2025网络安全成熟度曲线解读：从看得见到打得穿

简介：面向技术领导者、CISO、CIO及安全与风险管理人士的Gartner《2025年中国网络安全成熟度曲线》报告，聚焦保护AI、推动业务转型与增强组织韧性三条主线，可用于研判技术成熟度、规划安全投入并降低合规风险。资源包仅含1个PDF文件，约1.39MB，便于检索与归档阅读；已有214人学习。正文给出2027年60%大型企业将采用暴露管理优化安全运营、2028年60%部署AI的企业将转向协作式AI防御等战略假设，并梳理AI TRiSM、AI网关、数据安全态势管理、软件成分分析、对抗暴露验证、数据分类、隐私保护与零信任网络访问等技术。读者可据此对照自身成熟度，识别高价值技术优先级，衔接监管要求与长期安全战略。

1. 成熟度曲线：为什么“被划掉的技术”比新上榜的更值得看

每年那份网络安全成熟度曲线一出来，讨论最多的总是“谁第一次上榜”。2025 年这份中国区曲线里最值得琢磨的，反而是两个被划掉的名字：攻击面管理和入侵与攻击模拟退出曲线，取而代之的是暴露评估平台和对抗暴露验证。技术内核没有推倒重来，换的是采购口径——从“我能看见什么”变成“我能证明什么真能被打穿”。

成熟度曲线要解决的是一个很具体的问题：一项安全技术此刻该不该投、投多少、什么时候投。它把“市场期望”和“成熟所需时间”压在同一张图上，让技术负责人不必每次从零判断。AI 安全、数据隐私、法规遵从、零信任这几条主线在今年同时被拉紧，看懂它们怎么互相咬合，比记住某个技术的排名有用得多。

2. 双力驱动：监管强制和生成式AI普及为什么会同时把曲线拉快

2.1 一条从上往下压，一条从下往上顶

今年曲线整体被加速，不是某个单点技术突破带来的，而是两股方向相反、后果同向的力叠加。

自上而下的那股力来自监管执行口径的变化。数据安全管理规章和配套的商业领域数据安全管理要求，今年已经从“立规”阶段进入“强执行”阶段。这句话的技术含义很具体：对数据处理活动做全面风险评估、并且覆盖第三方共享，从“建议做”变成了“必须能拿出证据”。一旦要求出证据，“我的数据大概在这些系统里”这种模糊回答就不成立了，组织必须能回答四个问题——敏感数据在哪、谁有权限、流向哪里、有没有超范围使用。这正是数据安全态势管理被推到触发期的直接原因。

自下而上的那股力来自生成式 AI 的采用斜率。同一批受访者在 2024 年和 2025 年的两次调研里，生成式 AI 的采用率从 8% 跳到 43%。一年五倍多的斜率，意味着大量组织跳过了“小范围试点”，直接从试验进入业务系统。安全边界随之从“保护存储和传输”扩展到“保护推理链路”：API key 变成新的凭证资产，token 消耗变成新的成本中心，模型输出变成新的内容风险面。

两条力的交汇点非常明确——都指向同一个底座：数据可见性。这也解释了一个看起来矛盾的现象：数据分类已经进入平台期，而数据安全平台、数据安全态势管理、数据风险评估、数据安全治理却都还在触发期往上爬。底座先熟，上面的应用层才开始动。

2.2 五个阶段：曲线的形状是“预期”与“能力”的相位差

成熟度曲线的纵轴是市场期望，横轴是时间，五个阶段依次是技术触发、期望峰值、幻灭低谷、爬升光明期、生产力平台期。很多人把它当成热度排行，其实这条曲线画的是两条曲线之间的错位：叙事曲线跑在前面，能力曲线跟在后面。

新技术的传播从来不是线性渗透。先是叙事期，分析师和厂商把可能性放大，买方预期被拉高；接着第一批项目落地，撞上集成成本、组织阻力和人才缺口，预期回落；等工具链、标准、接口规范补齐，价值才稳定兑现。曲线的形状，本质是这两条曲线的相位差。

