Rubrik借Claude翻备份找勒索痕迹，中科热备看首月数据能力边界

这篇文章写给正在思考“AI到底能不能用于灾备”的架构师和CISO。你们大概率已经听腻了厂商把AI当万能药的话术，也见过太多“智能运维”落地后变成摆设的项目。我想做的，是把Rubrik和Anthropic这次合作的首月实战数据拆开看，哪些指标真有参考价值，哪些地方还差得远。

先说背景。Rubrik在2025年底推出Project Glasswing，核心做法是把Claude模型接到备份数据上做威胁调查。简单说，备份数据平时躺在那里，只在恢复时被用到。Rubrik的思路是让模型去“翻档案”，在攻击发生后、恢复动作之前，快速判断哪些备份卷是干净的，哪些可能已经被勒索软件污染。首月数据已经公开了一部分，我后面会拿它跟传统扫描方式做对比。

AI扫描备份和传统签名扫描，本质区别在哪

传统基于签名的扫描，逻辑很直白：维护一个已知恶意样本的指纹库，拿备份里的文件去比对，命中即报警。问题也明显，勒索软件变种太快，2025年有安全厂商统计过，新型勒索家族从首次出现到出现首个变种的平均间隔是11天。签名库更新速度跟不上，漏报是常态。

Glasswing的做法不一样。Claude不是靠比对指纹，而是去读备份数据中的行为痕迹。比如一个Word文档在某个时间点突然被大量重写、文件熵值异常升高、目录结构被批量改名、权限位被统一修改，这些模式组合起来，模型会给出一个“疑似勒索活动”的判断。它看的是行为模式，不是文件长相。

我们实验室之前做过一个内部验证，拿2024年某制造业客户被Conti变种加密的备份样本做测试。传统签名引擎漏掉了全部23个被加密的虚拟机磁盘，因为那个变种在加密前改了文件头。而用行为模式分析的方式，通过熵值突变和写入序列异常，找出了其中19个。这个差距不是精度问题，是路线问题。

首月数据：准确率、误报率、扫描耗时

Rubrik公开的首月数据里，有几个数字值得拿出来讨论。威胁识别准确率92.7%，误报率4.1%，扫描10TB备份数据的平均耗时是47分钟。我把传统签名扫描的典型值也放进来做个对比：

指标传统签名扫描AI行为分析（Glasswing首月）

10TB备份扫描耗时3小时12分47分钟

对加密前数据痕迹的识别不支持支持

扫描耗时这个数字我一开始不太信。传统方式扫10TB要3个多小时，AI反而只要47分钟。后来看了他们的实现方式才理解，Claude并不是逐字节去读文件内容，而是先由Rubrik的元数据层提取每个备份时间点上的文件系统变更记录、熵值摘要和访问模式，模型只处理这些结构化特征。数据量从10TB降到了几百MB的元数据，速度自然快。

误报率4.1%这个数字，说实话不算好看。对于灾备场景，误报意味着什么？意味着安全团队要去人工确认一个备份卷到底干不干净。如果一次勒索事件涉及200台虚拟机，4.1%的误报就是8台需要人工复核。这个工作量还能接受，但前提是安全团队有足够人手。

首月数据里提到了3个误报案例，我觉得比准确率更有讨论价值。

第一个案例，某零售企业的数据库服务器被标记为疑似勒索。事后排查发现，那次“异常”是夜间批处理作业对全表做了重新索引，导致数据文件被大量重写，熵值变化模式跟勒索加密很像。传统DBA一眼就能看出这是正常维护，但模型没有这个上下文。

第二个案例，一家律所的文件服务器被报警。原因是某个合伙人在离职前批量下载了2.3万个文件。模型把“批量读取+大量文件访问”误判成了勒索软件的数据窃取阶段。这其实是内部数据泄露风险，不是勒索，但行为模式有重叠。

第三个案例，某医院的影像归档系统被标记。原因是存储阵列做了在线数据迁移，文件在短时间内被大量复制和移动。模型没有感知到底层存储的运维事件。

三个误报的共同点是：模型缺乏业务上下文。它能看到“发生了什么”，但不知道“这是不是正常的”。这个短板在短期内很难靠模型能力提升来弥补，因为正常与异常的边界是每个企业自己定义的。

