二、虚拟运营全流程管理

虚拟运营流程图

● 预训练大模型构建：使用网络安全监督和无监督数据对基座大模型进行深度预训练，构建一个稳固且可扩展的工业网络安全大模型框架，确保其在网络安全领域具备出色的洞察力和预测能力。

● 模拟运营作战室：在预训练大模型之上，构建一个高度仿真的运营作战室模拟环境。该环境集成了安全专家、应急处置员、风险控制员、检测工程师、运营工程师、运维工程师等多个AI角色，能够全面模拟真实的网络安全运营场景。每个角色都具备专业的安全知识和丰富的经验，能够7x24不间断工作，显著提升安全运营的效率和质量。

● 收集态势感知数据：态势感知平台即工业互联网安全监测分析系统（INSSA），一方面，作战室模拟环境实时收集来自网络各个角落的态势感知数据，包括但不限于流量分析、入侵检测、漏洞扫描等，高风险告警及事件将实时输入作战室，由运营工程师进行分析并下发作战指令。另一方面，来自作战实验室的安全专家在进行分析时，可灵活调用态势感知平台的智能体，进行多维度研判参考。

● 响应处置组件：经作战室安全专家深入的分析和研判，识别出高危安全事件。为有效应对这些紧急情况，将联动终端响应处置组件对已识别的威胁进行威胁封堵与查杀，防止威胁进一步扩散，减少对组织运营的影响。

三、操作实战

第一、态势感知发现事件，通知虚拟作战室。

第二、运营工程师接事件，下达作战指令。

第三、应急处置员收到指令，封禁IP。

第四、风险控制员收到指令，调阅原始数据。

第五、检测工程师调用智能体，入侵检测。

第六、安全专家查阅情报并设置提示词给大模型自动研判。

第七、大模型推理并返回研判结果给态势感知系统。

1. 实现AI角色间的无缝协同：精准模拟真实运营团队的高效工作流程，为安全运营提供全方位、智能化的支持。此外，系统灵活设计，支持人类工程师在关键时刻无缝介入，实现从全自动化的“AI自动驾驶”模式平滑过渡到精细化的“手动操作”模式，确保运营的灵活性与可靠性。

2. 持续学习与进化：利用机器学习技术不断累积实战经验，自主优化威胁检测策略与响应机制，为AI铺设一条自我成长的阶梯，推动其能力与智慧的持续攀升。

3. 依托前沿的大语言模型技术：我们的系统融合了深度学习与自然语言处理的精髓，赋予AI角色卓越的分析洞察力和精准决策能力，为安全运营带来前所未有的智能体验。

4. 深度集成：基于威斯尼斯人wns2299cn态势感知产品的技术积累，支持安全检测、知识图谱、XDR等等主流安全产品的无缝对接，并内置安全场景模板，实现从分析到响应的全流程自动化。

5. 安全行业提示词模板：内置提示词模版是专为AI角色设计的输入文本，它们被精心构造以引导AI模型生成符合特定角色职责的响应或执行特定任务。通过这些精准设计的提示词，AI模型能够更有效地模拟人类专家的行为，为组织提供高效、准确的安全与运营支持。

提示词案例一

提示词案例二

1. 基座：GLM-4-9B-Chat，支持包括日语，韩语，德语在内的 26 种语言，同时具备网页浏览、代码执行、自定义工具调用（Function Call）和长文本推理（支持最大 128K 上下文）等高级功能，在语义、数学、推理、代码和知识等多方面的数据集测评中表现出卓越性能。

2. 无监督数据集：安全书籍，安全知识库，安全论文，安全社区文章，漏洞库等等安全内容。

3. 有监督数据集：构造各类有监督安全能力数据集，让模型能了解各类安全指令。

4. 微调技术：基于LoRA做预训练和SFT训练，优化后的训练代码展示了训练的底层知识，同时大幅减少训练的显存占用。

LoRA 结构

5. 预训练过程:

LLMs确定性响应评估指标

2. 参数范围的性能：测试LLMs在不同参数设置下的性能，例如重要程度参数（控制输出的随机性）和top p参数（控制输出多样性）。用于确定最佳的参数配置，以便在实际应用中获得最佳性能。

参数设置：

重要程度参数：范围从0.1到0.9，步长为0.2。

LLMs参数范围的性能评估指标

3. 提示的多样性：通过使用不同的提示（prompts）来测试LLMs，以评估它们对不同输入方式的适应性。提示可能包括直接提问、角色扮演、逐步推理等多种形式。

LLMs提示的多样性评估指标

威斯尼斯人wns2299cn凭借在网络安全态势感知领域的深耕细作，打造了AI虚拟运营团队这一里程碑式的产品。在网络安全领域，公司身处大模型应用的前沿，利用先进的智能体调用技术，无缝调度外部资源乃至真实世界中的安全力量，成功实现了技术突破。这一创新的实践成果离不开技术团队深厚的技术底蕴与运营经验，特别是在不同行业集团企业安全运营的长期积累。