今年有三个方向相反的运动特别能说明问题。SSE 从峰值往下走，原因是采用不及预期——把网络和安全能力搬到云端 Edge 这件事，架构上说得通，但改造存量网络的门槛比预期高。SASE 从谷底往上爬，驱动力是网络与安全整合的真实需求，而不是概念热度。SIEM 则正式进入平台期，产品能力收敛、用户体验成熟、目标组织大量采用，它已经从“创新”变成了“地基”。

同样是“位置变化”，向下和向上的原因完全不同。我通常会用一句话判断：位置反映的是预期与能力的差值，不是技术好坏。这话听起来有点玄学，但它能挡掉一半“峰值技术就该买”的冲动。

2.3 优先级矩阵：把“什么时候投”拆成两个可算的维度

曲线回答“市场情绪在哪”，优先级矩阵回答“投入节奏怎么排”。矩阵的两个维度是收益水平和到主流采用所需的年数，交叉之后，技术自然分成了几档。

今年多数创新落在 5 到 10 年成熟这一档，包括网络安全 AI 助手和中国区的 AI 网关。数据安全态势管理、软件成分分析、威胁暴露管理给出的是变革型收益评级。能在 2 到 5 年内成熟的要重点关注，因为近期就能兑现：SASE 和 SSE 的成熟由平台整合需求驱动，零信任网络访问的采用则由零信任目标拉动。隐私和 AI TRiSM 拿到高收益评级，理由是它们直接压降数据暴露、AI 滥用和合规失败三类企业风险。真正落在两年以内的只有两个——数据分类和 SIEM。

这张表真正的用法是两列一起看。位置告诉你市场预期有多热，成熟年限告诉你投入的节奏该多慢。只看位置，容易在峰值买入、在谷底放弃；只看年限，又会漏掉那些虽然远、但一旦不做就会卡住其他项目的地基型技术。数据分类就是典型的地基——它自己在平台期，收益评级也不算最高，但下游一串技术都依赖它。

3. AI 安全的两条腿：AI TRiSM 治理模型行为，AI 网关治理调用行为

3.1 AI TRiSM：把模型行为当成可治理对象

AI TRiSM 今年被快速推向峰值，驱动力不是概念，而是三类具体的担心：数据被污染或泄露、第三方组件带来的连带风险、输出不准确或不符合企业意图。某开源推理模型在今年年初发布之后，关于“AI 对安全到底意味着什么”的咨询量出现明显上升，这基本就是曲线被推高的直接触发点。

它的治理对象可以拆成四层：数据层管训练和推理时喂进去的数据来源与合规性；模型层管模型清单、版本、来源和评测结论；应用层管提示词、插件、工具调用；运行时层管实际发生的输入输出、权限和行为偏离。四层里最难的是最后一层，因为模型的行为不像传统程序那样可枚举，很多组织在这块基本是个黑匣子。

这也解释了那个战略假设为什么这么写：到 2028 年，部署 AI 技术的组织里有 60% 会采用协作式 AI 防御策略，把跨职能团队组织起来应对 AI 带来的安全风险，而今天这个比例只有 5%。从 5% 到 60% 的空间，不是买一套产品能填上的。AI 风险的决策权天然分散——训练数据由算法团队掌握，业务场景由业务方定义，合规判断在法务，安全团队往往既看不到模型也看不到数据。所谓“协作式防御”，实质是把模型清单、数据来源、评测结论、上线审批做成一份跨团队共享的账本，谁改了什么都要留痕。安全团队单方面兜不住这件事，这是机制决定的，不是能力问题。

3.2 AI 网关：为什么它卡在触发期而不是直接冲上峰值

AI 网关出现在触发期，位置不高，但它是今年最能说明“技术成熟由使用方式决定”的一个例子。

企业的生成式 AI 用法正在从试验走向规模化，随之冒出来两个具体问题：成本和内容安全都不可预测。成本不可预测的原因很朴素——不同模型的单价差一个数量级，同一段提示词在不同模型上的 token 数不一样，团队各自申请 key、各自调用，月底账单出来没人说得清钱花在哪。内容安全的问题更直接，输入输出都不受控，谁在什么时候问了什么、模型答了什么，没有统一记录。

