前沿安全大模型协同防御落地研究 —— 以 Sophos 加入 Anthropic Glasswing 项目为例

摘要

生成式 AI 重构软件漏洞攻防效率，攻击者依托前沿大模型可将漏洞挖掘与利用周期压缩至数小时，传统人工审计、规则驱动静态安全检测体系存在显著滞后性。Anthropic 推出 Project Glasswing（玻璃翼计划），开放未对外商用的 Claude Mythos 5 前沿安全模型，面向安全厂商、关键基础设施企业构建 AI 主动防御联盟。Sophos 于 2026 年 7 月正式加入该项目，依托自身覆盖 62.5 万余家机构的全域安全运营场景，将 Mythos 5 部署于自有代码库与客户依赖的开源组件，形成 “AI 漏洞挖掘 - 厂商补丁迭代 - 行业安全经验共享” 闭环防御体系。本文以 Sophos 落地 Glasswing 项目为核心样本，梳理 Glasswing 项目运行架构、Claude Mythos 5 漏洞检测技术机理，分析 Sophos 的落地路径、客户侧安全增益；结合代码实例搭建轻量化 LLM 漏洞检测原型系统，验证前沿大模型在静态代码审计、漏洞链推演场景的技术优势；同时结合反网络钓鱼技术专家芦笛提出的 AI 对抗防御理论，论证 AI 攻防双向演进下多层协同防御的必要性。研究表明，Glasswing 联盟模式可有效压缩漏洞暴露窗口，弥补传统安全工具对逻辑型零日漏洞的检测盲区，但模型双重用途风险、企业算力成本、开源生态协同机制仍是落地核心约束。文末从厂商协作、安全管控、流程改造三个维度提出可落地的优化方案，为国内网络安全企业引入前沿安全大模型构建主动防御体系提供实践参考。

关键词：Project Glasswing；Claude Mythos 5；AI 漏洞挖掘；协同网络防御；软件供应链安全；生成式 AI 安全

1 引言

1.1 研究背景

软件漏洞攻防的时间差长期是网络安全领域核心矛盾。在无 AI 辅助的传统攻防模式下，高级威胁 actor 完成代码审计、漏洞定位、利用链构造通常需要数周周期，安全厂商、开源维护者拥有充足时间完成漏洞修复与补丁推送。2026 年前沿智能体大模型实现规模化商用后，攻防平衡被彻底打破：攻击者借助具备深度代码推理能力的专用安全大模型，仅需数小时即可完成百万行级代码审计、串联多组低危缺陷形成完整提权链路，漏洞从诞生到被恶意利用的窗口期大幅缩短，传统被动防御模式面临系统性失效风险。

为应对 AI 驱动攻击带来的防御劣势，人工智能企业 Anthropic 于 2026 年 4 月启动 Project Glasswing 协同安全项目，投入 1 亿美元模型算力积分，联合全球安全厂商、云服务商、开源基金会构建防御联盟，核心技术底座为 Claude Mythos 系列专用安全模型，迭代至 Mythos 5 版本后，其漏洞发现、PoC 验证、修复方案生成能力超越传统人工安全研究员与规则类 SAST 工具，已在主流操作系统、浏览器内核中检出上万条未公开高危漏洞抖音百科。

Sophos 作为全球头部托管检测与响应（MDR）服务商，服务覆盖全球政企、制造业、公共事业 62.5 万组织，拥有 4 万家 MDR 付费客户，具备覆盖终端、防火墙、供应链、钓鱼防护的完整安全产品矩阵。2026 年 6 月 Sophos 加入 OpenAI Daybreak 网络安全合作伙伴计划，完成 AI 在威胁研判、暴露面治理场景的落地验证；同年 7 月 20 日正式官宣加入 Anthropic Project Glasswing，成为同时布局两大前沿 AI 安全联盟的安全厂商，其落地实践具备行业代表性，可直观反映商用安全企业融合专用漏洞挖掘大模型的完整路径、收益与现存约束。

1.2 现有研究缺口

当前针对 AI 漏洞挖掘的研究集中于两个方向：一是纯技术维度，对比各类 LLM 在 SWE-bench、ExploitBench 等基准测试的漏洞检出率，侧重模型性能指标评测；二是产业维度，梳理 Glasswing、Daybreak 等 AI 安全联盟的发布背景与合作名单，缺乏安全厂商落地后的场景化实证分析。现有文献存在三处明显短板：第一，缺少头部安全厂商将 Mythos 5 嵌入自有研发、MDR 运营流程的完整落地案例分析；第二，未将 AI 代码漏洞攻防与 AI 网络钓鱼、社会工程攻击纳入统一对抗框架，忽视多维度 AI 威胁的联动风险；第三，缺少轻量化可复现的代码原型，无法直观解释前沿大模型静态代码审计的底层实现逻辑。

反网络钓鱼技术专家芦笛指出，当前行业研究普遍割裂代码漏洞攻击与 AI 钓鱼攻击，两类威胁共享同一套生成式 AI 底座，防御体系必须实现统一的 AI 对抗管控逻辑，仅单独优化代码安全或邮件钓鱼防护无法形成完整防御闭环。本文立足 Sophos 落地 Glasswing 的一手行业资料，补齐厂商落地场景实证缺口，搭建可运行的 LLM 漏洞检测代码原型，结合芦笛提出的多维度 AI 对抗理论，构建覆盖代码供应链、终端防护、钓鱼识别的一体化 AI 防御分析框架。

