跨向无人之境：智能架构的支付宝安全风险扫描实践
SDC2025 议题回顾 | 跨向无人之境：智能架构的支付宝安全风险扫描实践
以下为部分内容整理后的速记
在当今数字化时代，随着业务复杂度的不断提升和AI编程的普及，传统安全检测手段面临着前所未有的挑战。接下来，我将分享支付宝在大模型时代下，如何构建智能化风险分析体系的探索与实践，为行业提供可借鉴的技术路径。
背景与挑战：从传统检测到智能分析的必然转变
业务逻辑漏洞成为主攻方向
近年来，服务端业务逻辑漏洞逐渐取代传统漏洞，成为攻击者的首选目标。这一趋势的背后存在多重因素：
攻击的隐蔽性显著增强，业务逻辑漏洞与正常业务请求高度相似，使得传统规则引擎难以快速识别和阻断。攻击者利用业务设计缺陷发起的请求，往往能够完美绕过基于特征匹配的安全防护体系。
利用方式相对简单，攻击成本显著降低。与需要深厚技术积累的内存漏洞利用不同，业务逻辑漏洞往往只需要理解业务交互流程，即可发起有效攻击，这大大降低了攻击门槛。
攻击模式从”点状突破”向”链式组合”演进。现代攻击者不再满足于单一漏洞的利用，而是通过组合多个业务模块的漏洞，形成复杂的攻击链路，最终造成更严重的业务风险。
企业内部面临的多重挑战
从企业内部视角来看，安全团队面临着前所未有的压力：
人工审计资源面临瓶颈。以支付宝为例，每月需要评估的接口数量达到数百个，而蚂蚁内部系统应用超过1万个，新型风险难以快速覆盖和理解。
业务理解成本日益增高。支付宝App承载了互联网绝大多数的业务形态，从金融交易到生活服务，业务场景极其复杂。安全工程师需要花费大量时间理解业务逻辑，才能做出准确的风险判断。
传统代码分析技术存在明显局限性。静态分析难以处理动态代码行为，如反射、代理、设计模式等复杂场景。同时，跨应用分析和需要结合多维知识的场景（如隐私合规风险分析）也对传统技术提出了挑战。
技术演进：从静态分析到智能感知的三阶段演进
第一阶段：静态代码分析
在技术演进的初期，我们主要依赖静态代码分析来解决传统应用安全问题。通过程序分析技术和自定义的规则引擎，我们能够快速定位具有明显代码特征的安全风险。这种方法在处理简单漏洞场景时表现良好，为自动化安全检测奠定了基础。
第二阶段：知识图谱风险推理
随着业务复杂度的提升，单纯依靠静态分析已无法满足需求。我们开始向知识图谱风险推理架构演进，通过构建跨工程、跨应用的知识图谱，解决了传统方案中的信息孤岛问题。
知识图谱整合了代码、配置、架构等多维度信息，为复杂场景的风险分析提供了强大支撑。在隐私合规风险分析等需要结合业务语义的场景中，知识图谱展现了明显优势。
第三阶段：大模型驱动分析
尽管前两个阶段取得了显著成效，但我们发现它们仍然高度依赖专家规则，难以应对复杂的业务逻辑漏洞。随着大模型技术的成熟，我们开始探索以大模型为核心的智能分析体系。
大模型带来的突破主要体现在两个方面：深度业务语义理解能力和自适应分析策略。这使得我们能够处理传统技术难以覆盖的复杂风险场景。
实践探索：大模型在风险识别中的双重技术路径
水平权限风险的五维分析模型
基于支付宝安全工程师的长期实践，我们总结了水平权限风险的五维分析模型：
接口可访问性（ACCESS）：判断接口是否能够被外部用户直接访问，这涉及到网关配置、鉴权机制等多个层面的分析。
可控资源标识（ID）：识别接口中是否存在用户可控的资源ID参数，如订单ID、用户ID等。在实际业务中，这类参数的命名极其多样，需要深度理解业务语义。
资源操作行为（DATA）：跟踪资源ID在系统中的流转过程，判断是否进行了数据库查询、缓存操作等敏感行为。
安全校验机制（CHECK）：分析系统是否对用户与资源关系进行了正确校验，这是水平权限防护的核心环节。
资源公开性（PUBLIC）：结合业务场景判断返回资源是否属于公开类型，这需要综合代码、配置、业务知识等多方面信息。
Workflow离线规模化风险推理
技术架构设计
Workflow方案采用知识图谱与大模型结合的架构设计。底层通过多维度数据采集构建跨端、跨应用的统一知识图谱，中层利用大模型增强语义理解能力，上层通过专家经验的DSL规则实现规模化风险扫描。
核心执行流程
风险因子识别阶段，我们通过静态分析提取代码核心链路，结合代码切片技术将结构化信息输入大模型。大模型基于我们设计的Prompt模板，识别五维模型中的各个风险因子并打标回图谱。
DSL推理阶段，我们基于图谱查询语言描述风险链路的子图模式，通过规则约束实现精确匹配。例如，典型的水平权限风险链路可以描述为：”接口→可控参数→数据库操作→返回数据”，同时满足特定的风险因子条件。
实际效果与局限
目前该方案已在支付宝多个场景中落地应用，包括存量接口分析和扫雷分析。在水平权限风险识别中，准确率达到71%，召回率为41%。这表明该方案具有实用价值，但仍有较大提升空间。
