简介《2025年中国网络安全成熟度曲线》是Gartner于2025年7月发布的行业研究报告面向首席信息安全官、CIO及安全与风险管理从业者聚焦中国网络安全重心向保护AI、推动业务转型和增强组织韧性转移的趋势。报告给出明确的战略判断到2027年60%的大型企业将在安全运营中心引入暴露管理技术以提升事件响应效率到2028年60%部署AI的企业将采用协作式AI防御策略。同时系统梳理AI TRiSM、AI网关、数据安全态势管理DSPM、软件成分分析SCA、对抗暴露验证AEV、零信任网络访问等技术的成熟度位置并结合数据分类、隐私保护与法规遵从要求展开分析指出监管强制与生成式AI快速落地两股力量正共同加速技术曲线演进。压缩包内为1个PDF文件约1.39MB、78页含战略规划假设、技术条目与采用建议便于按图索骥定位与自身业务相关的技术。已有214人学习可用于长期安全战略制定、技术选型评估与合规治理参考。1. 从一份 78 页的曲线图说起它到底能帮安全团队解决什么去年底和某实验室的安全负责人聊他桌上摊着三份厂商的方案书每份都在讲“AI 安全”但口径完全不一样一家说要做模型防护一家说要做 AI 网关还有一家把数据分类分级包装成了 AI 安全。他问我一句话——这些东西到底谁先上、谁可以等。这种问题靠看产品白皮书是回答不了的得有一张站在行业视角的坐标图。这份 2025 年中国网络安全成熟度曲线Hype Cycle就是干这个用的它把 AI TRiSM、AI 网关、DSPM、SCA、AEV、零信任网络访问等三十来项技术摆在同一条曲线上标注了每项技术的成熟阶段、收益等级和主流采用年限还给了一张优先级矩阵。它不教你怎么配策略但它能告诉你为什么“数据分类”已经在爬坡尾声而“数据安全态势管理”才刚起步。这份资料适合 CISO、安全架构师和正在做年度安全预算的负责人尤其适合被 AI 项目推着走、又得对合规负责的那种角色。2. 曲线怎么读横轴纵轴背后的判读方法Hype Cycle 这张图很多人扫一眼就翻过去了觉得无非是“期望膨胀—幻灭—爬坡”那套老图。真正值钱的是它把技术成熟度和业务收益拆成了两个维度让你能回答“现在买是不是早了点”这个问题。这份报告的结构是一张主曲线图 一张优先级矩阵 每项技术的独立条目定义、重要性、业务影响、驱动力、用户建议最后附了不再列入曲线的技术说明。2.1 五个阶段与两种“过早”曲线横轴是时间纵轴是期望值五个阶段分别是技术萌芽期、期望膨胀期、幻灭低谷期、稳步爬升期、实质生产期。判读时的关键不是看点在哪个阶段而是看它“移动的速度和方向”。报告里点得很明确今年移动最快的是安全 AI 助手和软件成分分析SCA而数据安全平台DSP从萌芽期往膨胀期爬SASE 从低谷期往上走SSE 反而从峰值往下掉——原因写得很直白“采用率低于预期”。这就引出一个实操判断处在膨胀期峰值附近的技术采购窗口通常最差因为厂商报价高、产品能力还没收敛、集成成本被低估。SSE 就是典型案例峰值时被当作 SASE 的轻量替代品大力推广结果国内实际落地不及预期往下掉了。反过来从低谷往上爬的 SASE说明市场已经过了一轮淘汰留下来的是真能交付的。提示读曲线时先看你关注的技术是“从左往右”还是“从右往左”移动。往右是市场认可度上升往左基本意味着采用不及预期这时候谈价空间大但要额外验证交付能力。2.2 优先级矩阵收益等级与 25 年窗口主曲线之外优先级矩阵才是做预算时真正要摊在桌上的东西。它按“收益等级”和“达到主流采用的年限”两个维度切分报告里的数据分档是两年内成熟、两到五年、五到十年。两个关键事实数据分类和 SIEM 是唯一两项预计两年内成熟的技术而包括安全 AI 助手、AI 网关在内的大多数创新成熟周期在五到十年。DSPM、SCA、威胁暴露管理被标为“变革型收益”AI TRiSM 和隐私技术则因为能直接降低数据暴露、AI 误用和合规失败的风险拿到了高收益评级。这个分档直接决定了资源分配逻辑。两年内成熟的是“现在必须补齐的基础能力”投入产出确定别再观望五到十年的是“试点 观察”的节奏预算给小额验证别一次性上大平台两到五年的才是真正需要重点下注的区间因为窗口期就在眼前晚一步就要被动追赶。