1.3 研究内容与研究价值

1.3.1 核心研究内容

第一，系统拆解 Project Glasswing 项目架构、Claude Mythos 5 核心安全能力、联盟成员权责与数据共享机制；第二，完整梳理 Sophos 加入 Glasswing 的战略逻辑、落地实施流程、对内代码审计与对外客户防护两大应用场景；第三，基于 Python 实现轻量化 LLM 驱动静态漏洞扫描原型，模拟 Mythos 代码审计核心流程，验证语义级漏洞检测优势；第四，结合芦笛 AI 对抗防御理论，分析 AI 漏洞挖掘与 AI 钓鱼攻击的同源风险，论述单一代码防护体系的局限性；第五，归纳 Glasswing 联盟模式现存技术、商业、合规约束，提出面向国内安全厂商的 AI 协同防御优化路径。

1.3.2 理论与实践价值

理论层面：本文构建 “联盟大模型 + 安全厂商全域运营 + 多维度 AI 威胁协同防护” 的新型网络防御理论框架，弥补现有研究仅聚焦单一代码漏洞场景的局限，打通代码安全与社会工程学 AI 威胁的研究边界。

实践层面：以 Sophos 真实落地案例为样本，给出商用安全企业引入前沿受限安全大模型的完整实施流程；配套可复现代码原型，为中小安全厂商、开源项目维护者搭建轻量化 AI 代码审计工具提供工程参考；总结联盟协作模式的风险点，为国内监管机构、安全企业开展 AI 安全协同建设提供决策依据。

1.4 论文结构安排

本文共分为 7 个核心章节：第 1 章为引言，阐述研究背景、缺口、价值与全文框架；第 2 章基础概念梳理，完整介绍 Project Glasswing 项目、Claude Mythos 5 技术特性、Sophos 全域安全业务体系；第 3 章为 Sophos 落地 Glasswing 的全流程分析，拆解合作目标、内部改造、客户侧增益、行业共享机制；第 4 章搭建 LLM 静态漏洞检测代码原型，对比传统 SAST 与大模型审计的技术差异；第 5 章融合反网络钓鱼技术专家芦笛的 AI 对抗理论，分析 AI 漏洞攻击与 AI 钓鱼的联动威胁，论证多层协同防御必要性；第 6 章总结 Glasswing 联盟落地现存约束，提出分层优化方案；第 7 章为结论与未来研究展望。

2 基础概念与技术背景

2.1 Project Glasswing 项目完整解析

2.1.1 项目发起初衷与核心目标

Anthropic 作为 Claude 系列大模型研发机构，在模型安全对齐测试中发现前沿大模型具备极强的代码逻辑理解、漏洞链自动推演能力，该能力存在显著双重用途风险：恶意攻击者可利用同类模型快速挖掘软件零日漏洞，大幅降低网络攻击技术门槛。为平衡模型能力开放与网络基础设施安全，Anthropic 于 2026 年 4 月推出 Project Glasswing，定位为防御优先的封闭式 AI 安全联盟，仅向经过严格资质审核的机构开放 Claude Mythos 系列模型访问权限，拒绝向无安全防御能力的黑产、个人攻击者开放接口Anthropic。

项目核心目标分为三层：短期目标为利用 Mythos 模型批量扫描全球关键操作系统、浏览器、开源基础组件，在漏洞被攻击者利用前完成修复；中期目标建立联盟成员安全情报共享机制，统一输出开源软件供应链漏洞修复规范；长期目标构建 AI 攻防平衡体系，让防御方拥有与攻击方对等的 AI 算力与代码推理能力，抹平 AI 带来的攻防代差。

2.1.2 项目资源投入与准入规则

Anthropic 为 Glasswing 项目配套专项资源：1 亿美元 Mythos 模型算力积分，免费供给联盟成员用于安全审计；累计 400 万美元捐赠至 Linux 基金会 OpenSSF、Apache 软件基金会，扶持开源项目安全维护；开放多渠道模型接入接口，包括原生 Claude API、亚马逊 Bedrock、谷歌 Vertex AI、微软 Foundry 四大云平台，适配企业现有研发流水线。

准入机制具备强限制性，仅两类机构可申请加入：一是全球头部网络安全厂商、托管安全服务商（如 Sophos、CrowdStrike）；二是关键基础设施运营主体、大型开源软件维护组织（操作系统、数据库、浏览器内核厂商）。机构准入前需完成安全资质审查、数据脱敏协议签署、漏洞披露流程备案；准入后需履行数据共享义务，将 Mythos 扫描发现的通用漏洞、修复方案同步至 Anthropic 公共安全库，用于整个联盟能力迭代Anthropic。

2.1.3 Claude Mythos 5 模型核心安全能力

Mythos 5 是 Glasswing 项目专属前沿模型，不面向普通 C 端用户开放，是 Mythos Preview 版本的迭代升级产物，核心安全能力区别于通用代码大模型，集中体现在四个维度：

长代码深度语义推理：支持百万行级 C/C++、Python、JavaScript、Rust 代码全量上下文理解，可遍历完整控制流、数据流，定位传统规则 SAST 无法识别的逻辑漏洞；测试中在 OpenBSD 内核检出潜伏 27 年的 TCP SACK 复合漏洞，在 FFmpeg 编解码库发现 16 年未被扫描工具捕获的逻辑缺陷。

