新技术的运行速度意味着，人工智能赋能的工作流程可能在数秒内使组织内部数据暴露于网络攻击。
例如，去年据 IBM 和 Ponemon Institute 的研究，企业每起数据泄露事件估计支付了 444 万美元。
但零信任架构能够建立更强的以身份为中心的安全控制，并更快地遏制泄露，从而有望降低数据泄露成本。
在网络安全领域，最有说服力的论据往往关乎成本。
据估计，2025 年企业数据泄露事件的全球平均成本为每起事件 444 万美元，根据IBM 和 Ponemon Institute的研究。具体而言，医疗保健领域的数据泄露事件平均每起造成 742 万美元损失，且识别和遏制所需时间最长。与此同时，人工智能（AI）系统正不断扩大与敏感数据互动的人类和机器主体的数量。
成本固然重要，框架也同样重要。如今占主导地位的网络安全框架之一是零信任架构（ZTA）。ZTA 摒弃了较早的“城堡与护城河”假设，即组织网络边界内的主体天然值得信任；它以持续验证用户、设备、应用程序和工作负载为基础。
尽管 ZTA 可能需要大量前期投入，IBM-Ponemon 的研究表明，这类更强的以身份为中心的安全控制以及更快的泄露遏制措施，有助于降低泄露成本。
因此，零信任已成为应对云安全和以身份为中心的安全挑战的基础性架构方案。但如果组织用于保护身份、设备、网络和应用程序的工具失效，数据越出预定边界，会发生什么？
在人工智能时代，这种情况越来越可能发生，也凸显出对以数据为中心的控制措施的需求：即使敏感信息离开获准访问的环境，这些措施仍能保护它。
日益增长的网络安全风险因素
尽管 ZTA 日趋成熟，但它旨在保护的领域已变得更加复杂。
首先，在组织内接触敏感信息的实体已远不止人类，还包括服务以及自主或半自主的软件代理。IBM-Ponemon 的研究指出，人工智能监督已成为企业、政府和其他组织日益增大的风险因素；人工智能治理方面的缺口可能增加它们遭受网络攻击的风险。
广泛使用的分类体系针对使用大型语言模型（LLM，即生成式人工智能所依托的神经网络）的应用，强调了提示注入和敏感信息意外披露等反复出现的风险。这些风险可能使合法访问在机器速度下演变为非预期的信息泄露。
在实际中，这意味着人工智能赋能的工作流程可能在数秒内暴露组织的内部数据，或使其敏感信息扩散到不同系统。
这一领域日益复杂的第二个原因，是敏感数据的范围不断扩大，已涵盖丰富的媒体流。随着计算机视觉的发展，像素模糊等技术所能提供的保护可能不如过去所认为的那么有效。
近期研究显示，从模糊图像中还原人脸以及恢复像素化人脸信息方面已有进展。结果是，身份经过有意遮蔽的人所获得的隐私保护有所减弱；这些人可能是犯罪受害者或目击者、政治示威参与者，也可能是在敏感医疗环境中的客户或患者。
为应对这些发展，隐私增强技术重新受到关注。总体而言，这些工具旨在减少敏感数据在分析、共享或协作过程中的暴露。例如，它们可以让组织分析客户、健康或财务数据，而不必向每位参与者完全披露底层信息。
但许多技术侧重于保护计算过程或受治理的数据交换，却没有同时保护那些离开获准访问环境的数据。
另一种网络安全防护方式
敏感数据持续面临潜在暴露风险，这表明需要增加一层互补防护：通过加密实施以数据为中心的访问控制。大多数零信任控制措施作用于系统边界。以数据为中心的加密则将控制执行转移到数据本身。其思路是把访问策略嵌入加密数据中，让解密权限随数据一同传递。
一种获标准认可、用于增强隐私的加密访问控制策略嵌入机制称为基于属性的加密（ABE）。ABE 不以计算或数据交换为重点，而是解决如何对可能被复制、存储、再次共享或泄露的数据实施访问规则的问题。例如，在 ABE 机制下，即使敏感文件、医疗记录或监控视频遭到泄露，也只有获授权用户才能访问。
世界经济论坛如何帮助领导者了解网络风险并增强数字韧性
网络安全中心提供一个值得信赖的平台，让领导者齐聚一堂，理解不断演变的网络风险及其系统性影响。该中心致力于在日益互联的数字世界中增进理解与信任。
通过促进跨行业协作和洞见分享，该中心帮助合作伙伴增强网络韧性，并应对需要集体行动的挑战。
过去二十年间，学术界和业界的研究推动了以数据为中心的加密方法的发展，尽管与许多其他隐私和安全技术相比，这些方法在主流网络安全讨论中受到的关注较少。
不过，现在或许正是更清楚地展示这些技术如何融入零信任框架
与其他技术一样，有效部署数据层加密取决于稳健的设计和管理。美国国家标准与技术研究院（NIST）2023 年的一项分析对基于 ABE 的访问控制进行了研究，指出了密钥管理、权限设计和策略配置错误等问题。在实际中，高级网络安全与其说是单一产品的选择，不如说是一种持续运行的模式。
数据隐私工具的组合方案
零信任已不能再仅仅被视为网络和身份安全议题。
在由人工智能塑造的经济中，网络安全领导者需要采取组合式思路，考虑非人类身份、自主工作流程以及日益敏感的数据。一些隐私增强技术可以支持安全协作和分析，而以数据为中心的密码学控制则有助于在数据越出原有控制范围时遏制其暴露。
没有一种隐私技术能够在所有情况下都最优。相反，多层技术可以协同发挥作用，最大限度地减少数据泄露及其成本。在人工智能驱动的环境中，数据流动的速度和范围已超出传统控制措施的设计能力，因此值得认真考虑在数据本身这一层实施安全控制。
