每过一段时间，我们都会偏离常规的讨论漏洞、勒索软件攻击和恶意软件的话题，转而发布公共服务博客，以帮助网络安全行业的人员提升技能或更好地理解世界的变化。
我们几年前曾通过这篇博客这样做过，既然人工智能现在正吸引所有的关注，现在是时候看看AI如何影响网络安全职业，以及你需要做些什么来保持与时俱进。
AI革命已经到来。各机构正在迅速将AI集成到其安全运营中，从而产生了对同时理解这两个领域的专业人员的需求。无论你是寻求转型的安全资深人士，还是正在选择职业道路的新人，机会窗口已经打开但正在缩小。
这为什么重要
职业世界正分化为具备AI能力者和AI淘汰者。融入AI的安全专业人员不仅仅是在增加一项技能；他们是在成倍地放大自己的影响力。一个能够构建、部署和保护AI系统的人，其价值超过五个不能做到这一点的人。
以下是一些帮助你为AI安全职位做好定位的要点。
技术技能基础
构建，构建，构建！！！
学习支撑AI的工具就是一切。
我个人推荐一个终端内的智能辅助编码工具，它能帮助你比以往更快地将想法转化为代码。
有了第一课的基础，让我们设定一个目标：从今天开始，每天向前，你的目标是尽可能地为一切使用AI工具。
编程语言
AI的出现意味着你不再需要成为编程天才，但必须对编程语言有良好的理解，任何企业级软件设计经验都会为你加分。
外面有很多编码语言，这对有经验的人来说不是新闻，但这是一个很好的列表，可以了解它们是什么以及如何使用，例如：
- Python：AI/ML的通用语言。学习数据操作（pandas, numpy）、ML库（scikit-learn）和深度学习框架（TensorFlow, PyTorch）
- R：对统计分析和安全数据可视化很有价值
- SQL：对于大规模查询安全数据集和日志分析至关重要
ML/AI框架
同样，不需要成为专家，但了解某些模型的使用场景会是一个加分项：
- TensorFlow/PyTorch：为威胁检测构建和训练模型
- Hugging Face Transformers：将大型语言模型应用于安全用例
- AutoML工具（H2O.ai, AutoKeras）：用于安全应用的快速原型设计
安全专用AI工具
安全AI工具的列表正在呈指数级增长。以下是几个例子：
- 对抗性ML平台（CleverHans, Foolbox）：理解AI系统的漏洞
- 具备AI能力的SIEM（Splunk ML工具包, Elastic ML）：在生产环境中利用AI
- MLSecOps工具：保护AI管道本身
认证与证书
通过公认的认证建立可信度：
AI/ML认证：
- 某中心机器学习专业认证：云规模ML部署
- 某机构专业ML工程师：端到端ML工程
- 某中心AI工程师助理：AI解决方案开发
AI安全专业认证：
- CERT AI安全专业人员：AI特定的安全实践
- GIAC安全领导力（带AI重点）：战略性AI安全管理
- ISC2 CC 或 CISSP + AI课程：传统安全基础与AI增强
云平台认证：
- 某中心：AZ-104（管理员），AZ-500（安全工程师），SC-100（网络安全架构师）
- 某中心：AWS认证安全 - 专项，AWS认证解决方案架构师 - 助理
实践作品集
- 在GitHub上为开源AI安全项目做贡献
- 创建一个展示AI安全用例的公共代码库
- 记录真实场景：对抗性攻击检测、恶意软件分类、钓鱼检测
- 撰写博客文章以展示你对特定主题的兴趣并回馈社区
AI + 安全集成用例
理解AI在何处解决真正的安全问题：
威胁检测与响应
- 异常检测：ML模型识别异常的网络行为、用户活动或系统访问模式
- 恶意软件分类：在恶意软件签名上训练模型以进行更快的识别
- 自动化事件分类：NLP模型对安全警报进行分类和优先级排序
漏洞分析
- 代码分析：AI工具扫描代码库以发现安全漏洞，比传统的静态分析更快
- 补丁优先级排序：ML预测哪些漏洞最有可能被利用
- 攻击面映射：AI识别暴露的资产和潜在入口点
合规与治理
- 数据分类：自动识别敏感数据（PII, PHI, PCI）
- 策略执行：AI实时监控安全策略的合规性
- 审计自动化：ML简化合规性报告和证据收集
