上。

2.通过代码风险推理分析与API语义标注提升漏洞自动化发现能力

一是规则驱动的风险推理体系RAC。在业务安全分析框架中,规则推理作为基础范式,需要实现代码逻辑与业务需求的标准化映射。对此,支付宝安全团队通过构建融合程序分析、知识图谱与数据工程的安全风险评估中心,建立了覆盖代码解析、调用链路建模、数据流刻画的多维联动机制。其中,亿级节点的知识图谱作为核心基础设施;Schema设计深度整合代码库、接口、敏感信息等20余类实体类型,兼容多源异构数据的结构化存储框架,形成了业务信息的标准化表征体系。该体系通过知识图谱的天然关联性,将静态代码特征与动态数据流向进行拓扑聚合,为风险推理提供可追溯的规则基底,有效解决了传统分析工具的碎片化难题。

二是语义增强的代码风险分析推理。针对系统框架代码缺失导致的语义断层问题,支付宝安全团队提出大模型驱动的API语义标注方法,通过程序分析技术提取SDK接口声明、应用调用点及API文档注释,构建包含上下文特征的多模态提示工程模板,输入大语言模型进行语义推理,实现对接口数据流关系的自动化标注。该方法突破传统人工规则维护的局限性,深度融合接口声明的文本语义,调用上下文的结构化特征,构建代码片段与安全属性的动态映射关系,为风险传播路径分析提供了语义增强支撑。实测数据显示,该方法在支付宝鸿蒙应用中的接口标注准确率达到70%以上,可充分利用API文档注释的规范性特征,模拟安全工程师的认知过程,实现对接口安全属性的智能化标注。

三是多智能体协同代码分析框架RAC Agent。为实现对复杂代码风险分析任务的分解与协同,支付宝安全团队设计了基于多Agent协同的安全风险评估框架RAC Agent。该框架将代码安全分析任务解构为数据流分析、权限校验、敏感操作识别等专业领域,使每个Agent均专注于单一能力域并具备自主规划、执行、反思的能力。在此基础上,通过任务“分解—协作—整合”机制,该框架实现了对跨模块风险的关联推理,如水平权限分析Agent可联动数据流Agent与接口库,自动构建越权访问的攻击面模型。此外,该框架创新性地引入大语言模型的深度推理能力,在任务调度层实现意图理解与策略生成,在执行层完成多条逻辑推导,形成“宏观规划—微观执行—动态优化”的闭环体系。在实际场景中,该框架通过专业化分工与协同机制,最大化释放了大语言模型的语义理解与复杂推理潜力。

3.通过从感知到决策的全链路智能化运营体系提升安全工程师工作效率

首先是智能化变更感知中心SDLHUB。支付宝安全团队构建SDL运营的核心基础设施平台——SDLHUB,实现对支付宝业务及技术变更的全面感知。该平台通过深度集成应用研发全生命周期,构建了覆盖实时感知、智能分析与协同处置的管理体系,并利用符号规则与大语言模型的协同,有效解决支付宝海量业务变更场景下的风险筛选难题,实现对变更行为的精准分级与动态响应,完成了从代码级变更到业务意图的跨域风险信息整合。

其次是全链路可视化分析技术。针对支付宝复杂业务场景下架构域安全风险难以自动化分析的难题,支付宝安全团队构建了三层可视化链路:一是业务行为链路,即通过将用户交互行为抽象为业务流程图,来支撑业务逻辑风险的快速定位;二是系统调用链路,即基于分布式追踪数据构建微服务调用拓扑,支持功能实现层的安全漏洞溯源;三是数据流转链路,即通过参数血缘分析追踪敏感数据在系统间的传递路径,精准识别潜在泄露点,进而帮助安全工程师准确跟踪参数在各个系统间的流转。实践中,三层可视化链路为安全工程师提供了从业务逻辑到技术实现的完整分析框架,显著提升了安全工程师理解业务与识别风险的效率。

再次是智能化安全架构SDLCopilot。针对传统安全运营中信息割裂及场景适配性差等难题,支付宝安全团队提出了智能化安全架构SDLCopilot。该架构采用“平台化支撑—场景化落地”的分层解耦设计理念,通过四层协同体系实现安全运营的智能化升级:一是应用交互层集成自然语言接口,将业务需求转化为语义级指令,构建低代码交互范式;二是Agent服务层支持多智能体动态编排与协同调度,通过任务级联与能力互补形成自动化闭环。三是Agent服务支撑层整合SDL工具链、MCP服务及模型治理能力,提供原子化接口与策略编排逻辑;四是基础设施层深度融合LLM语义理解与向量数据库,构建异构资源协同底座。在此模式下,人类专家认知模式与机器智能处理能力深度耦合,不仅为大型企业构建自适应安全运营体系提供了可扩展的方法论框架,也标志着安全工程实现从“工具辅助”向“智能协同”的范式跃迁。

四、面向未来的思考

在安全专业领域,如若期待大模型对安全漏洞的识别和修复能够做到无需人工干预的程度,其识别结果的精确性至少需要达到99%的可靠性水平。对此,支付宝安全团队搭建的AI4SDL体系虽然在安全工作效率和体验提升方面带来了巨大量变,但距离发生质变还依然存在一定距离。面向未来,支付宝安全团队将重点提升大模型分析结果的可靠性,结合蚂蚁集团已经推出的HOP方案,在专业领域落地大模型“控制体系”,并尝试通过“程序化SOP+核验机制”解决因幻觉导致的可靠性瓶颈。相信伴随AI4SDL和HOP方案的有机融合,支付宝应用研发生命周期安全保障体系也将逐步从“人模结合”跃迁至“无人之境”。

本文刊于《中国金融电脑》2025年第9期

特别提示

《中国金融电脑》杂志不收取作者版面费用,不会以所谓的“本刊代理/编辑部”或“发表定金”“手续费”等名义收取费用。购刊收款账户为对公账户,请勿对任何个人账户汇款。另,本刊开具发票不收取任何额外费用。如有异常,请作者立即与本刊编辑部查证核实,以免给自身造成风险或损失。

本刊编辑部联系方式:

010-51915111-816

投稿邮箱:

fcc@fcc.com.cn

市场合作:

010-51915111-813

010-51915111-812

010-51915111-826

原文链接:https://mp.weixin.qq.com/s/4HO5ruuPdeFyLjkzRIHiQw