AWS 发布 AI 漏洞分诊 steering 文件配置指南

AWS 安全团队发布 AI 漏洞分诊 harness 的配置指南，用 steering file 把团队分诊方法论固化为模型每次会话加载的持久指令。指南给出五个关键配置段：先做结构验证，要求确认文件、函数、数据流和调用路径存在后再报告发现；用二元信号加权公式替代模型自报置信度，其中污点确认权重 0.30；解析 IaC 并按控制类型施加乘数，攻击阻断控制可叠加且下限为 0.15；接入 CISA KEV、EPSS 和公开 PoC 信号，总加成上限 +0.50；最后按分数划分 P0 到 P3 四档处置。作者称未加 steering 时约 30% 的发现引用了仓库中不存在的代码结构，加入后测试中未再出现虚构路径；在含 10 个已知漏洞的测试应用上，加 steering 后模型找出 9 个，并将两个被基础设施缓解的发现降为 P3。

AWS 安全团队介绍了一套三层流水线，把漏洞扫描器产生的大量候选发现收敛为少量带证据的高优先级问题。第一层用多扫描器一致性判断可信度，第二层借助代码的抽象语法树验证扫描器描述的函数、文件与数据流是否真实存在，第三层结合 CloudFormation、Terraform 等 IaC 模板评估 WAF、网络隔离、认证等控制措施能否被绕过。作者强调该架构与具体工具无关，可替换自有扫描器和模型，并给出按索引、多扫描器分诊、假设生成、基础设施上下文、实机验证的顺序逐步落地的建议。文章同时说明该框架不负责修复代码、不替代人工复核，也无法覆盖扫描器检测范围之外的漏洞类型。