Druva 勒索软件检测以 AI 对抗 AI 辅助攻击
Druva 于 9 月 17 日推出了一套两阶段勒索软件检测系统，以应对 AI 辅助攻击使恶意活动愈发难以与日常变更区分的局面。新的 Druva 勒索软件检测功能会分析备份快照、验证疑似加密行为，并帮助管理员更快识别更干净的恢复点。
这场对抗并非简单的 AI 对 AI。传统异常检测能够发现不同寻常的行为，但异常本身并不能证明数据已被勒索软件篡改。在判断哪些备份仍然可信时，安全与恢复团队可能会在关联告警上耗费关键时间。
Druva 希望以证据取代这种不确定性。其系统结合了行为模型、文件级取证检查，以及来自 Dru MetaGraph 的身份上下文。这一方法直指网络恢复中的一个常见弱点：当响应人员无法确信该恢复什么时，快速检测的意义十分有限。
Druva 从异常告警转向勒索软件确认
Druva 的核心变化，是从识别可疑活动转向确认勒索软件是否篡改了备份快照。
第一阶段会检查备份元数据，寻找与勒索软件相关的行为。这些信号包括大规模文件重命名、异常扩展名，以及赎金通知等痕迹。Druva 表示，专门构建的 AI 和机器学习模型会跨快照评估这些指标。
可疑结果不会立即被认定为已确认的勒索软件事件。相反，Druva 会将受影响的快照升级至第二个取证阶段。这种分层旨在减少常规管理或应用活动可能引发的误报。
第二阶段会检查底层文件。根据 Druva 的技术文档，其检查项目包括熵分析、MIME 类型一致性、文件头和结构完整性。
熵用于衡量文件内容看起来有多随机。加密通常会提高这种随机性，但仅凭高熵并不能证明存在恶意意图。MIME 分析会将文件声明的格式与其实际内容进行比较，从而帮助发现通过更改扩展名伪装的文件。
Druva 随后会在发出严重告警前关联这些发现。其系统会区分：一类是针对潜在活动的高严重性警告，另一类是报告已确认影响的严重告警。
这种区分解决了一个实际的事件响应难题。发生大量文件变更，可能代表勒索软件，也可能源于迁移、软件更新或大规模管理任务。将每一次偏离都视为攻击，会造成告警疲劳并拖慢调查。
Druva 表示，这些证据会显示在 Recovery Insights 和其 Security Command Center 中。管理员可以检查受影响的快照，识别表面感染发生前的时间点，并在将数据恢复至生产环境前执行 Restore Scan。
该功能已面向 VMware 虚拟机、Microsoft Azure 虚拟机，以及 AWS EC2 和 EBS 工作负载进入有限可用阶段。Druva 表示，该功能通过其 Premium Security 服务提供，需通过客户经理或支持工单启用。
该公司将此功能描述为无代理，因为它运行在 Druva 的云备份架构内。客户无需额外部署本地检测代理或独立扫描设备。
这种架构在事件期间很重要。终端工具可能被禁用、操纵，或与恢复团队隔离。备份遥测数据仍是理解受保护数据遭遇情况的独立信息来源。
不过，该功能不能阻止初始访问，也不能在勒索软件执行前将其拦截。其价值始于可疑行为抵达受保护数据，并在备份快照中变得可见之后。
这一更窄的角色很重要。Druva 勒索软件检测主要是一项证据和恢复能力，而非终端、身份、电子邮件或网络防御的替代品。
AI 辅助勒索软件提高了不确定性的代价
AI 通过提升攻击速度和变化能力改变了勒索软件竞争态势，而防御者在恢复生产系统前仍需要可靠的证据。
这次发布报道将该产品置于攻击者利用 AI 测试更多路径、并更快改变战术的背景下。被盗凭据也会让恶意操作看起来像是合法用户活动。
这并不意味着每个勒索软件载荷都是自主运行的。AI 可以在不控制整个攻击的情况下支持行动的多个环节。它可以改进钓鱼攻击、生成脚本、加速侦察，或帮助操作员适应目标环境。
Proofpoint 的AI 时代勒索软件研究发现，65% 的受访勒索软件受害者认为 AI 使攻击更有效。该研究还报告称，47% 的事件始于恶意链接。