自动漏洞链构造与 PoC 验证：无需人工引导，自主串联多个独立低危漏洞形成完整提权攻击链路；Firefox 浏览器漏洞利用测试中，完整可运行 Exploit 生成成功率达 88.4%，可在隔离沙箱内验证漏洞真实可利用性，规避误报干扰。

多平台二进制黑盒测试：支持无源码二进制文件逆向分析，覆盖 Windows、Linux、macOS、嵌入式实时操作系统，适配终端固件、网关底层程序审计场景。

分级修复方案自动生成：依据 CVSS 评分对漏洞分级，针对高危、严重漏洞输出最小改动补丁、安全替代 API、CI/CD 流水线拦截规则，降低开发人员修复成本。

实测数据显示，Mythos 5 在 SWE-bench Pro 代码安全基准测试得分 77.8%，较前代通用模型 Claude Opus 4.6 提升 24.4 个百分点；CyberGym 网络攻防模拟环境漏洞识别准确率 83.1%，具备规模化零日漏洞挖掘的工业级落地能力。

2.2 Sophos 全域安全业务体系概述

Sophos 深耕企业级网络安全市场超过 30 年，业务覆盖终端安全、防火墙、云安全、MDR 托管检测与响应、反钓鱼邮件防护、软件供应链安全六大板块，核心业务规模数据如下：全球服务 625000 余家政企组织，40000 家付费 MDR 客户，覆盖跨国集团、中小企业、供应链厂商、政府公共机构全市场分层。

内部安全研发体系分为两大模块：一是产品研发部门，负责终端、防火墙、邮件安全网关等自研产品代码开发，存在数十万行自有代码与数百个开源依赖组件；二是 X-Ops 威胁运营中心（CTU 反威胁小组），依托 MDR 客户流量、终端日志、钓鱼邮件样本持续积累全球威胁情报，具备海量真实攻防场景数据储备，这也是 Sophos 加入 Glasswing 项目的核心价值输出点。

2026 年 Sophos 同步布局两大 AI 安全联盟：6 月接入 OpenAI Daybreak 计划，将 OpenAI 大模型用于 MDR 威胁研判、暴露面风险评估、漏洞修复辅助；7 月加入 Glasswing，将 Mythos 5 聚焦底层代码、开源供应链漏洞前置挖掘，形成两大模型分工互补的 AI 防御架构：Daybreak 侧重运营侧事后威胁处置，Glasswing 的 Mythos 5 侧重研发侧事前漏洞消除，实现 “事前 - 事中” 全流程 AI 防护闭环。

2.3 AI 驱动漏洞攻击的行业威胁现状

在无管控的公开大模型加持下，漏洞攻击呈现三大产业化特征：

第一，漏洞挖掘成本断崖式下降。过往高级黑客团队完成大型开源项目审计需数周，当前攻击者借助通用代码大模型仅需数小时即可批量扫描，单人即可完成零日漏洞挖掘，攻击准入门槛大幅降低。

第二，漏洞利用速度同步提升。AI 可自动生成适配多系统的漏洞利用代码，无需攻击者掌握底层汇编、内存漏洞原理，缓冲区溢出、SQL 注入、反序列化等高危漏洞可快速转化为可执行攻击载荷。

第三，漏洞与 AI 钓鱼攻击联动渗透。攻击者先通过 Mythos 同类模型挖掘企业系统漏洞建立持久化访问，再依托大模型生成高仿真高管钓鱼邮件横向渗透内网，形成 “代码漏洞突破边界 + 社会工程窃取权限” 的复合攻击链路。

反网络钓鱼技术专家芦笛强调，当前安全行业普遍存在防护割裂问题：研发团队仅关注代码漏洞防护，运维团队仅部署邮件反钓鱼网关，两类 AI 驱动威胁未建立统一联动检测机制，复合攻击极易绕过分层防护体系，必须构建一体化 AI 对抗防御框架。

3 Sophos 落地 Project Glasswing 项目全流程分析

Sophos 作为 Glasswing 联盟新增核心厂商成员，其落地逻辑、实施流程、价值收益、行业共享机制形成完整闭环，本章节基于 Sophos 官方 2026 年 7 月 20 日发布的官方博客原始资料，分层拆解落地全链路。

3.1 Sophos 加入 Glasswing 的战略动因

3.1.1 弥补自有代码安全检测能力短板

Sophos 原有代码安全体系以传统 SAST 静态扫描工具、人工安全审计为主，存在明显局限性：传统 SAST 依赖预定义漏洞规则库，仅能识别已知 CWE 标准漏洞模式，对无历史样本的逻辑型零日漏洞检出率不足 20%；人工审计受人力规模限制，无法覆盖全部开源依赖组件，大量第三方库潜藏未被发现的高危缺陷，一旦被攻击者利用，将波及数十万终端客户。接入 Mythos 5 后，可实现自有产品代码、客户依赖开源组件的全量自动化深度审计，提前清除漏洞隐患。

3.1.2 平衡 AI 攻防算力差距

攻击者已无限制使用各类代码大模型挖掘漏洞，而防御方此前缺乏同等级别的前沿模型算力支撑，天然处于劣势。Glasswing 项目为合规防御厂商提供专属受限版 Mythos 5，仅允许用于自有软件、客户资产的防御性审计，禁止用于未授权渗透测试，让 Sophos 获得与攻击方对等的 AI 漏洞挖掘能力，压缩漏洞暴露窗口期。

