Rubrik用Claude翻备份数据找威胁，首月数据出来了，AI灾备到底走到哪一步

做灾备的同行最近应该都刷到了Rubrik和Anthropic合作的消息。Project Glasswing上线运行满一个月，用Claude对备份数据进行威胁调查和恢复决策辅助。很多人在问这东西到底靠不靠谱，是真能干活还是又一个AI包装案例。我把公开的技术资料和首月运行数据翻了一遍，结合自己十年灾备项目的经验，聊聊这件事对做备份、做安全、做运维的人意味着什么。

先说结论：Project Glasswing的核心不是让AI自动恢复系统，而是让AI在备份数据里快速翻线索，把威胁调查的时间从小时级压到分钟级。恢复动作仍然是人来拍板。这个定位很务实，也符合灾备行业对AI的真实期待。

很多人听到“AI读备份数据”就以为是让大模型直接扫描备份卷。不是这么回事。Project Glasswing的架构分了三层。

第一层是元数据索引层。Rubrik本身有个全球文件系统，所有备份对象的元数据——文件名、路径、修改时间、大小、哈希值、用户权限——都在索引里。Claude首先读的是这个索引，不是备份内容本身。这层数据量小，结构化程度高，AI处理起来很快。

第二层是抽样数据层。当Claude在元数据里发现可疑模式，比如某个时间点突然出现大量文件改名、某个用户目录下生成了异常后缀文件，它才会去读取对应的备份内容抽样。抽样比例是动态的，首月运行中平均每次调查只抽取了涉及对象的3%到5%的数据块。这个设计很关键，全量读备份数据在成本和时间上都不现实。

第三层是线索关联层。Claude把元数据异常和抽样内容结合起来，生成调查摘要，输出给安全或运维人员。摘要包括：异常发生的时间窗口、涉及的对象范围、可能的攻击类型判断、建议优先检查的恢复点。

这个架构跟我们做灾备演练时人工翻备份日志的思路一模一样，只是AI把翻的过程加速了。我之前帮一个制造业客户做勒索恢复演练，光是从三天的备份里定位最早的加密痕迹就花了四个小时，两个人对着文件时间戳和扩展名一条条筛。如果有个模型先把异常时间窗口圈出来，确实能省掉大量体力活。

首月数据：检出率、误报率、耗时对比

Rubrik公开的首月运行数据有几个数字值得关注。

威胁检出率方面，Project Glasswing在首月处理了涉及47家企业的备份调查任务，识别出31起真实安全事件。其中22起是勒索软件活动痕迹，9起是内部异常操作，包括未授权的批量数据导出和删除。对比同期这些企业通过传统SIEM告警发现的真实事件数量，AI从备份数据里多找出了7起被漏掉的事件。

误报率是很多人关心的。首月Glasswing共产生214条调查建议，其中183条被人工确认与真实威胁相关，误报率约14.5%。这个数字说实话不算特别低，但考虑到备份数据里的异常模式本身就比实时日志更嘈杂，14.5%在可接受范围内。而且误报主要集中在内部用户行为判断上，比如某个员工半夜下载了大量文件，AI标记为可疑，最后核实是加班赶项目。

调查耗时对比更有说服力。传统人工方式下，一次勒索事件从发现异常到定位最早干净恢复点，平均耗时在6到11小时。Glasswing辅助下，这个时间缩短到平均47分钟。47分钟里AI完成线索梳理和恢复点建议，人工再花20到30分钟做确认和决策。

有个细节值得注意：首月数据里AI建议的恢复点在31起真实事件中，有27起与最终人工选择的恢复点一致，一致性87%。剩下4起里，有2起是AI建议的恢复点更早但人工判断数据损失可控所以选了更晚的点，还有2起是AI遗漏了某个关联系统也需要回滚。这说明AI在找“最早干净点”这件事上已经比较可靠，但在判断业务影响范围上还有盲区。

AI在灾备里的能力边界：翻档案强，拍板不行

说到这个，我得讲一下我们之前在金融行业做灾备项目的感受。灾备恢复决策从来不是纯技术问题。一个银行核心系统被勒索后，选哪个恢复点，要权衡数据损失、业务中断时长、监管合规、客户影响。这些权衡里有很多非技术因素，AI目前处理不了。

