本文版权为《邮电设计技术》所有，如需转载请联系《邮电设计技术》编辑部
摘要：以降低漏洞误报率为目标，开展基于人工智能的网络安全漏洞自动验证技术研究与实践，分析对比了多种技术路线，确定采用CNN+RNN深度学习结合机器学习的协同架构，依托行为分析、特征工程、正交参数调优技术搭建智能漏洞验证体系。经多轮数据测试与现网实测，系统误报率被成功控制在8%以内。该方案突破传统检测模式局限，实现漏洞验证全流程智能化，不仅节约运维成本、规避安全风险，也形成了可复制的技术方案，为通信行业网络安全智能化升级提供了实践参考。
关键字：人工智能；深度学习；行为分析；算法优化；漏洞检测
doi：10.12045/j.issn.1007-3043.2026.09.010
引言
随着数字化转型的持续推进，运营商网络资产规模不断扩大，云网、数字化、资产管理等多类业务同步运行，网络架构日趋复杂。漏洞管理作为网络安全的核心工作，涵盖漏洞发现、验证、修复、追踪全流程，传统运维模式的短板日益凸显[1]。现阶段漏洞扫描主要依靠特征签名匹配方式识别风险，该模式仅能对照预设特征库完成比对，无法结合设备实际运行状态、网络行为规律进行综合判断，直接造成漏洞扫描误报率居高不下[2]。安全人员需要花费大量时间逐条核验扫描结果，不仅工作效率低下，还容易因海量无效告警产生判断疲劳，延误真实网络威胁的处置时机[3]。
为解决高误报难题，本文作者所在的安全团队放弃优化规则库的传统方案，以网络行为分析为核心，融合多类AI 算法搭建智能漏洞验证体系。模型自主学习网络基线，从源头削减扫描误报，提升漏洞识别精度与运维效率。该模型的技术架构如图1所示。