这些数据强化了 Druva 应对方案背后的身份问题。许多攻击始于一项最初看似获得授权的操作，例如用户打开链接，或入侵者使用有效凭据。
一旦访问看起来合法，孤立的安全信号就更难解读。策略变更、新权限或陌生的应用连接可能属于正常管理，也可能意味着横向移动或持久化的准备工作。
传统异常检测依然有用，因为它能缩小搜索范围。但安全团队仍需判断告警是否代表攻击、哪些系统受到影响，以及环境最后一次可信是什么时候。
恢复团队还面临额外问题。最新备份并不自动等于最佳恢复点。如果攻击者持续访问数日，近期快照可能保留已受损的数据或恶意变更。
恢复受感染的快照可能会重启事件。选择过早的快照则可能丢弃合法业务活动。正确的恢复点位于两者之间，而识别它所需的不只是绿色的备份任务状态。
Druva 认为，多年的备份遥测数据可以为这项决策提供更稳定的依据。历史快照揭示了随时间发生的变更，而文件取证可以检验这些变更是否类似于加密。
这正是 AI 辅助勒索软件不仅给传统安全公司、也给备份供应商施加压力的原因。客户越来越希望受保护数据能支持调查、验证和协调恢复。
Rubrik、Cohesity、Commvault 和 Veeam 也将数据保护定位为网络韧性的一部分。Gartner 的供应商对比将其中多个产品列为同一采购类别中的替代方案。
竞争正在从平台是否存储不可变副本，转向它能够证明这些副本的哪些情况。买家希望了解数据是否干净、涉及哪些身份，以及业务能够多快恢复运行。
Druva 的应对方案反映了这一转变。其 AI 并非作为通用安全助手呈现，而是应用于一个错误代价高昂的具体决策：判断受保护数据是否遭受勒索软件影响。
Druva 勒索软件检测将信号转化为恢复证据
两阶段设计之所以重要，是因为它将广泛的行为筛查与授权恢复所需的更严格证据分开。
在第一阶段，广泛检测是一项优势。模型可以扫描变更的扩展名、留下的痕迹、大规模重命名和可疑的文件转换。这些模式能够在没有既定签名的情况下发现已知勒索软件及其变种。
但这种广度也会产生模糊性。许多合法工作负载都会产生大量或异常的变更。开发系统会生成陌生文件类型，数据库流程会重写大型数据集，迁移也可能看起来像大规模修改。
第二阶段是 Druva 对这一模糊性的回应。它会评估文件是否呈现与加密或结构性操纵一致的特征。随后，系统会连同告警展示支持性指标。
Druva 将此称为可解释的证据。实际而言，管理员应能看到平台为何升级某个快照，而不是只收到一个风险评分。
这种区分能够改善安全运营人员与备份管理员之间的协作。安全分析师了解疑似攻击，备份团队则了解可用的恢复点。两组人员在采取行动前都需要一份共享记录。
工作流程始于检测，但终于恢复决策。Druva 的产品说明将流程分为行为检测、取证验证和网络恢复。
在确认可能受到影响后，该平台会在恢复工具中呈现调查结果。团队可以审查证据、选择感染前的快照、扫描拟恢复点，然后继续执行恢复。
这比止步于“某些内容发生变化”的告警更有用。它将诊断与让系统恢复服务的运营任务连接起来。
不过，模型的输出取决于 Druva 环境内可见的数据。它无法重建从未被捕获的事件，也无法保证每一次恶意变更都会产生可识别的证据。
加密检测也只能应对现代勒索软件的一部分。攻击者可能在加密任何内容前窃取数据、破坏身份、更改访问策略，或建立持久化机制。一些勒索活动甚至可能完全不加密数据。
Druva 通过现有服务部分弥补了这一缺口。Threat Watch 会扫描已知的入侵指标。Data Anomaly Detection 会标记异常数据活动，而托管检测与响应则监控管理威胁和破坏性操作。
新功能位于这些工具之间。它比通用异常检测更具体，但并不取代更广泛的事件调查。它的职责是验证勒索软件影响，并支持更安全的恢复选择。
该公司声称“近乎零”误报，但这一说法需要在多样化的客户环境中接受独立测试。误报表现通常会随工作负载类型、数据量和本地运行模式而变化。
有限可用性为 Druva 提供了一个受控的验证期。这也意味着，最初公告描述的是一项新兴能力，而非已普遍部署的生产功能。
