将 STRIDE 框架应用于 AI 智能体：一份面向未来的威胁建模实践指南

摘要：当 Curity CTO Jacob Ideskog 警告行业正“梦游般”陷入 AI 安全危机时，他揭示了一个核心困境：我们缺乏系统性的方法来分析和应对 AI 智能体（Agent）带来的全新“行为驱动”威胁。本文将创新性地引入经典 STRIDE 威胁建模框架，将其作为解剖 AI 智能体安全风险的手术刀，系统地将提示注入、数据泄露等新风险归类到我们熟悉的威胁模型中，并为构建可落地的缓解措施提供清晰的路线图。

引言：为何需要用旧地图探索新世界？

传统的应用安全威胁建模，侧重于分析数据流和代码逻辑中的漏洞。然而，AI 智能体的核心风险源于其与人类语言的交互及其行为的不可预测性。这是否意味着我们过去的经验和框架都已失效？

答案是否定的。经典框架如 STRIDE（由微软提出，包含六大威胁类别）的强大之处在于其高度的抽象性和普适性。我们需要的不是抛弃它，而是学会如何将这些新出现的、看似模糊的威胁，“翻译”成 STRIDE 框架能够理解和描述的语言。

本次实践，我们将以一个典型的 AI 智能体系统为蓝本，走完一次完整的威胁建模流程。

系统蓝图：用户 -> 应用层 -> [AI Agent核心 (包含系统提示)] -> LLM API -> [内部工具/API/数据库]

第一步：将 AI 新威胁映射到 STRIDE 框架

1. S - 仿冒 (Spoofing) - “我是谁？”

• AI 时代的体现：在传统意义上，仿冒指用户或进程伪装成他人。在 AI 场景下，它表现为攻击者通过操纵智能体，使其仿冒成一个可信的内部服务调用者。当一个被注入恶意提示的智能体去调用内部的用户管理 API 时，该 API 看到的是一个来自“受信任的内部 AI 助手”的合法请求，从而执行了恶意操作。攻击者借用了智能体的“身份”。

2. T - 篡改 (Tampering) - “我的指令被修改了”