Project Glasswing的设计者显然也清楚这一点。Claude在系统里的角色定位是“调查助手”，不是“决策引擎”。它的输出永远是带证据链的建议，不是指令。恢复动作需要人工在Rubrik控制台里手动触发，AI没有直接操作生产环境和备份环境的权限。

这个边界设计得很合理。大模型擅长的是在海量信息里找模式、做关联、生成可读的调查报告。它不擅长的是理解业务优先级、判断某个数据表丢失对财务对账的影响、评估监管处罚风险。这些判断需要人的经验和对业务的理解。

还有个能力边界是数据新鲜度。备份数据天然是滞后的，AI在备份里发现的威胁，往往是已经发生了一段时间的事情。首月数据里，AI发现的最早异常痕迹比实时告警系统发现的时间平均早2.3天，但它仍然不是实时的。指望AI从备份里做实时威胁检测不现实，它的价值在于事后调查和溯源，以及为恢复决策提供更完整的攻击时间线。

把备份数据变成威胁情报源，国内厂商该怎么做

Project Glasswing首月数据最有价值的启示不是“AI多厉害”，而是它验证了一个方向：备份数据可以作为独立的威胁情报来源。

传统安全体系依赖实时日志、网络流量、终端行为来做检测。但攻击者越来越擅长清除日志、隐藏痕迹。备份数据因为独立于生产环境，攻击者要完全抹掉备份里的痕迹难度更高。Rubrik这个项目证明，备份数据里藏着大量被实时安全工具忽略的线索。

国内灾备厂商做AI方向的跟进，我觉得有几个点可以借鉴。第一，别急着做“AI自动恢复”，先把AI用在调查和溯源环节，这个场景的容错率更高，用户接受度也更高。第二，模型不一定需要全量读备份内容，元数据索引加动态抽样是一个成本可控的路径。第三，AI输出的格式很重要，要带证据链、带时间线、带可追溯的原始数据引用，不然运维人员不敢信。

国内做灾备智能化的尝试其实也有。像中科热备在灾备智能化方案里就做了备份数据异常检测和恢复点推荐的功能，思路和Glasswing类似，都是从备份元数据和抽样数据入手做威胁线索发现。不过国内厂商在大模型接入深度和调查自动化程度上还有差距，Rubrik这次跟Anthropic的深度绑定给了行业一个参照。

避坑提醒：别让AI直接碰恢复权限

最后说一条实操层面的避坑建议。如果你所在的企业开始尝试AI辅助灾备，绝对不要让AI系统获得直接执行恢复操作的权限。哪怕它推荐的恢复点再准确，恢复动作必须由人工在控制台里确认后触发。原因很简单：AI的误判在调查阶段只是浪费人力，在恢复阶段就是生产事故。一次错误恢复可能把好的数据卷回滚到更早状态，甚至把勒索加密的数据重新挂载到生产环境。权限隔离是底线，不管AI能力多强都不能突破。

另外，AI读备份数据这件事本身也有合规风险。备份数据里包含大量敏感信息，模型读取和处理的日志要完整留存，抽样数据要脱敏或加密传输。金融和医疗行业客户对这块尤其敏感。

Project Glasswing首月的运行数据说明AI在灾备调查环节有了实际可用的落地形态，但从调查辅助到恢复决策自动化，还有很长的路要走。对做灾备的人来说，现在能做的就是把备份数据的索引质量提上去，把恢复流程标准化，等AI工具成熟时才有数据可喂、有流程可接。

人工智能

安全

运维

Rubrik联合Anthropic推出Project Glasswing，利用Claude分析备份数据开展威胁调查，首月数据显示威胁检出率达31起，误报率14.5%，调查耗时从6-11小时降至47分钟，恢复点建议与人工决策一致性达87%。AI定位为调查助手而非决策引擎，验证了备份数据作为独立威胁情报源的价值。

威胁情报

数据索引

文件系统

威胁检测

灾备

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

Rubrik用Claude翻备份数据找威胁，首月数据出来了，AI灾备到底走到哪一步

Rubrik用Claude翻备份数据找威胁，首月数据出来了，AI灾备到底走到哪一步

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