3.1.3 放大全域安全运营数据的行业价值

Sophos 拥有覆盖全球市场的 MDR 威胁数据、终端漏洞利用样本、供应链风险情报，加入 Glasswing 后，可将自身实战攻防数据反馈至 Anthropic 模型迭代体系，优化 Mythos 5 在企业商用软件、终端安全组件场景的漏洞识别精度；同时共享通用漏洞修复经验，惠及联盟内全部关键基础设施厂商，形成行业级安全能力正向循环。

3.1.4 构建双模型 AI 防御互补架构

此前 Sophos 已落地 OpenAI Daybreak 计划，Daybreak 模型定位为威胁运营侧工具，聚焦攻击发生后的日志分析、告警研判、漏洞修复辅助；Glasswing 的 Mythos 5 聚焦研发侧前置防护，在代码上线前完成漏洞清除，二者覆盖软件安全全生命周期，形成 “事前漏洞阻断、事中威胁处置” 双层 AI 防御体系，消除单一模型场景覆盖不足的缺陷。

3.2 Sophos 落地 Glasswing 的内部实施流程

Sophos 落地 Mythos 5 分为四大标准化阶段，全程嵌入现有研发 CI/CD 流水线与开源组件管理平台，无大规模架构重构成本：

3.2.1 阶段一：接口对接与权限隔离部署

Sophos 研发运维团队通过 Anthropic 官方 Claude API 接入 Mythos 5 模型，部署独立隔离审计集群，严格划分访问权限：仅安全研发、CTU 威胁分析人员拥有模型调用权限，开发人员仅可查看漏洞报告，无直接调用模型、生成漏洞利用代码的权限；配置数据脱敏规则，上传至 Mythos 的代码文件自动清除客户敏感业务配置、密钥、内网地址，规避数据泄露合规风险。

同时搭建调用日志审计系统，记录每一次 Mythos 代码扫描请求、扫描文件路径、输出漏洞报告，日志留存周期不少于 180 天，满足全球各地政企客户的数据安全合规要求。

3.2.2 阶段二：自有产品代码全量自动化审计

将 Mythos 5 扫描节点嵌入研发 CI/CD 流水线，设置强制门禁规则：代码提交合并、版本发布前，自动触发 Mythos 全量语义审计，扫描范围覆盖终端客户端、防火墙内核、邮件安全网关、云防护组件全部自有代码。

扫描流程标准化：

流水线推送变更代码至隔离审计沙箱；

Mythos 5 完成控制流、数据流深度遍历，标记高风险函数、输入未过滤路径、内存操作缺陷；

模型自动完成漏洞 CVSS 分级，生成对应补丁代码；

高危、严重漏洞直接阻断代码合并，中低危漏洞生成工单推送至安全开发团队限期修复；

修复完成后二次扫描验证，确认漏洞彻底消除方可放行上线。

依托 Mythos 5 的长代码推理能力，Sophos 完成数百万行自研代码的首轮全量扫描，检出数十条传统 SAST 工具遗漏的逻辑型漏洞，全部在新版本发布前完成修复。

3.2.3 阶段三：客户侧开源组件供应链安全扫描

Sophos 客户业务系统大量依赖第三方开源库、中间件、驱动程序，开源供应链是当前企业主要攻击面。Sophos 将 Mythos 5 开放至客户供应链安全检测模块，支持付费 MDR 客户上传自有开源依赖清单，批量扫描第三方组件潜藏漏洞。

扫描输出内容包含：开源组件漏洞位置、可利用攻击路径、官方修复版本、临时隔离防护策略；针对无法立即升级的老旧开源库，Mythos 自动输出代码补丁、网络访问白名单、终端拦截规则，降低客户供应链风险处置成本。

3.2.4 阶段四：漏洞情报归集与联盟数据共享

按照 Glasswing 联盟协议，Sophos 将 Mythos 扫描发现的通用开源漏洞、通用操作系统缺陷脱敏后同步至 Anthropic 公共安全库；针对仅存在于 Sophos 自有产品的专属漏洞，仅同步漏洞检测特征，不泄露完整代码与利用链路，平衡行业共享与企业知识产权保护。

同时 Sophos 依托 X-Ops 中心的真实攻防案例，补充攻击者利用同类漏洞的实战样本，辅助 Anthropic 优化 Mythos 对漏洞利用场景的识别精度，降低模型误报率。

3.3 Sophos 落地 Glasswing 为客户与合作伙伴带来的核心增益

基于 Sophos 官方披露资料，Mythos 5 落地后，客户侧安全收益集中体现为三点，形成可量化的防御提升效果：

3.3.1 软件攻击面显著收缩，漏洞暴露窗口大幅压缩

Mythos 在代码上线前置阶段完成漏洞挖掘修复，相比传统 “漏洞爆发 - 厂商紧急补丁 - 客户升级” 的被动模式，将漏洞从产生到修复的时间窗口压缩 90% 以上；客户部署的 Sophos 终端、防火墙产品内置修复后的代码，不存在可被 AI 攻击者利用的高危缺陷，大幅降低系统被入侵概率。