网关提供的能力，本质上就是把这两件事收归一处：

这五项里，前两项是基础设施，中间两项是成本治理，最后一项才是安全。很多团队接上网关之后发现“没什么感觉”，通常是因为只做了透传——key 还在业务侧，配额没按租户切，账单也没回写。只做透传的网关等于给每次请求多加了一跳网络延迟，收益为零。

3.3 一次请求穿过网关的完整时序

把网关当成一个请求处理管道来看，顺序大概是这样的：

1. 调用方身份校验：确认是哪个应用、哪个租户在调用，这一步决定了后面的配额和审计归属。
2. 配额与预算检查：按租户、按应用、按模型分别计数，超限直接拒绝或降级。
3. 输入侧安全检查：敏感信息识别、提示词注入特征匹配、内容合规判定。
4. 模型路由：根据任务标签、延迟要求、成本预算选择目标模型，可能带主备切换。
5. 实际调用上游模型，记录耗时、token 数、返回状态。
6. 输出侧安全检查：内容合规复判、敏感信息回捞、结构化校验。
7. 计量回写：把用量和成本写回账务系统，同时把整条链路落审计。

这个顺序里有一个经典的取舍：输入侧检查和输出侧检查该放多少权重。前置过滤便宜，因为请求还没发出去就能拦下来，不花 token；但它的误杀率更高，而且容易被编码、多语言、分段拼接绕过。后置过滤准确，因为看到的是真实输出；代价是敏感内容已经生成过一次，token 已经花掉，而且如果上游模型侧有日志，这次输出已经留存在第三方了。

常见的折中是分层：前置跑轻量规则和分类器，负责拦住明显违规和高置信度的敏感输入；后置跑深度判定，命中后不光拦截，还要落一份可复盘的审计记录。路由策略上的取舍同理——按成本优先会牺牲回答质量，按能力优先会让预算失控，实践中通常按任务标签分级，把“必须准”和“能省则省”的流量分开走。

注意：网关的运行时可见性如果只记录元数据不记录内容，事后排查基本没有意义；如果记录内容，就要先想清楚这些内容本身怎么分级、存多久、谁能查。这一步没设计好，网关自己会变成新的数据泄露面。

4. 从“看得见”到“打得穿”：DSPM、数据分类与暴露验证的共同骨架

4.1 DSPM 的四个维度：态势不是扫描出来的

数据安全态势管理目前的渗透率还不到目标受众的 1%，处于胚胎期，但收益评级是变革型。高预期加低渗透，这是触发期最典型的组合，也意味着现在进场的人拿不到成熟产品，只能拿到能力和方法论。

它的定义里藏着四个维度。第一是发现：跨本地数据中心和多个云服务商，找出此前不知道的数据，包括那些没人认领的影子数据。第二是刻画与分类：对结构化和非结构化数据打上敏感度标签，这一步依赖分类能力。第三是访问关系：谁对这个数据有访问权，权限是否过度授予。第四是使用模式与驻留：数据实际被谁在用、在哪里落盘、有没有跨境。

真正的机制在于前三个维度的联接。只做发现，产出是一张数据清单，运维看两天就扔了；只做权限分析，产出是一张授权表，安全团队看不出风险在哪。只有把“这个存储桶里有身份证号”和“这 37 个身份对这个桶有读权限，其中 12 个是外部协作者”连起来，才谈得上是态势。这也是为什么 DSPM 常被拿来和 AI TRiSM 对接——它能回答一个很实际的问题：哪些敏感数据可以安全地用于模型训练，哪些必须先脱敏或者干脆不能用。

4.2 数据分类为什么是唯一挤进平台期的数据技术

数据分类和 SIEM 是今年仅有的两个预计两年内成熟的技术，但原因完全不同。SIEM 是因为产品能力收敛、被大量目标组织采用；数据分类是因为它已经不再是独立产品，而变成了其他产品的依赖项。

数据安全平台、数据安全态势管理、数据防泄漏，这些技术要生效，前提都是有一致的数据标签。标签不一致，DSPM 的敏感度判定和 DLP 的阻断策略就会打架，同一份数据在一个系统里是“机密”，在另一个系统里是“内部”。所以分类正在变成企业安全架构里的嵌入式服务，价值通过合规、审计就绪和 AI 治理三条路径兑现。