2.3 用一张表把技术分档落到预算上把报告里的信息整理成一张可直接用于立项讨论的表比逐页翻 PDF 高效得多。下表按成熟周期分档把报告明确提到的技术和它的判读要点对齐成熟周期代表技术报告给出的判读要点立项建议两年内数据分类、SIEM数据分类的价值通过与 DSP、DSPM、DLP 深度集成释放SIEM 产品能力趋同、体验成熟补齐基础优先做集成而非换新两到五年ZTNA、SASE、SSE、DSP零信任推动 ZTNA 采用SASE 因网络与安全整合需求上行SSE 因采用不及预期下行重点下注区间先做 PoC 再谈规模五到十年AI TRiSM、AI 网关、安全 AI 助手、DSPM、SCAAI 相关技术普遍长周期DSPM 市场渗透率不足 1%小额试点绑定具体业务场景已退出曲线BAS、ASM分别被 AEV、EAP 取代原因是测试从“模拟”转向“可执行验证”存量工具评估替换节奏不新增采购这张表用的时候有个细节报告里 DSPM 的市场渗透率写的是“目标受众的 1% 以下”处在萌芽期。这意味着你现在找厂商大概率是在陪产品一起成长合同里必须写清楚能力交付节点和退出条款。我一般会建议这类采购把付款拆成三段最后一段绑在“能连通现有数据源并输出可核对的数据地图”这种可验证结果上而不是绑在上线时间上。2.4 中国市场的两个驱动力合规执法与 GenAI 落地这份曲线和全球版最大的差异在于它明确点出了两股力量在推着整条曲线加速。一是数据安全法规的执法力度——网络数据安全管理相关规定在 2025 年初进入强化执行阶段企业不能再停在“建制度”层面必须拿出能自动映射数据位置、敏感度和访问关系的技术手段这直接解释了 DSPM 为什么被推到萌芽期前排。二是生成式 AI 的落地速度。报告引用了一组调研对比数据国内 GenAI 采用率从 2024 年的 8% 上升到 2025 年的 43%。这个跳变带来的不是单纯的“要保护 AI”而是双向需求——既要保护 AI 的数据、应用和模型又要把 AI 用在安全能力上。AI 网关之所以被触发正是因为企业从试验走向规模化后API 密钥管理、限流、用量与成本追踪、多模型智能路由这些事散在各处已经管不住了。报告还提了两条战略假设值得抄进年度规划里到 2027 年国内 60% 的大型组织会在安全运营中心里采用暴露管理来优化响应效率到 2028 年60% 部署 AI 的组织会采用协作式 AI 防御策略而当前这个比例只有 5%。这两个数字的分量在于它把“跨团队协作防御 AI 风险”从一个理念变成了一个明确的时间表——如果你的组织现在还没有安全、算法、数据、法务的联席机制那 5% 到 60% 的这段路就是要补的课。3. 把 AI 安全拆成可落地的三层模型、网关与数据AI 安全这个词在厂商嘴里被用得极泛这份报告的处理方式相对克制把它拆成 AI TRiSM、AI 网关、DSPM 等几个边界清晰的技术条目。按这个拆分方式做架构设计能避免“什么都想管、最后什么都不管”的局面。3.1 AI TRiSM治理、可信与运行时风险的边界报告对 AI TRiSM 的采用驱动写得很具体数据被泄露、第三方风险、输出不准确或不合预期以及“确保企业 AI 的行为与意图一致”。这四类驱动对应的是四个不同的控制面很多团队把它们混成一个“AI 安全平台”结果验收时说不清到底防住了什么。我的拆法是治理层模型与数据集的登记、来源与授权记录、用途边界声明。这一层本质是台账工具化程度可以低但必须存在否则出事时无法追溯。可信层输入输出的内容安全、幻觉与越权输出的拦截、提示注入的检测。这一层适合在网关侧做统一策略而不是每个应用各写一套。运行时风险层模型调用链的可观测性、异常行为检测、模型与上下游系统的权限边界。报告把 AI TRiSM 放在膨胀期高点附近理由是客户问询量在年初某开源推理模型发布后明显上升。这个信号对架构师的意义是现在做 AI TRiSM多数是在跟产品共同定义边界所以方案里一定要留出“策略可插拔”的余地别把某一家的检测引擎硬编进业务代码。3.2 AI 网关的集中管控配置思路AI 网关在国内被触发动机非常务实成本不可预测 内容安全。企业规模化使用多个大模型后API Key 散落在各业务代码里、没有统一限流、不追踪 token 成本、切换模型要改代码——这些是典型的工程债。