Bộ khung bảo mật đa tác nhân của Cloudflare giúp giảm mệt mỏi vì cảnh báo

Vào ngày 7 tháng 10 năm 2026, Cloudflare đã công bố chi tiết về kiến trúc đa tác nhân AI mới cho các hoạt động bảo mật trong dịch vụ Managed Defense. Hệ thống này giải quyết "nghịch lý cảnh báo", khi số lượng lớn thông báo bảo mật làm quá tải các nhà phân tích con người bằng cách tự động hóa việc thu thập dữ liệu và phân loại ban đầu. Cách tiếp cận này sử dụng các tác nhân chuyên biệt thay vì một mô hình chung duy nhất nhằm nâng cao độ chính xác và giảm thiểu hiện tượng ảo giác.

Điều gì đã xảy ra

Các đội ngũ bảo mật thường xuyên phải đối mặt với làn sóng cảnh báo đòi hỏi sự liên kết thủ công để xác định xem chúng là mối đe dọa thực sự hay chỉ là nhiễu. Đội ngũ kỹ thuật của Cloudflare nhận thấy rằng nguyên mẫu ban đầu, vốn dựa vào một tác nhân AI chung để quản lý toàn bộ quy trình điều tra, gặp nhiều vấn đề về độ tin cậy. Tác nhân này thường xuyên đưa ra những tuyên bố không có bằng chứng hỗ trợ do dữ liệu telemtry, chi tiết chính sách và thông tin tình báo về mối đe dọa bị gộp chung vào một prompt duy nhất. Điều này khiến vai trò riêng biệt của các nguồn dữ liệu khác nhau bị hòa lẫn, dẫn đến ba chế độ lỗi cụ thể: nhầm lẫn ngữ cảnh với thẩm quyền, phạm vi áp dụng bị trôi dạt giữa các tài khoản hoặc khoảng thời gian, và các trạng thái thất bại mơ hồ nơi timeout được hiểu như kết quả tiêu cực.

Để giải quyết những vấn đề này, Cloudflare đã tái cấu trúc quy trình làm việc thành giai đoạn trinh sát xác định (deterministic) theo sau bởi phân tích AI chuyên biệt. Trước khi bất kỳ mô hình ngôn ngữ lớn nào được gọi, mã ứng dụng sẽ thực thi các quy trình trinh sát cố định sử dụng các lệnh gọi API có phiên bản. Quá trình này thu thập danh tính khách hàng, lịch sử phát hiện, đường cơ sở lưu lượng truy cập và kết quả thực thi, lưu trữ mỗi phần dữ liệu cùng với nguồn gốc và mốc thời gian. Bằng cách tách biệt việc thu thập bằng chứng khỏi suy luận, hệ thống đảm bảo dữ liệu đầu vào nhất quán và có thể tái tạo, cho phép các chuyên gia diễn giải các ảnh chụp tĩnh thay vì lấy dữ liệu trực tiếp có thể thay đổi giữa các lần chạy.

Bộ khung mới lọc bỏ nhiễu sớm bằng Clef, mô hình ra quyết định mã nguồn mở của Cloudflare chạy trên Workers AI. Các cảnh báo có khả năng cao là dương tính giả được phân loại là thụ động và giữ ngoài hàng đợi hoạt động. Đối với các cảnh báo cần xem xét sâu hơn, một tác nhân điều phối sẽ triển khai bốn tác nhân chuyên gia song song: một cho phân tích lưu lượng, một cho ngữ cảnh khách hàng, một cho telemetry toàn cầu và một cho thông tin tình báo về mối đe dọa. Sau đó, một tác nhân tổng hợp kết hợp các phát hiện có kiểu dữ liệu rõ ràng này thành một khuyến nghị duy nhất, giới hạn trong từ vựng được phê duyệt và không thể tự độc lập lấy thêm bằng chứng mới.

Cách thức hoạt động

Đổi mới cốt lõi nằm ở việc giữ lại quá trình thu thập bằng chứng và thực thi phạm vi trong mã ứng dụng thay vì phụ thuộc vào kỹ thuật prompt engineering. Hệ thống tạo ra một gói bằng chứng có phiên bản bao gồm chủ thể, phạm vi, mốc thời gian và bằng chứng được chấp nhận. Các tác nhân chuyên gia phải trích dẫn các mục từ gói này, và mã ứng dụng xác minh rằng mọi trích dẫn đều tồn tại và hỗ trợ cho tuyên bố. Nếu một tra cứu thất bại hoặc hết thời gian chờ, hệ thống ghi nhận rõ ràng khoảng trống đó là "chưa kiểm tra" thay vì nhầm lẫn nó với "đã kiểm tra và không tìm thấy". Sự phân biệt này ngăn chặn mô hình đưa ra các giả định dựa trên dữ liệu thiếu.