一份可用的分类标签，至少要带这些字段：

工程上最容易翻车的地方是打标时机。如果分类是定期跑批扫一遍，标签就会随数据流动快速过期——数据被复制到分析集群、被导出成报表、被喂进训练集，副本上的标签全丢了。比较靠谱的做法是把分类挂到写入路径上，数据落地时就带上标签，下游靠血缘传递敏感度。这件事听起来是工程细节，实际上决定了分类项目的成败，第 5 章会具体展开。

4.3 隐私侧的分化：同属隐私计算，位置为什么差这么多

隐私整体处在峰值，驱动力是监管框架持续演进、跨境传输规则落地，以及 AI 发展对数据流通的强需求。但拆开看，隐私增强技术、机密计算、安全多方计算三条线的位置差得很远：隐私增强技术作为一个能力集合被高度重视，机密计算在缓慢爬升，安全多方计算则下行进入谷底。

差异的根源不是“隐私”这个标签，而是能不能低成本插进现有系统。机密计算依赖硬件可信执行环境，落地路径清晰——数据在使用中加密，明文只在隔离环境里出现，对上层应用基本透明。它的限制在性能开销、生态适配和远程证明链的复杂度，所以是缓慢爬升而不是冲高。安全多方计算的限制更硬：通信轮次和带宽消耗随参与方数量增长，适合小规模联合统计和联合查询，不适合大规模模型训练这种场景，预期回落得也就更快。

这对选型的启示很直接：不要按“隐私计算”这个大类做技术选型，要按“数据在哪个环节暴露”来分。传输中加密、存储中加密都是成熟能力；使用中加密才是这三条线在争的那块地，而这块地目前没有通吃方案。

4.4 AEV 与 EAP：为什么是替换，而不是版本升级

今年两个退出曲线的技术，和两个顶上去的技术，构成了一组清晰的口径切换。

理解这两组替换的关键，是“可达性”这个词。传统攻击面管理做的是资产和漏洞的并集，做到最后往往是一张几万条记录的清单，安全团队根本修不完；暴露评估平台把漏洞、配置错误、身份权限放进同一张关系图里，算的是“从外部入口到关键资产有没有一条通路”，优先级自然就出来了。入侵与攻击模拟停在“模拟”这一步，告诉你有多少攻击被拦；对抗暴露验证往前走了一步，对疑似路径做无害化验证，产出“这条路确实通”的证据。从模拟到验证，多出来的那一步才是采购口径变化的原因。

这也和那个战略假设对得上：到 2027 年，60% 的大型组织会在安全运营中心里采用暴露管理，用来优化事件响应效率、减少入侵事件。安全运营中心本来擅长的是“事后响应”，把暴露管理接进去，等于把一部分工作前移到“事前证明”。

5. 避坑：读曲线和落地时最容易翻车的五件事

5.1 把曲线位置当采购优先级

现象：在期望峰值上买回一套技术，上线半年后发现跑不起来，团队抱怨工具不好用。

原因：横轴是时间预期，不是价值排序。峰值意味着市场叙事最热、厂商承诺最多，也意味着产品能力和集成生态还没跟上。今年 SSE 从峰值下滑就是现成的例子——不是技术方向错，是采用不及预期。

解决：决策时把位置和优先级矩阵一起看，先锁定成熟年限在 2 到 5 年、且收益评级高的项，峰值上的技术只做小范围验证，不做全量替换。预算分配上给峰值技术留出“验证额度”而不是“建设额度”。

5.2 把“替换”当成“升级”，AEV 被买成扫描器

现象：采购对抗暴露验证，验收时还在看“扫出了多少个漏洞”“模拟了多少种攻击手法”，最后买回来的其实是一个换了名字的模拟器。

原因：沿用了旧品类的验收口径。旧品类的价值是覆盖面，新品类的价值是确认和优先级。口径不变，供应商就会按旧口径交付。

解决：合同和验收标准里写清楚两件事——确认了多少条暴露路径、覆盖了哪些关键资产路径。要求对方交出“这条路径为什么可达”的证据链，而不是一张数量统计表。同理，暴露评估平台的验收要看修复收敛效率，不要看资产发现数量。