网关的价值就是把这些收敛成一个统一入口。下面是常见做法的一个最小配置骨架用 YAML 表达策略意图不同产品字段名不同这里只体现结构和参数含义gateway: providers: - name: llm-a base_url: https://internal-llm-a/v1 api_key_ref: vault://ai/llm-a # 密钥走密钥管理不落在配置文件里 weight: 70 # 路由权重用于灰度与成本分流 - name: llm-b base_url: https://internal-llm-b/v1 api_key_ref: vault://ai/llm-b weight: 30 rate_limit: default_qps: 20 # 全局默认按业务线可覆盖 per_tenant: true # 按租户隔离防止单业务打满 burst: 40 # 允许的瞬时突发 routing: strategy: cost_aware # 成本优先可选 latency_aware / quality_aware fallback_on_error: true # 主模型失败自动切备用避免业务中断 max_retry: 1 # 重试次数要克制避免放大计费 guardrails: input_scan: [prompt_injection, pii] # 入向检测提示注入、个人敏感信息 output_scan: [sensitive_content, pii] on_violation: block_and_log # 命中即拦截并留痕不要只告警配置里有几个参数值得多说一句。weight权重路由不只是为了灰度也是成本调节阀——把高成本模型权重压低、把常规请求导到便宜模型月度账单差别很明显。max_retry必须设小模型调用失败后重试会重复计费重试两次的账单事故我见过不止一次。on_violation选block_and_log而不是纯告警是因为内容安全的违规输出一旦流到用户侧事后追责的成本远高于拦截误伤的成本误伤率可以通过规则调优压下来但漏放出去收不回来。落地顺序上我的建议是先把“密钥集中 限流 用量成本看板”三件事做完这三件不涉及策略判断阻力最小、收益最直观再做内容安全护栏因为护栏规则需要业务侧一起定周期会长一些。3.3 DSPM在混合多云的“数据黑匣子”里建立可见性报告对 DSPM 的定义很实在发现此前未知的数据覆盖本地数据中心和云服务商对未知的、未发现的结构化和非结构化数据做特征刻画与分类评估谁有权访问从而判断安全态势和暴露面。它解决的问题是——在复杂、混合、多云的データ资产里组织根本不知道敏感数据在哪。这一层和合规是直接绑定的。报告明确写了新规要求对数据处理活动含第三方共享做全面风险评估而 DSPM 的价值就是把敏感度、位置、访问关系自动映射出来。没有这张地图合规评估就只能靠访谈和表格自填风险敞口无法量化。落地时的常见路径是先做“发现与分级”再做“访问关系与暴露评估”最后才是“与 AI 治理联动”。第三步是这份报告特别强调的方向通过 DSPM 识别哪些敏感数据可以安全用于模型训练、分析或对外共享。这个判断如果只靠人拍脑袋要么过度保守导致 AI 项目推不动要么过度放开导致合规事故。注意DSPM 处在新兴阶段国内可选项有限。做 PoC 时优先验证两件事——能否覆盖你真实的混合数据源类型以及分类结果是否可人工校正并回流。只做一次性扫描、结果不可维护的工具半年后就会变成新的技术债。4. 把曲线翻译成三项动作暴露管理、SCA 与零信任接入前两章讲的是“怎么读”和“AI 安全怎么拆”。这一章落到具体的技术替换与接入动作上这三项在这份曲线里位置明确、边界清晰也最容易在预算会上被追问“为什么是它”。4.1 AEV 与 EAP从模拟攻击到可执行验证报告把两项技术移出了曲线理由写得很直接BAS 被 AEV 取代ASM 被 EAP 取代。先看 AEV对抗暴露验证。取代 BAS 的原因是安全测试的范围变了——企业不再满足于“模拟一遍攻击看告警响不响”而是要自动化、持续地验证暴露是否真实存在并标出通往关键资产的脆弱路径。报告提到一个重要驱动国家级攻防演练这类合规动作需要持续验证能力。