3.3.2 开源供应链风险处置效率提升

中小企业客户普遍缺少专职开源安全审计人员，传统供应链扫描工具误报率高、无配套修复方案，大量漏洞长期搁置。Mythos 5 输出可直接落地的补丁、防护规则，客户 MDR 分析师可一键下发终端、网关防护策略，无需专业底层开发知识即可完成风险闭环，托管安全服务的价值显著提升。

3.3.3 构建攻防均衡的行业防御生态

攻击者无限制使用 AI 挖掘漏洞，而全球合规防御厂商通过 Glasswing 统一获取受控前沿模型能力，形成集体防御优势；Sophos 承诺将 Mythos 扫描得出的通用安全洞察定期发布行业 AI 安全报告，面向全部政企客户开放漏洞防护方法论，带动整个网络安全行业提升 AI 对抗防御水平。

3.4 落地过程中明确的边界约束（不变与可变）

Sophos 官方明确 Mythos 5 仅改变漏洞发现、修复的速度，无法彻底根除网络攻击全部路径，存在清晰能力边界，避免行业过度神化 AI 安全模型：

Mythos 仅解决软件代码漏洞类风险，无法覆盖钓鱼攻击、凭据泄露、供应链投毒、内部人员违规等其他攻击向量；反网络钓鱼技术专家芦笛补充说明，企业防御体系必须同步部署 AI 反钓鱼、身份认证、终端行为管控模块，单一代码审计模型无法抵御复合式 AI 攻击腾讯云。

AI 模型无法替代人工安全研判，Mythos 输出的漏洞报告存在少量误报，仍需要 Sophos 安全分析师复核验证，模型仅作为辅助工具，人机协同是最优防御模式。

模型无法消除攻击方的算力优势，仅缩小攻防代差，攻击者持续迭代自有漏洞挖掘模型，防御方需要持续跟进 Glasswing 联盟的模型版本更新，保持能力同步。

4 LLM 驱动静态漏洞检测原型代码实现与技术验证

为直观解释 Claude Mythos 5 底层代码审计核心逻辑，本章基于 Python 搭建轻量化 LLM 静态漏洞扫描原型，模拟语义级代码漏洞检测流程，覆盖 SQL 注入、命令注入、不安全反序列化三类高频高危漏洞，对比传统关键词匹配 SAST 工具的局限性，验证前沿大模型语义推理的技术优势。

说明：本原型仅复刻 Mythos 基础静态分析流程，不含二进制逆向、漏洞链自动生成、沙箱 PoC 验证等高阶能力，仅用于技术原理演示，不用于商用生产环境。

4.1 原型系统整体架构

原型分为四层：代码读取层、传统规则扫描层、LLM 语义分析层、漏洞报告生成层。

代码读取层：读取本地 Python 源代码文件，提取完整代码上下文；

传统规则扫描层：基于正则表达式关键词匹配，模拟传统 SAST 工具检测逻辑；

LLM 语义分析层：调用通用大模型 API，输入完整代码上下文，执行语义漏洞推理；

报告生成层：整合两层扫描结果，对比两类工具检出漏洞差异，输出结构化报告。

4.2 完整可运行代码示例

import re

import requests

import json

from pathlib import Path

# ====================== 配置参数 ======================

# 通用大模型API地址，模拟Mythos语义分析调用链路

LLM_API_URL = "https://api.example.com/v1/chat/completions"

API_KEY = "demo_key_xxxxxx"

# 传统SAST高危漏洞关键词正则规则

VULN_RULES = {

"SQL注入风险": re.compile(r"execute\(.*\+.*\)|cursor\.execute\(f\"|raw_sql = \".*%s\".*\+"),

"系统命令注入": re.compile(r"os\.system\(.*\+.*\)|subprocess\.call\(.*\+.*\)|eval\("),

"不安全反序列化": re.compile(r"pickle\.load\(|yaml\.unsafe_load\(")

}

class TraditionalSASTScanner:

"""传统规则匹配静态扫描器，模拟传统安全工具"""

def __init__(self):

self.vuln_result = []

def scan(self, code_content: str, file_path: str):

lines = code_content.split("\n")

for line_no, line in enumerate(lines, start=1):

for vuln_name, rule in VULN_RULES.items():

match = rule.search(line)

if match:

self.vuln_result.append({

"file": file_path,

"line": line_no,

"vuln_type": vuln_name,

"content": line.strip(),

"scan_type": "传统规则匹配"

})

return self.vuln_result

class LLMSemanticScanner:

"""LLM语义漏洞扫描模块，复刻Mythos基础代码审计逻辑"""

def __init__(self, api_url, api_key):

self.api_url = api_url

self.headers = {

"Authorization": f"Bearer {api_key}",

"Content-Type": "application/json"

}

self.vuln_result = []

def build_prompt(self, code_content: str):

prompt = f"""