对于企业买家而言，评估问题很明确。Druva 能否在不延误恢复的情况下，持续将恶意加密与高量级合法变更区分开来？
这一衡量标准比 AI 本身的存在更重要。有效的模型必须缩短调查时间，同时保留足够的证据，让响应人员能够质疑其结论。
Dru MetaGraph 将调查延伸至身份
文件证据能够显示勒索软件破坏了什么，但要解释攻击者如何触及这些数据，还需要身份上下文。
Druva 正在将其威胁管道与 Dru MetaGraph 相结合，后者是一个连接身份、活动和数据上下文的智能层。该系统覆盖人类账户和非人类身份，包括服务身份和 AI agents。
它可关联 Microsoft Entra ID、Active Directory 和 Okta 中的关系。Druva 表示，这使响应人员能够随时间审视涉及权限、应用程序、策略和身份的变更。
图谱之所以有用，是因为攻击很少由单一孤立事件构成。入侵者可能获取凭据、提升权限、建立持久化机制、在系统间横向移动，随后影响受保护数据。
扁平化的告警列表迫使分析师手动拼凑这些关联。Dru MetaGraph 旨在将攻击路径呈现为相互连接的序列，其中包括受损身份周边可能的影响范围。
Druva 表示，其可将观察到的行为映射至 ATT&CK knowledge base。MITRE ATT&CK 将现实世界中的对手行为归类为战术和技术，为安全团队提供共同的调查语言。
这种映射有助于区分单个事件背后的目的。权限变更可能代表权限提升，而新的身份验证机制可能用于建立持久化。
Druva 声称，其上下文视图可将调查时间从数天缩短至数小时。这仍是该公司的主张，公开资料并未提供支持这一时间缩减的广泛独立基准。
更重要的设计选择，是将身份历史与备份历史连接起来。文件级告警可识别可疑加密行为，而身份记录可显示攻击者如何抵达受影响资源。
这些层面结合后，可帮助建立攻击发生前的状态。响应人员不仅需要识别干净的数据，还需确认可信的账户、权限和策略。
如果在未移除持续访问权限的情况下恢复文件，攻击者仍可借此重返环境。若只重置账户而未验证数据，则可能让用户重新回到已损坏或被加密的系统。
Druva 表示，其系统可生成定制化恢复计划。该计划会识别受影响对象、建议操作，并指向干净的快照。每项建议仍需要进行运营审查。
这构成了 Druva 最清晰的竞争论点。SaaS 备份平台本就跨越多个恢复点保存历史数据。加入身份关联后，这些快照便可转化为用于入侵后分析的时间线。
同一架构也带来了治理问题。身份图谱包含有关账户、权限、应用程序和行为的敏感信息。客户必须了解数据收集边界、保留期限、访问控制和区域化处理方式。
AI agents 让这一问题更为紧迫。非人类身份可以持续执行操作、连接多个应用程序，并获得超出创建其任务生命周期的权限。
安全团队需要区分合法的自动化操作与攻击者滥用该身份的行为。Druva 的图谱可以补充上下文，但上下文并不能消除对身份控制和人工判断的需求。
因此，真正有意义的竞争并非 Druva 单独对抗勒索软件，而是以证据支持的恢复能力对抗碎片化的响应流程——在这种流程中，安全、身份和备份团队各自只能看到事件的一部分。
严峻考验在于信任，而非告警数量
Druva 必须证明，其证据能在复杂工作负载、隐蔽攻击以及不遵循“先加密”模式的事件中保持可靠。
该产品最强的承诺是精准性。Druva 表示，多阶段验证能够过滤错误信号并提供已确认的证据。这一承诺值得严格审视，因为恢复决策可能影响整个企业。
误报可能隔离干净快照或延迟恢复。漏报则可能将已受损的数据标记为安全，并把恶意变更带回生产环境。
当攻击者适应检测器时，风险会随之上升。了解常见勒索软件指标的攻击者，可以避免留下勒索信、放缓文件变更，或仅加密低于预期阈值的部分资产。
AI 可以通过生成变体和测试行为来加快这种适应。防御模型因此必须持续演进，同时避免过度敏感，以至于正常操作不断触发升级告警。
Druva 表示，其检测能力通过遥测数据、威胁情报和持续模型优化不断提升。客户应询问这些更新如何测试，以及模型变化是否会影响告警一致性。