5.3 数据分类当项目做，上线三个月后标签集体过期

现象：分类项目验收通过，半年后做数据安全态势管理，发现标签准确率崩了，大量数据没有标签或者标错。

原因：把分类当成一次性扫描任务。数据是流动的，被复制、导出、聚合之后，副本不会自动继承标签，血缘断了，标签就失效。

解决：把分类做成服务而不是项目。分类结果以接口形式提供，挂到数据写入路径上打标，派生数据按血缘继承敏感度，低置信度的进人工复核队列。验收指标从“覆盖率”改成“标签新鲜度和血缘完整率”。

5.4 以为 AI 网关只是多一跳代理

现象：接上网关后，成本没降、越权还在、审计查不到东西。

原因：只做了流量透传。key 还在业务侧，配额没有按租户切，账单没有回写，运行时只记了元数据。这一跳除了增加延迟没有任何作用。

解决：先把 key 收归网关托管并按应用分发短期凭证，再按租户和应用切配额，把用量和成本回写到账务系统，最后补上输入输出的审计链路。顺序不要颠倒，先做安全过滤后做成本治理，往往会导致业务方绕开网关直连模型。

5.5 用界面整合冒充平台整合

现象：买了所谓平台，打开是一个统一门户，点进去还是五个独立控制台，事件关联还得靠人肉比对时间戳。

原因：平台整合的本质是数据模型统一，不是界面统一。资产、身份、数据标签这三类实体如果没有统一标识，任何关联分析都是字符串匹配。

解决：先定实体标识规范——一台资产在 CMDB、漏洞库、终端 agent、云平台里必须映射到同一个 ID，一个身份在目录服务和业务系统里必须映射到同一个主体。这一步做完再谈平台，否则整合只是把复杂度从运维转移到了分析师。

6. 设计取舍：曲线是共识快照，用之前得知道它测的是什么

这份曲线测的既不是技术先进性，也不是投资回报，它是三样东西的合成：买方咨询热度的分布、卖方叙事的声音大小、分析师对成熟节奏的判断。这三样都有价值，但都不等于你所在组织的实际情况。把它当成共识快照来读，比当成路线图来用要靠谱得多。

我自己的用法是三步。第一步先看被替换和进入平台期的项，这两类信息最硬——替换意味着采购口径变了，平台期意味着这项能力已经可以按基础设施采购，不必再论证价值。第二步看平台整合那条暗线，SASE、SSE、数据安全平台、SIEM、暴露评估平台本质上都在抢同一个预算科目：统一可见性加运营效率。看清楚谁在跟谁抢预算，比看谁排得高有用。第三步才看新进入者和峰值项，而且只看它解决了什么此前解决不了的问题。

一个真实的判断偏差值得记下来：有团队把数据安全态势管理当成合规交付物立项，做完发现合规只是顺带，真正的价值是找出了大量没人认领的影子数据，以及一批权限过度授予的外部协作者账号。如果立项时只写“满足监管要求”，这个价值就会被漏掉，验收标准也会定错。反过来，如果一开始就把“发现未知数据、收敛过度权限”写进目标，同样的投入产出完全不同。

这份材料的边界也要说清楚。它是中国区的视角，本地安全厂商在市场里占主导，各类认证要求也会影响可选范围，这意味着某些在国外生态里成熟的能力，在这里的供给节奏可能不一样。另外，曲线对“收益”的评级是面向目标组织的普遍判断，落到具体行业和规模上会有很大偏差——一个数据资产本就不复杂的组织，上态势管理的边际收益远低于一个多云、多业务线、数据高度分散的组织。

从那以后，我每次拿到这类年度曲线，都强制自己按“替换项 → 平台期项 → 整合暗线 → 峰值项”的顺序过一遍，最后才看新面孔。这个顺序能挡掉大部分被叙事带着走的冲动，也能让预算花在真正卡住其他项目的地方。希望帮到你。

本文还有配套的精品资源，点击获取