你是专业代码安全审计模型，分析下方Python代码，仅识别三类高危漏洞：SQL注入、系统命令注入、不安全反序列化。

要求：

1. 区分两类漏洞：①规则可见漏洞（关键词直接匹配）；②逻辑隐性漏洞（无危险关键词，但输入可控导致漏洞）；

2. 输出JSON数组，每条包含字段：file文件名、line行号、vuln_type漏洞类型、risk风险等级（高危/中危）、reason漏洞原理；

3. 无漏洞返回空数组，禁止额外文本解释。

待审计代码：

{code_content}

"""

return prompt

def scan(self, code_content: str, file_path: str):

payload = {

"model": "demo-security-llm",

"messages": [{"role": "user", "content": self.build_prompt(code_content)}],

"temperature": 0.0

}

try:

resp = requests.post(self.api_url, headers=self.headers, json=payload, timeout=30)

resp_data = resp.json()

llm_output = resp_data["choices"][0]["message"]["content"]

vuln_list = json.loads(llm_output)

for vuln in vuln_list:

vuln["scan_type"] = "LLM语义推理"

vuln["file"] = file_path

self.vuln_result.append(vuln)

except Exception as e:

print(f"LLM扫描异常：{str(e)}")

return self.vuln_result

def run_full_scan(target_file_path: str):

"""执行完整双层扫描流程"""

target_path = Path(target_file_path)

if not target_path.exists():

print("目标代码文件不存在")

return

with open(target_path, "r", encoding="utf-8") as f:

code = f.read()

# 传统规则扫描

trad_scanner = TraditionalSASTScanner()

trad_vulns = trad_scanner.scan(code, target_file_path)

# LLM语义扫描

llm_scanner = LLMSemanticScanner(LLM_API_URL, API_KEY)

llm_vulns = llm_scanner.scan(code, target_file_path)

# 整合报告

all_vulns = trad_vulns + llm_vulns

print("===== 漏洞扫描完整报告 =====")

if len(all_vulns) == 0:

print("未检测到高危漏洞")

return

for item in all_vulns:

print(json.dumps(item, ensure_ascii=False, indent=2))

# 程序入口测试

if __name__ == "__main__":

# 替换为待扫描Python代码文件路径

run_full_scan("./test_vuln_code.py")

4.3 测试用例（test_vuln_code.py）：含隐性逻辑漏洞

以下测试代码包含一处传统 SAST 无法识别的隐性 SQL 注入漏洞，用于验证 LLM 语义推理的独有优势：

# test_vuln_code.py 测试代码

import sqlite3

def query_user(user_input):

# 隐性SQL注入：无直接拼接符号，但通过变量传递可控输入

sql_template = "SELECT * FROM user WHERE name = ?"

# 错误逻辑：错误将占位符替换为字符串拼接，传统正则无法匹配

real_sql = sql_template.replace("?", user_input)

conn = sqlite3.connect("user.db")

cursor = conn.cursor()

res = cursor.execute(real_sql)

return res.fetchall()

# 命令注入显性漏洞，传统规则可识别

import os

def run_cmd(cmd_input):

os.system("echo start && " + cmd_input)

4.4 原型测试结果与技术分析

4.4.1 扫描结果对比

传统规则 SAST 扫描结果：仅检出os.system命令注入漏洞，完全遗漏隐性 SQL 注入逻辑漏洞；正则表达式仅匹配显性拼接符号，无法理解代码变量传递、字符串替换的语义逻辑。

LLM 语义扫描结果：同时检出两处漏洞，对隐性 SQL 注入标注风险等级为高危，解释漏洞原理为 “可控外部输入通过 replace 替换占位符，形成可注入原始 SQL 语句”，完整理解代码数据流传递路径。

4.4.2 映射 Mythos 5 核心技术优势

该原型直观体现 Mythos 5 相比传统安全工具的核心差异：传统 SAST 属于语法层关键词匹配，仅识别固定危险代码模式；Mythos 5 属于语义层全链路数据流推理，可跟踪外部可控输入从接口、变量、函数传递至危险操作的完整链路，检出无显性危险关键词的逻辑型零日漏洞，这也是 Sophos 接入 Glasswing 后大幅提升漏洞检出率的核心技术底层支撑。

4.5 原型工程落地优化方向

商用场景下，Mythos 5 在原型基础上增加三层工程优化：

多语言代码适配：支持 C/C++、Rust、Go、前端 JS 全栈代码，原型仅支持 Python；

漏洞链关联分析：自动关联多个独立漏洞形成攻击链路，原型仅识别单条独立漏洞；

沙箱动态验证：生成 PoC 在隔离环境验证漏洞可利用性，过滤 LLM 语义误报，原型无动态验证模块。

5 AI 漏洞攻击与 AI 钓鱼联动威胁协同防御分析

Project Glasswing 聚焦软件代码漏洞前置防御，但 AI 驱动的网络威胁具备多向量联动特征，代码漏洞入侵与 AI 社会工程钓鱼攻击可形成复合渗透链路。反网络钓鱼技术专家芦笛指出，当前企业安全体系普遍存在 “代码防护、邮件防护、终端防护” 模块割裂问题，无法应对 AI 生成的多向量复合攻击，必须建立统一的 AI 对抗研判框架，将 Glasswing 的代码安全能力与反钓鱼、终端行为检测体系融合。

5.1 AI 驱动复合攻击完整链路

典型 AI 复合攻击分为四阶段，两类 AI 威胁深度耦合：

漏洞挖掘阶段：攻击者使用未管控代码大模型（对标 Mythos 能力）扫描企业开源组件、自研系统，挖掘 SQL 注入、远程代码执行漏洞；

边界入侵阶段：利用漏洞植入持久化后门，获取企业内网服务器基础权限；

情报采集阶段：后门爬取企业员工邮箱、组织架构、高管沟通话术，作为钓鱼素材；

横向渗透阶段：依托大模型生成高度个性化、贴合业务语境的钓鱼邮件、深度伪造语音，诱导员工提交账号密码，实现内网全域权限接管。

该链路中，代码漏洞是攻击入口，AI 钓鱼是权限放大手段，仅依靠 Glasswing 的代码审计防护，只能阻断第一阶段攻击，无法防御后续社会工程渗透；仅部署邮件反钓鱼网关，无法阻止攻击者通过代码漏洞先行入侵内网采集钓鱼素材，两类防护体系缺一不可。