这个变化带来的实操差异是BAS 的输出是“检测覆盖率”AEV 的输出是“哪条路径可以被真实打穿、先修哪个”。后者才能直接喂给修复排期。选型时我会盯三个点验证动作是否能安全回滚避免把生产打挂、路径图谱是否能和现有资产库对齐、每次验证是否能输出可复现的证据链。第三条尤其关键攻防演练场景下“我们验证过”需要有凭据不能只有一句结论。再看 EAP暴露评估平台。它取代 ASM 的理由是定位变了传统攻击面管理侧重资产与漏洞的“可见”而 EAP 要在单一平台里给出“有优先级、可执行”的漏洞与错误配置视图目标是提升运营效率、简化修复流程。这两者的差别在落地时非常明显——ASM 交付的是一堆资产清单和漏洞列表EAP 交付的是“本周该修这二十个因为它们在关键业务链路上且已被验证可利用”。如果组织已经有 ASM不必急着替换可以先补两个能力一是把漏洞数据与业务关键性做关联打标二是把修复动作的闭环状态纳入平台。这两步做完其实就已经在往 EAP 的方向走了。4.2 SCA开源组件与模型供应链的早期识别软件成分分析在今年的曲线上移动很快报告给的原因是开源模型和第三方组件在 AI 与数字系统中的快速增长“早期识别安全与许可问题”是减少开发延期、保证可信度的关键。注意这里的措辞是“早期识别”也就是左移——在研发阶段拦而不是上线后扫。一个可以直接抄的接入方式是把 SCA 挂到构建流水线里用阈值卡住构建# 在 CI 的构建阶段执行失败即阻断合并 sca scan \ --path ./ \ --format json \ --output sca-report.json \ --fail-on severityhigh \ --fail-on license in (AGPL-3.0, GPL-3.0) \ --exclude **/test/** \ --sbom-output sbom.cdx.json参数含义逐条说--fail-on是阻断条件按严重度或许可证类型设是这条流水线真正的“闸门”--exclude排除测试目录否则误报会把闸门冲垮团队很快就会要求关掉--sbom-output顺手产出 SBOM这个文件在出供应链事件时是救命的东西——没有它你连自己用了哪个版本的组件都说不清。阈值设置有血泪经验一开始就把severitymedium全阻断结果第一个星期流水线几乎全红团队直接绕过。合理做法是先用high以上做硬阻断medium只告警并进周报观察两三周把误报规则调干净再逐步收紧。许可证那块要单独设AGPL 这类传染性许可证在商业产品里出现法务介入得越晚越麻烦。提示AI 项目里除了代码依赖模型权重、数据集、推理框架也要纳入成分清单。传统 SCA 工具未必覆盖这些需要额外维护一份模型与数据来源台账两者合起来才算完整的供应链视图。4.3 ZTNA 与 SASE平台整合期的接入取舍报告提到平台整合需求时点了一串产品SASE、SSE、DSP、SIEM、EAP。其中 SASE 因网络与安全整合需求从低谷上行SSE 因采用不及预期从峰值下行ZTNA 则受益于零信任推进而采用上升。这个组合给出的判断是如果组织正在做远程接入改造ZTNA 是确定性较高的投入SASE 可以谈但要按“整合后能省掉几套设备、几条专线”来算账SSE 要谨慎它的下行说明很多组织发现单独上 SSE 并不能解决实际问题最终还是得回到 SASE 的整体框架里。接入侧最常见的翻车点是策略粒度。零信任的核心不是“换一个远程接入工具”而是把访问控制从“网络位置”改成“身份 设备状态 上下文”。很多项目上线后体验很差原因往往是策略只做了身份认证没做设备合规状态检查结果一台不合规的终端照样能进。落地上我一般要求先定义清楚三件事设备合规基线是什么、不合规时的降级动作是什么只读只能访问自助修复页、策略变更的审批链是谁。这三件不定工具再好也是白搭。5. 避坑清单五个在真实项目里反复出现的翻车点这一章单独拉出来是因为这份报告里那些“为什么这项技术在下行、那项被移出曲线”的说明本身就是别人的踩坑总结。结合国内落地场景整理五条高频问题。5.1 把 AI 网关当成纯转发代理现象网关上线后成本没降、内容安全事故照出团队认为“网关没用”。