主要局限包括：静态分析精度制约整体效果上限、代码缺失导致模型幻觉问题、分析策略灵活性不足，以及工程实施成本较高等。
Agent在线自主风险分析
为了弥补Workflow方案的不足，我们开发了风险分析Agent体系，实现更灵活、更深入的风险分析能力。
体系架构设计
Agent系统采用多Agent协作架构，包括监督Agent、风险扫描Agent、数据流分析Agent等核心组件。这种设计既保证了专业分工，又实现了高效协作。
数据流分析能力
我们创新性地提出了Goal-Conclusion分析模式，通过自顶向下的方法规划与自底向上的摘要汇总，保证分析过程的上下文完整性。同时，通过调用图管理器维护全局调用栈，有效防止因模型幻觉导致的关键方法遗漏。
在单个方法分析中，我们不仅提供代码片段，还集成了静态分析的数据流结果，使Agent能够进行更全面的分析判断。
风险分析Agent实现
基于ReAct模式，我们设计了规划-执行-反思-总结的工作流机制。规划阶段理解分析目标并制定任务步骤；执行阶段通过工具调用获取分析结果；反思阶段进行多维度核验；总结阶段生成最终报告。
通过系统Prompt引导和Agent Loop机制，我们实现了轻量级但高效的Agent框架，支持快速迭代和优化。
基于平行切面的Agent架构
我们设计并开发了切面化的Agent输出流管控能力。基于大模型的自回归特性，除了提示词还可以通过解码器引导，如LogitsProcessor等方式来控制输出token的概率分布，确保结构化输出的稳定性。
同时配合停止序列和预填充技术，我们能够在保证输出连续性的同时，在指定环节高可靠的插入风险核验、格式校验、上下文压缩等额外的增强逻辑。 这个架构的优势在于结构化的分析模式与管控能力，保证了将复杂问题分解为可管理、可执行的步骤，从而显著提升了执行的稳定性和可靠性。
增强记忆能力
我们构建了多维记忆体系：情景记忆会召回交互与风险评估历史；事实记忆通过如DeepWiki等技术生成代码仓库的结构化知识，同时也会通过文档分析总结出业务知识；程序记忆保存工具调用和任务执行记录。
知识召回采用符号规则与向量检索相结合的策略，既保证精确知识的准确获取，又实现泛化知识的有效检索。
工具集建设
静态分析工具基于Tree-Sitter实现精确的代码定位和引用解析，同时支持正则表达式等模糊查询方式。我们在系统Prompt中明确工具使用优先级，引导Agent优化搜索路径。
文档知识库采用GraphRAG技术，通过实体抽取、子图构建和个性化PageRank计算，实现高质量的知识召回。
动态数据采集模块整合实时流量、历史清洗数据、前端埋点和UI自动化测试结果，为业务场景理解提供真实依据。特别是通过SPM等端侧埋点，能够还原用户行为轨迹，增强业务场景识别能力。
实战效果评估
在水平权限风险的识别任务中，Agent方案准确率达到89.5%，召回率为86.2%。目前支付宝86%的新增接口风险评估由Agent覆盖，系统自动生成风险工单并派发给安全工程师或业务研发。
当前面临的挑战主要包括：长上下文下的注意力分散问题，以及复杂推理任务中的模型幻觉现象。这些问题需要通过更好的上下文工程和技术突破来解决。
未来展望：高阶程序（HOP）构建可靠智能体系
幻觉问题的本质挑战
在大模型的应用实践中，我们发现幻觉问题已成为制约其在专业领域落地的关键瓶颈。当前大模型在专业任务中的可靠性通常在70-80%之间，难以满足安全领域对精确性的严苛要求。
HOP框架的核心思想
受人类通过SOP和检查清单实现高可靠性的启发，蚂蚁集团提出高阶程序（HOP）框架 。HOP将程序化业务逻辑、领域知识图谱和专业工具链有机结合，形成大模型在专业领域的”控制体系”。
可执行性：大模型作为”CPU”处理抽象逻辑，与确定性执行混合提升可靠性。
可核验性：通过确定性核验、逆向核验、多模型投票等机制，实现99%+的可靠性保障。
可派生性：框架能够自动适配不同场景，如不同数据库表结构的字段匹配。
可编排性：支持任务执行流程的优化和重组，提升整体效率。
实践路径与展望
我们在Agent架构中已经实践了部分HOP理念，通过基于平行切面的HOP Agent架构，显著提升了分析任务的可靠性。未来，我们将继续深化HOP框架的建设和应用，推动大模型在安全领域的规模化落地。
结语
通过Workflow与Agent的双重技术路径，支付宝在智能化风险识别方面取得了阶段性成果。从传统静态分析到知识图谱推理，再到当前的大模型驱动，我们正在向完全智能化的风险评估体系稳步迈进。
未来，随着HOP等可靠性技术的成熟，我们相信大模型将在安全领域发挥更大价值，最终实现无人干预的智能安全防护体系。这条路充满挑战，但也蕴含无限可能，期待与业界同仁共同探索前行。