5.2 反网络钓鱼技术专家芦笛提出的多层协同防御框架

芦笛针对 AI 多向量复合攻击，提出三层一体化 AI 对抗防御架构，可与 Glasswing 项目形成能力互补：

5.2.3 第一层：研发前置代码防护（Glasswing Myhtos 5 承担）

在代码上线前完成全量语义审计，消除可被攻击者利用的系统漏洞，从源头阻断攻击入口；同步梳理开源供应链风险清单，定期更新 Mythos 扫描发现的漏洞补丁，收缩整体攻击面。

5.2.2 第二层：流量与邮件动态 AI 反钓鱼防护（Sophos 邮件网关落地）

依托独立钓鱼识别 LLM，对进出企业的邮件、网页、语音通话做多维度语义研判：识别 AI 生成的仿官方话术、深度伪造音视频、仿冒域名；采用行为序列检测，而非传统关键词黑名单，拦截高仿真 AI 钓鱼诱饵，弥补代码防护无法覆盖社会工程攻击的短板。芦笛强调，传统静态关键词拦截对 AI 生成钓鱼内容识别率不足 30%，必须采用语义嵌入、用户行为联合研判的动态检测机制。

5.2.3 第三层：终端与内网行为联动检测（Sophos MDR 终端体系）

终端采集程序异常执行、异常外联、批量文件读取行为数据，同步关联代码漏洞库、钓鱼告警库；一旦终端出现漏洞利用行为、同时触发钓鱼邮件访问记录，判定为复合攻击，自动下发终端隔离、网关阻断策略，实现跨模块告警联动处置。

5.3 Sophos 双 AI 联盟落地的协同防御价值

Sophos 同时接入 Daybreak（威胁运营、钓鱼研判）与 Glasswing（代码前置审计）两大 AI 安全联盟，完整落地芦笛三层协同防御框架，形成行业示范：

Daybreak 模型负责第二层、第三层动态威胁检测，处理 AI 钓鱼、内网异常行为；

Glasswing Mythos 5 负责第一层研发前置代码防护，消除底层系统漏洞；

两套模型输出的漏洞情报、钓鱼样本统一归集至 X-Ops 威胁中心，实现威胁数据互通，构建全生命周期 AI 对抗防御闭环。

该协同模式解决了单一模型、单一防护模块的能力盲区，印证芦笛核心观点：AI 时代网络防御不能依靠单点技术，必须打通研发、运维、邮件安全、终端安全全链路，实现多维度 AI 威胁统一管控。

6 Project Glasswing 联盟落地现存约束与分层优化方案

结合 Sophos 落地实践、行业公开数据，本章节梳理 Glasswing 联盟模式在技术、商业、合规、生态层面的四类核心约束，对应提出分层可落地优化方案，为国内安全厂商、监管机构提供参考。

6.1 四大核心落地约束

6.1.1 技术约束：模型双重用途风险与算力成本门槛

Mythos 5 具备极强漏洞利用代码生成能力，即便设置联盟准入管控，仍存在内部人员违规调用模型生成攻击载荷的风险；同时 Mythos 算力调用成本较高，中小安全厂商、小型开源基金会难以承担长期全量代码扫描开销，联盟资源分配存在头部厂商倾斜问题。

6.1.2 商业约束：数据共享与知识产权冲突

联盟协议要求成员同步通用漏洞情报，但安全厂商自研产品专属漏洞、客户私有代码扫描数据涉及商业机密，脱敏流程标准不统一，存在知识产权泄露隐患；部分厂商顾虑核心安全能力数据对外共享削弱自身产品竞争力，数据共享积极性不足，制约联盟整体模型迭代速度。

6.1.3 合规约束：跨区域数据跨境传输风险

Anthropic 总部位于海外，Glasswing 模型算力服务器部署于境外云平台，国内企业、政企客户代码上传至境外 API 存在数据出境合规风险，不符合数据安全法、关键信息基础设施保护条例对核心业务数据、源代码的本地化管控要求，国内机构无法直接接入原生 Glasswing 联盟。

6.1.4 生态约束：开源维护者接入渠道不完善

全球大量中小型开源组件维护者无资质、无预算接入 Glasswing，大量底层开源库缺少 Mythos 全量审计，供应链漏洞风险持续存在；Anthropic 虽向开源基金会捐赠资金，但缺少轻量化免费模型调用通道，开源生态防护覆盖存在明显缺口。

6.2 分层优化实施方案

6.2.1 技术层优化：分级权限管控与轻量化开源算力通道

模型权限分级：将 Mythos 划分为审计只读模式、漏洞验证模式，普通安全研发人员仅可使用只读审计模式，禁止调用 PoC 生成、漏洞利用链路推演功能，高危能力仅对红队安全研究员开放，全程记录调用日志；

