本文版权为《邮电设计技术》所有，如需转载请联系《邮电设计技术》编辑部
摘 要：随着网络攻击手段的不断进化，传统的安全模型难以应对日益复杂的威胁环境。提出了一种基于深度学习的零信任策略管控与异常检测算法，旨在提高系统的安全性与效率。通过实验验证，该算法在识别恶意行为方面表现出色，并能有效降低误报率。
关键词：零信任；深度学习；策略管控；异常检测
doi：10.12045/j.issn.1007-3043.2025.09.004
研究背景与现状
1.1 零信任架构
1.1.1 核心理念转变
零信任安全模型（ZeroTrust Architecture，ZTA）作为新一代网络安全架构，其核心原则“永不信任，始终验证”正深刻改变着传统边界防御体系，要求对每个访问请求进行动态授权。其核心是通过“动态访问控制”和“最小权限原则”重构了安全边界，将防护焦点从网络边界转移到用户、设备和资源本身，实现资源访问的精细化控制。根据NISTSP800-207标准，ZTA的六大支柱包括身份、终端、网络环境、应用负载、数据及安全管理。
1.1.2 现有策略管控与异常检测机制痛点
当前主流ZTA实施方案存在显著局限性，现有机制仍面临的主要挑战包括策略管控静态化、异常检测高误报率以及响应机制非自动化（见表1）。
a）策略管控静态化。多数系统依赖基于角色的访问控制（RBAC），权限分配滞后于网络环境和用户行为变化。例如，金融行业访问策略更新周期长达 24 h，无法应对内部威胁的瞬时爆发。
b）异常检测高误报率。传统规则引擎（如Snort）或统计模型（如孤立森林）对新型攻击模式泛化能力差。Forrester报告指出，企业平均每日处理误告警超1万条，人工筛查成本占安全预算的40%。
c）响应机制非自动化。策略违反后的处置依赖人工研判，平均响应延迟达120ms以上，无法满足当前高速网络和移动互联网时代毫秒级威胁遏制需求。