所有安全工具的中央协调员和管理员
在所有安全平台上运行智能辅助编码工具，为交互、诊断和协作提供了一个强大的工具。
职业策略与定位
在市场中有效地定位自己：
简历与领英：
- 以AI安全项目为主导，而不仅仅是传统安全工作。
- 量化影响："实施基于ML的威胁检测，将误报率降低40%"
- 突出显示认证和作品集项目
社交网络：
- 加入AI安全社区
- 在讨论对抗性ML的Twitter/领英上与研究人员互动
- 参加会议：RSA、黑帽大会AI安全专题、NeurIPS安全研讨会
求职策略：
- 目标职位：AI安全工程师、ML安全研究员、MLSecOps工程师、AI红队
- 关注金融科技、医疗保健、国防承包商等具有成熟安全和新兴AI需求的行业
- 申请需要安全专业知识来建立企业客户信任的AI初创公司
如何打入职业生涯
AI就业市场竞争激烈，但了解这些现实情况会给你优势：
AI是未来——相应定位
各机构正在将AI嵌入到每一个职能中：安全、运营、客户服务和开发。这意味着任何缺乏AI技能的专业人士都面临着在可能被自动化的职位中被淘汰的风险。
然而，反之亦然。当你将领域专业知识（安全）与AI能力相结合时，你的价值主张会呈指数级增长。
经济效益为王
一旦你打磨好了AI技能，就该展示它如何创造企业价值。最明显的方式是，一个具备AI技能的专业人士可以完成以前需要整个团队才能完成的工作量。
你可能需要详细说明你的公司能在安全方面实现多少投资回报率，因此要制定一个计划，详细说明你如何降低成本（自动化威胁检测）、提高速度（更快的事件响应）或提高准确性（降低误报率）。一旦理解了投资回报率，这可能意味着你口袋里有更多的钱，因为公司会为AI技能支付高额薪水，因为效率提升证明了投资的合理性。
积极获取技能
我刚才提到的投资回报率可能并不总是来自你的公司。不要等待你的雇主来培训你；讽刺的是，他们通常行动太慢。投入你自己的时间：晚上、周末、个人项目。这可以包括基于像GitHub仓库这样的公共实体进行构建、创建和发布博客、以及参加和参与AI相关的会议。此外，需要高度的紧迫感，因为每一个月没有AI技能，都是竞争对手取得进展的一个月。
行业展望与新兴角色
现在，让我们看看这对网络安全就业市场意味着什么，以及AI安全就业市场在哪里扩展：
高增长职位类别：
- AI红队专家：对AI系统进行压力测试，执行对抗性攻击，识别模型弱点
- MLSecOps工程师：保护ML管道——防止数据中毒、模型完整性、部署安全
- AI合规官：确保AI系统满足监管要求（欧盟AI法案，NIST AI RMF）
市场趋势：
- 监管压力：新的AI法规（欧盟AI法案，行政命令）创造了合规职位
- AI供应链安全：组织需要专家来保护第三方AI供应商和模型
- 负责任AI：需要安全思维方式的伦理和偏见检测角色正在出现
薪资预期：
- 入门级AI安全职位：130K
- 中级（3-5年经验）：180K
- 高级/专业化：250K+
远程机会：
AI安全对远程工作友好，大型科技公司、咨询公司和初创公司都在全球招聘。
总结
关键要点：
- 建立基础：Python、ML框架和安全专用AI工具。
- 获取认证：将传统安全认证与AI/ML证书相结合。
- 理解用例：专注于威胁检测、漏洞分析和合规——在这些领域AI能提供可衡量的安全价值。
- 战略定位：构建作品集，在AI安全社区建立人脉，瞄准新兴角色。
- 立即行动：市场正在迅速扩张；先行者获得竞争优势。
下一步行动：
- 在本季度报名参加一个AI/ML认证项目。
- 为你的作品集构建一个AI安全项目。
- 加入一个AI安全社区并参加一次活动。
参考资料
认证： 某中心 ML 专项 某机构 ML 工程师 GIAC 安全领导力
学习资源 AI Village OWASP ML 安全 MITRE ATLAS（对抗性 ML） 斯坦福 CS229（机器学习）
框架与工具 NIST AI 风险管理框架 某中心负责任 AI 资源 对抗性鲁棒性工具箱
行业报告 Cybersecurity Ventures AI 安全报告 Gartner AI 安全市场指南 (ISC)² 网络安全劳动力研究