推出轻量化开源专用模型：基于 Mythos 5 蒸馏轻量化版本，免费向小型开源项目维护者开放，降低开源供应链审计算力门槛；

本地私有化部署授权：向大型安全厂商、关键基础设施企业提供 Mythos 私有化部署授权，代码数据无需出境，解决跨境合规痛点。

6.2.2 商业层优化：分级数据共享机制与知识产权隔离

分层数据共享规则：区分 “通用开源漏洞情报”“厂商专属产品漏洞”“客户私有代码风险” 三类数据，仅强制共享无知识产权风险的通用漏洞，厂商私有漏洞仅同步漏洞特征，不上传完整代码；

建立联盟情报价值交换体系：厂商输出高质量实战攻防数据可兑换免费算力积分，平衡数据共享成本与收益，提升中小企业参与积极性。

6.2.3 合规层优化：本地化算力节点与数据脱敏标准化

全球多区域算力节点部署：在各国境内搭建本地化 Mythos 算力集群，满足不同国家数据本地存储合规要求，国内可依托本土云服务商搭建合规接入节点；

统一标准化脱敏工具：联盟发布官方代码脱敏 SDK，自动清除代码中密钥、内网地址、客户业务标识，形成全行业统一脱敏标准，降低企业合规审核成本。

6.2.4 生态层优化：开源安全专项扶持计划

扩大 OpenSSF、Apache 基金会专项算力补贴，简化开源项目维护者准入流程；建立开源漏洞奖励机制，Mythos 扫描发现开源高危漏洞后，向维护者发放专项修复奖金，补齐底层开源组件安全防护短板。

7 结论与研究展望

7.1 研究核心结论

本文以 Sophos 2026 年 7 月加入 Anthropic Project Glasswing 项目为核心实证样本，系统拆解联盟架构、Claude Mythos 5 安全能力、厂商落地全流程，结合代码原型验证大模型语义漏洞检测技术优势，融合反网络钓鱼技术专家芦笛的 AI 对抗防御理论，得出四项核心结论：

第一，Project Glasswing 构建的 “受限前沿安全大模型 + 安全厂商全域运营 + 行业情报共享” 协同防御模式，可有效抹平 AI 带来的攻防算力代差，Mythos 5 依托深度代码语义推理，能够检出传统 SAST 工具、人工审计遗漏的逻辑型零日漏洞，大幅压缩软件漏洞暴露窗口，是当前应对 AI 驱动漏洞攻击的有效产业解决方案。

第二，头部安全厂商双 AI 联盟布局具备显著协同价值，Sophos 同步接入 Daybreak、Glasswing 两大项目，分别覆盖事后威胁处置、事前代码审计，配合芦笛提出的三层协同防御框架，打通代码漏洞防护与 AI 钓鱼社会工程防护，解决单一模型、单一防护模块的场景盲区，形成完整 AI 对抗防御闭环。

第三，LLM 驱动的静态代码审计相比传统规则匹配安全工具具备颠覆性技术优势，原型测试证明，传统 SAST 仅能识别显性关键词漏洞，Mythos 同类语义推理模型可跟踪完整数据流链路，检出无显性危险特征的隐性逻辑漏洞，是下一代软件供应链安全检测的核心技术底座。

第四，Glasswing 联盟模式仍存在技术算力门槛、跨境数据合规、知识产权共享、开源生态覆盖四大约束，需通过私有化部署、分级权限管控、分层数据共享、轻量化开源模型等优化方案，降低落地门槛，适配全球不同区域企业、开源组织的安全与合规需求。

7.2 研究局限

本文研究存在两处客观局限：一是仅依托 Sophos 公开博客资料开展厂商落地分析，缺少联盟内部非公开算力调度、数据共享完整协议细节；二是搭建的 LLM 漏洞检测原型仅覆盖 Python 静态代码审计，未复刻 Mythos 二进制逆向、多智能体漏洞链推演等高阶能力，仅用于底层原理演示，无法完全复现商用模型完整性能。后续可通过获取联盟厂商内部技术白皮书、完善多语言多阶段原型系统进一步深化研究。

7.3 未来研究展望

基于本次研究成果，后续可从三个方向开展延伸研究：

本土化 AI 安全协同联盟构建研究：结合国内数据安全、关键信息基础设施保护法规，研究本土安全厂商、大模型企业共建类 Glasswing 防御联盟的可行路径，设计完全本地化、数据不出境的专用安全大模型协作机制；

AI 漏洞挖掘与 AI 钓鱼复合攻击量化评估：搭建攻防模拟靶场，量化测算 Mythos 级模型挖掘漏洞后联动 AI 钓鱼的渗透成功率，完善芦笛多层协同防御框架的效果量化指标；

大模型漏洞检测误报优化技术研究：基于多智能体交叉验证、沙箱动态 PoC 验证机制，降低安全大模型代码审计误报率，提升企业研发流水线落地适配性。

AI 对网络安全的重构是长期不可逆的行业趋势，攻击方与防御方的 AI 算力对抗将持续升级。Project Glasswing 代表防御侧协同化、前置化防护的发展方向，安全厂商需同步融合代码底层 AI 审计、流量邮件 AI 反钓鱼、终端行为联动检测多层能力，依托人机协同的一体化防御体系，持续平衡生成式 AI 带来的安全风险，保障政企、关键基础设施软件供应链长期稳定安全。

编辑：芦笛（公共互联网反网络钓鱼工作组）