原因只做了请求转发和密钥收敛没开限流、没做用量归集、没配内容护栏等于换了个地方调模型。解决上线验收至少包含三项指标——按租户的 token 用量报表可查、限流在压测下生效、护栏规则命中后有完整留痕。三项缺一项就不算交付完成。5.2 DSPM 扫描结果无人维护现象第一次扫描出的数据地图很漂亮三个月后业务已经变了地图还是旧的合规评估不敢用。原因把 DSPM 当成一次性项目而非持续运营能力没有指定数据地图的 owner也没有把分类校正流程固化。解决明确一名数据地图责任人把“新增数据源必须登记、分类结果季度复核”写进流程采购时把“分类结果可人工校正并回流”列为硬性要求。5.3 SCA 阈值一刀切导致流水线被绕过现象接入第一周大量构建失败研发直接申请豁免之后所有项目都带着豁免标签跑。原因初始阈值过严误报未清理就开了硬阻断。解决分级放开先用高危硬阻断、中危告警两到三周清理误报规则后再收紧豁免必须有审批人和有效期过期自动恢复阻断。5.4 零信任只认证不校验设备状态现象接入改造完成后安全团队抽查发现不合规终端仍能访问核心系统。原因策略只做到身份认证层设备合规状态、访问上下文没有纳入决策。解决补齐设备合规基线检查定义不合规时的降级访问路径并把策略变更纳入审批。验收时用一台故意不合规的终端做穿透测试。5.5 按曲线位置而非收益等级做采购决策现象某项技术正处在膨胀期高点被当作“趋势”紧急立项一年后产品能力未收敛投入沉没。原因只看曲线位置不看优先级矩阵里的收益评级和成熟年限把“热度”当成“成熟度”。解决采购决策以优先级矩阵为准五到十年周期的技术一律先小额试点合同里写清能力交付节点与退出条款两年内成熟的技术优先补齐别在基础能力上欠账去追新概念。6. 一份可复用的年度安全规划推演模板把这份曲线用出价值的最后一公里是把它变成一张能过会的规划表。我现在的习惯是拿到这类报告先不急着读正文而是先做三步推演再回头核对报告里哪些条目支持或推翻我的判断——这样读得下去也不容易被报告本身的叙事带着走。第一步列出组织当前的真实暴露面。不是列资产数量而是列“哪些业务链路涉及敏感数据、哪些已经接了外部大模型、哪些依赖开源组件且版本不可控”。这一步输出的是一个短清单通常不超过十条但每条都必须能指到具体系统和责任人。第二步把清单上的每一项映射到曲线里的技术条目和优先级矩阵的格子。举两个映射的例子组织现状对应技术条目矩阵位置本年度动作三个业务线各自直连大模型密钥分散AI 网关五到十年萌芽/膨胀试点统一入口先做密钥收敛与限流多云环境不清楚敏感数据分布DSPM五到十年渗透率 1%小范围 PoC验证数据源覆盖与分类可维护性攻防演练前需要证明防护有效AEV两到五年替代 BAS选一条关键链路做可回滚验证产出证据链远程接入仍在用传统方式ZTNA两到五年纳入年度改造先定设备合规基线与降级策略开源依赖无清单SCA五到十年移动最快挂 CI高危硬阻断 SBOM 产出第三步用报告里的两条战略假设做反向校验。把“2027 年 60% 大型组织在 SOC 采用暴露管理”和“2028 年 60% 部署 AI 的组织采用协作式 AI 防御”当作两个检查点问自己如果同行在两年内做到这个比例我们靠什么跟上如果答案里出现“靠某个人盯着”那这项能力就没有真正建立需要工具化或流程化补上。这个反问比任何成熟度评分都管用。还有一个容易被忽略的用法报告里“退出曲线”的那部分别跳过。BAS 被 AEV 取代、ASM 被 EAP 取代这类替换信息对存量工具管理极有价值。我一般会把退出项单独列一张表标注现有工具的到期时间和替换窗口避免在已被取代的品类上续费三年。这个动作每年能省下的预算往往比新立项省出来的还多。最后说个验证方法。规划表做完后挑一项“两年内成熟”的技术比如数据分类或 SIEM 的集成优化和一项“五到十年”的技术比如 AI 网关分别设一个九十天的可验证目标前者看“分类结果能否被下游 DSP、DLP 直接消费”后者看“用量成本报表能否按业务线拆开”。能验证的才写进规划验证不了的先降级为观察项。从那以后我每次做年度安全规划都强制走一遍“现状清单—矩阵映射—假设校验—九十天可验证目标”这四步宁可规划薄一点也不留那种写得很漂亮、年底无法验收的条目。希望帮到你。本文还有配套的精品资源点击获取