Ngữ cảnh toàn cầu được tích hợp mà không xâm phạm quyền riêng tư của khách hàng. Chuyên gia telemetry toàn cầu so sánh một cảnh báo với các mẫu tổng hợp được quan sát trên toàn mạng lưới Cloudflare, chẳng hạn như liệu một IP đang quét hàng nghìn trang web hay xuất hiện lần đầu tiên. Nó không bao giờ truy cập vào các bản ghi cá nhân từ những khách hàng khác. Tác nhân tổng hợp cân nhắc uy tín toàn cầu này với lịch sử cụ thể của khách hàng, đảm bảo rằng các mẫu phổ biến không tự động kích hoạt phản ứng sự cố cho các hoạt động vô hại cô lập. Cuối cùng, Clef chấm điểm bằng chứng thu thập được để xác định xem nó có đủ cho một quyết định hay không, chọn từ một danh sách rút gọn các phân loại tấn công.

Chi tiết chính

• Cloudflare sử dụng OpenAI Daybreak và các mô hình Anthropic, bao gồm GPT-5.6 Cyber và Mythos, cho phân tích sâu sau bước phân loại ban đầu.
• Hệ thống phân biệt giữa ba trạng thái bằng chứng: chưa kiểm tra, đã kiểm tra nhưng không khớp, và đã kiểm tra với bằng chứng hỗ trợ cho sự vắng mặt.
• Các tác nhân chuyên gia chạy song song dưới sự điều phối của một tác nhân trung tâm, với một tác nhân tổng hợp kết hợp các phát hiện của họ vào một khuyến nghị cuối cùng.
• Mã xác định (deterministic code) xử lý việc chấp nhận và xác minh bằng chứng, ngăn chặn các mô hình vượt qua ranh giới tenant hoặc hành động tự chủ.
• Kiến trúc dựa vào Cloudflare Workers, Workflows, D1, R2 và Durable Objects để duy trì trạng thái và phối hợp các giai đoạn.
• Các nhà phân tích con người vẫn chịu trách nhiệm cho các quyết định cuối cùng, với AI cung cấp cái nhìn tổng hợp về các cảnh báo liên quan và các bước tiếp theo được khuyến nghị.

Tại sao điều này quan trọng

Đối với các kỹ sư phần mềm và trưởng nhóm bảo mật, sự chuyển đổi từ kiến trúc đơn tác nhân sang đa tác nhân nhấn mạnh một bài học quan trọng trong việc xây dựng các hệ thống AI đáng tin cậy: không nên tin tưởng các mô hình vào việc truy xuất dữ liệu hoặc xác định phạm vi. Bằng cách chuyển các trách nhiệm này sang mã xác định, Cloudflare giảm thiểu rủi ro ảo giác và trôi dạt phạm vi, vốn là những bẫy phổ biến trong các quy trình làm việc agentic. Mô hình "trinh sát trước, suy luận sau" này đảm bảo rằng các mô hình AI hoạt động trên ngữ cảnh tĩnh đã được xác minh, làm cho đầu ra của chúng dễ kiểm toán và nhất quán hơn.

Tác động thực tế là sự giảm đáng kể thời gian các nhà phân tích dành cho việc liên kết các cảnh báo rời rạc. Thay vì kiểm tra thủ công nhật ký lưu lượng, các phán quyết lịch sử và nguồn cấp dữ liệu mối đe dọa toàn cầu, các nhà phân tích nhận được một khuyến nghị đóng gói sẵn kèm theo bằng chứng được trích dẫn. Điều này cho phép các đội ngũ tập trung vào khắc phục và giảm thiểu chiến lược thay vì thu thập dữ liệu lặp đi lặp lại. Khi các công cụ AI trở nên phổ biến hơn trong các hoạt động bảo mật, việc hiểu cách neo giữ chúng vào bằng chứng có thể xác minh được sẽ là yếu tố thiết yếu để duy trì niềm tin và hiệu quả vận hành.

Bạn có thể làm gì

• Tách biệt việc truy xuất dữ liệu khỏi suy luận mô hình trong các ứng dụng AI của bạn để ngăn ngừa trôi dạt phạm vi và đảm bảo đầu vào có thể tái tạo.
• Triển khai các lớp xác minh nghiêm ngặt kiểm tra xem các trích dẫn của mô hình có tồn tại trong gói bằng chứng được cung cấp hay không trước khi chấp nhận đầu ra.
• Sử dụng các tác nhân chuyên biệt, phạm vi hẹp cho các nhiệm vụ riêng biệt như phân tích lưu lượng hoặc thông tin tình báo về mối đe dọa thay vì dựa vào một mô hình chung duy nhất.
• Theo dõi và dán nhãn rõ ràng các trạng thái dữ liệu thiếu để phân biệt giữa "không tìm thấy" và "chưa kiểm tra" trong nhật ký hệ thống của bạn.
• Duy trì các biện pháp kiểm soát con người trong vòng lặp (human-in-the-loop) cho việc ra quyết định cuối cùng, đặc biệt là trong các lĩnh vực rủi ro cao như bảo mật và tuân thủ.
• Đánh giá các quy trình phân loại cảnh báo hiện tại của bạn để xác định các nhiệm vụ lặp đi lặp lại có thể được tự động hóa bằng các quy tắc xác định trước khi đưa AI vào.