他们还应审视每项结论所呈现的证据。在高压恢复期间，易于理解的说明比笼统的置信度评分更有价值。
工作负载覆盖范围是另一项限制。最初的有限可用版本支持 VMware、Azure virtual machines，以及 AWS EC2 和 EBS。企业通常还会在 SaaS 应用程序、端点、数据库、容器和物理系统中存放关键数据。
Druva 为其中部分环境提供其他保护，但这项新的两阶段勒索软件能力并非一开始就具备通用覆盖。买方应将更广泛的平台产品组合与该功能当前的支持列表区分开来。
此外还存在时效性问题。基于备份的分析只能以保护工作流捕获数据的节奏观察数据。运行于生产活动上的安全控制可以更早发现事件，而备份分析则提供隔离性和历史上下文。
两种角色相辅相成。端点和身份控制可帮助阻止或遏制攻击，备份取证则可验证损害情况，并支持更有依据地恢复服务。
任何供应商都不应将这种关系包装成非此即彼的选择。恢复智能并不能取代预防、监控、分段隔离、事件响应或经过测试的业务连续性计划。
竞争性主张同样需要谨慎看待。Rubrik、Cohesity、Commvault 和 Veeam 都通过不同架构描述了检测和干净恢复能力。营销对比很少复现客户实际的工作负载或恢复限制。
买方需要基于场景的测试。一项有用的评估会在具有代表性的快照中植入可疑文件变更、无害的大规模操作和受控加密行为。团队随后可比较检测质量、解释能力和恢复时间。
他们还应在演练中纳入身份受损因素。测试应确定该平台能否将权限变更、持久化、横向移动和受损数据连接为有用的恢复序列。
运营可用性同样重要。只有专家才能解读的证据，无法在深夜事件中帮助规模较小的团队。告警必须能够引导行动，同时不掩盖不确定性。
Druva 的公告提供了一种可信的机制，可减少猜测，但它并未消除验证问题。真实部署必须展示系统正确的频率、遗漏的内容，以及团队能够多快采取行动。
企业买方接下来应关注什么
下一批证据应来自扩大可用范围、独立检测结果和客户恢复演练，而不是更多 AI 品牌宣传。
第一个信号是从有限可用逐步迈向广泛生产访问。Druva 应明确何时有更多客户能够启用该能力，以及支持的工作负载是否会扩展到最初的云和虚拟机范围之外。
只有当性能在不同数据集上保持一致时，更广泛的可用性才能强化产品叙事。延迟或覆盖范围狭窄将表明，取证精准性可能比发布宣传所暗示的更难以普遍推广。
第二个信号是独立验证。买方需要获得经过测量的误报和漏报结果，以及来自现实模拟的恢复时间结果。
有价值的基准应包括无害的大规模变更、已知勒索软件、未知变体、缓慢加密，以及在触及文件前先篡改身份的攻击。它还应说明数据集和决策阈值。
独立证据将强化 Druva 关于两阶段分析可提供可靠确认的主张。若结果显示仍需大量人工审查，则会削弱该系统以清晰恢复证据取代不确定性的说法。
第三个信号是客户在实际事件工作流中的采用情况。关键问题在于，安全和备份团队是否使用相同证据来更快、更安全地作出决策。
客户报告应描述系统如何识别受影响快照、选择攻击前恢复点、验证建议的恢复方案，以及处理受损身份。关于增强韧性的笼统表述无法回答这一问题。
竞争对手的回应也值得关注，但功能数量不应主导比较。更有意义的考验是，另一平台是否能提供更清晰的证据、更广泛的上下文，或更快的经验证恢复。
Druva 的勒索软件检测面世之际，AI 正在同时加速攻击活动和防御分析。其两阶段架构为 AI 赋予了受约束的任务：广泛筛查、深入验证，并将发现关联到恢复工作。
这一重点是合理的。尚未解决的问题是，当客户环境、攻击者手法和身份关系变得复杂时，Druva 能否维持这种精准性。
评估该功能的安全负责人应进行一次高要求演练。向平台提供一组混合的干净、异常和恶意快照，然后要求响应团队在没有供应商指导的情况下完成恢复。如果证据能够在压力下支持正确决策，Druva 的 AI 响应便具备实际价值。如果团队仍需手动重建事件经过，该产品还有更多验证工作要做。