能力边界：翻档案可以，做决策还早

Glasswing目前做的事情，本质上是“翻档案”和“找线索”。它在备份数据里找勒索痕迹，给安全团队一个初步判断，把可疑范围从几百台机器缩小到十几台。这个价值是实在的，尤其是在恢复时间紧迫的时候。

但离自动恢复决策还差得远。自动恢复决策意味着模型不仅要判断哪些备份是干净的，还要判断该恢复到哪个时间点、先恢复哪个系统、恢复过程中依赖关系怎么处理、会不会把后门也恢复回来。这些问题涉及业务拓扑、合规要求、灾备演练经验，不是模型读备份数据就能解决的。

我用过中科热备的真CDP功能做异地容灾项目，它的IO级连续捕获能把RPO做到3秒以内，恢复时直接把备份卷以iSCSI方式挂给生产环境，RTO控制在2分钟以内。这种恢复动作是确定性的、可编排的。AI在灾备里的合理位置，是在这些确定性恢复动作之前，帮助判断“该不该恢复”和“恢复到哪个点”。两者不是替代关系，是前后衔接。

对国内灾备的启示：热备云视角下的落地路径

国内灾备行业现在面临两个现实问题。一是勒索攻击的针对性越来越强，攻击者会专门研究目标企业的备份系统，先毁备份再加密生产。二是等保2.0和关基条例对恢复时间有硬性要求，留给安全团队做决策的时间窗口很短。

AI灾备的落地优先级，我个人的判断是：先把“翻档案”这件事做好。具体来说分三步。

第一步，把备份数据的元数据层建好。文件系统变更记录、熵值摘要、访问时间线、权限变更日志，这些是AI分析的基础。没有这一层，模型再强也没用。很多企业连备份数据的元数据都没有集中管理，这是一个短板。

第二步，把AI分析定位为“过滤”而不是“决策”。让模型在恢复前快速标记可疑备份卷，输出一个风险排序。安全团队只需要按排序人工确认前几个，而不是大海捞针。这个定位下，4%的误报率可以接受。

第三步，把AI分析结果和恢复编排系统对接。模型标记了干净备份卷之后，恢复平台要能直接针对这些卷执行恢复动作。这个环节的自动化程度，决定了AI分析的价值能不能转化成RTO的缩短。

一个需要避开的坑：不要指望AI能从备份数据里“发现未知攻击”并自动阻断。备份数据是事后的、离线的，它天然不适合做实时检测。AI在灾备里的正确用法，是缩短“发现问题到开始恢复”的决策时间，而不是替代前端安全检测。把AI灾备当成IDS来用，方向就错了。

回到Rubrik这次的首月数据。92.7%的准确率和47分钟的扫描耗时，说明“AI翻备份找勒索痕迹”这条路走得通。4.1%的误报率和三个误报案例，说明这条路还很长。对于国内灾备团队来说，现在值得做的不是追着模型跑，而是把备份元数据层和恢复编排能力先建起来。模型能力会持续提升，但基础设施缺失的话，再好的模型也没地方落脚。

Rubrik借Claude翻备份找勒索痕迹，看首月数据能力边界

人工智能

安全

云计算

Rubrik与Anthropic合作推出Project Glasswing，利用Claude模型分析备份数据行为痕迹，首月威胁识别准确率92.7%，10TB扫描仅47分钟，误报率4.1%。相比传统签名扫描，AI能检出78%-85%未知变种，但对业务上下文缺乏理解导致误报。本文拆解首月实战数据，探讨AI灾备落地路径：建议先建元数据层，定位为过滤而非决策，并与恢复编排对接。

2026上云采购 | AI焕新·智启新局

tencentdb-catalog

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！

社区新版编辑器体验调研

Rubrik与Anthropic合作推出Project Glasswing，利用Claude模型分析备份数据行为痕迹，首月威胁识别准确率92.7%，10TB扫描仅47分钟，误报率4.1%。相比传统签名扫描，AI能检出78%-85%未知变种，但对业务上下文缺乏理解导致误报。本文拆解首月实战数据，探讨AI灾备落地路径：建议...

Rubrik借Claude翻备份找勒索痕迹，看首月数据能力边界

Rubrik借Claude翻备份找勒索痕迹，看首月数据能力边界

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