跳到正文
AWS Machine Learning Blog· Adam Maksimuk·· 13 天前精選AI 評分61

Greenlight Financial 如何在 Amazon Bedrock AgentCore 上構建自主安全營運中心(SOC)方案

How Greenlight Financial built an autonomous SOC solution on Amazon Bedrock AgentCore

AI 導讀

Greenlight Financial 在 Amazon Bedrock AgentCore 上構建 Luna 自主安全營運中心(SOC),每月處理 3,000–4,000 宗安全及風險個案,超過 90% 無須人工介入即可解決。

推薦理由

文章拆解 Luna 的分層多智能體、記憶及人工升級設計,並以自主處理率由 83% 升至超過 90% 説明其在受監管金融場景的實作路徑。

正文 · 繁體中文

Greenlight Financial 每月處理多達 4,000 宗保安及風險案件,其中超過 90% 無需人工介入即可解決。Greenlight 的 Luna 使用 Amazon Bedrock AgentCore;這套基礎設施可大規模建構、連接及最佳化 Agent。具體而言,Greenlight 使用 Amazon Bedrock AgentCore 的一項功能 AgentCore runtime,託管 Luna 的 Agent 程式碼;並使用 Amazon Bedrock AgentCore 的另一項功能 AgentCore memory,支援其分層多 Agent 系統。這樣便毋須自行建構及運作這些功能。Luna 可在數秒內分流暗網外洩卡片警示、身份異常及財務風險事件。

本文説明 Greenlight Financial 如何在 Amazon Bedrock AgentCore 上建構自主保安營運中心(SOC)方案。我們會介紹其多層監督架構、30 多個專用 Agent、用於持續學習的情節記憶,以及如何由 SOC 使用案例擴展至財務風險分流。我們亦會分享生產環境數據、基礎設施設計決策,以及在受監管行業建構自主保安營運方案的模式。

Greenlight 要解決的問題

Greenlight Financial 為家庭提供金融產品,包括扣帳卡、儲蓄工具,以及 Family Hub 和 Pet Tracker 等連網裝置。公司須在符合大型銀行同等監管要求的情況下,大規模處理敏感財務數據。

Greenlight 的 SOC 每月會從四個主要來源收到 3,000–4,000 個保安及風險警示:

  • 暗網外洩卡片 – 卡組織及內部威脅情報會標記在暗網上發現的 Greenlight 客戶卡片。
  • 身份及存取異常 – 身份識別提供者(IdP)及內部系統中的異常登入模式、權限提升及政策違規。
  • 基礎設施警示 – 來自 EDR(端點偵測及回應)、SIEM(安全資訊及事件管理)、資產清單及其他可觀測性工具的訊號。
  • 財務風險事件 – 來自卡片處理系統的可疑交易模式、合規觸發事件及詐騙指標。

分析員作出判斷前,必須交叉比對多個資料來源。單是一則暗網外洩卡片通知,就需要核查卡片是否仍然有效、與以往通知去重、檢視客戶工作階段資料,以及查看尚未處理的客戶支援工單。人工分析員每宗案件需時 15-30 分鐘。每月 4,000 宗案件的工作量,已超出人手所能應付。

Greenlight 需要一套系統,能夠:

  1. 以機器速度自主分流並解決一般案件。
  2. 將複雜案件連同完整背景資料交由人工分析員處理。
  3. 從案件處理模式中學習,持續提升準確度。
  4. 在金融服務業的合規規範下運作。

架構:建基於 Amazon Bedrock AgentCore 的分層多 Agent 系統

Greenlight 在 Amazon Bedrock AgentCore 上將 Luna 建構為階層式多 Agent 系統。此架構採用分層監督模式,仿照人類 SOC 團隊的運作方式:L1 負責處理大量案件,L2 則處理複雜案件。

Luna’s tiered multi-agent architecture, with a Tier 1 supervisor orchestrating specialized agents and escalating complex cases to a Tier 2 supervisor

圖 1:Luna 在 Amazon Bedrock AgentCore 上的分層監督架構

第一層監督 Agent:大量案件分流

Tier 1 主管使用透過 Amazon Bedrock 提供的進階語言模型,並在 Amazon Virtual Private Cloud (Amazon VPC) 內的 Amazon Bedrock AgentCore runtime 上執行。該 runtime 使用私有子網,並透過 ZIP 檔案及 Amazon Simple Storage Service (Amazon S3) 直接部署程式碼。它透過協調 30 多個專門代理程式,處理新個案的初步分流:

範疇 代理程式的工作
身分識別與存取權 檢查登入記錄、多重因素驗證 (MFA) 狀態及工作階段異常
端點偵測 擷取端點警示、程序樹及 IOC 比對結果
可觀測性 將基礎設施指標與警示時間關聯起來
資產清單 列出受影響資產、擁有者及暴露面
數據分析 查詢歷史模式及基準偏差
付款處理 核實卡片狀態、交易記錄及帳戶狀態
客戶體驗 檢視事故發生前後的客戶工作階段行為
客戶支援 檢查相關的未結工單及過往投訴
程式碼及儲存庫 追蹤與警示相關的程式碼變更
項目追蹤 將事故與近期部署或已知問題連結
威脅情報 以外部威脅背景補充 IOC 資訊
自動化 (SOAR) 執行已獲批准的補救行動手冊

Tier 1 主管透過兩種途徑接收個案:Amazon API Gateway 提供 Luna Queue API 及 Model Context Protocol (MCP) 端點;另一種是 Tines SOAR,用於自動擷取警示。它會根據警示類型判斷要呼叫哪些專門代理程式,整合它們的調查結果,並作出判定。一般個案的分流時間中位數為個位數秒。

Tier 2 主管:深入調查

超出 Tier 1 信心門檻的個案,會交由使用Amazon Bedrock 上具備進階推理能力的基礎模型的 Tier 2 主管處理。此代理程式負責處理需要多步推理的 10 percent 個案:

  • 重新深入調查升級處理的個案,並更全面地關聯不同來源的資料。
  • 透過 boto3 呼叫專門代理程式,並使用更大的上下文視窗。
  • 串連 3–5 個數據來源的推理,以確立因果關係。
  • 製作詳盡的調查報告,列出證據鏈供人員審核。

Tier 2 主管按排程執行,使用 Amazon EventBridge 定時觸發功能及 Amazon Simple Notification Service (Amazon SNS) 佇列完成通知,批次處理升級個案;亦可按需要處理由 Tier 1 緊急升級的個案。

不同用戶角色的入口

不同團隊會以不同方式使用 Luna,因此應用程式提供三個入口。這些入口涵蓋由全自動警示擷取到互動式隨選調查等不同方式。每個入口都對應一種用戶角色及其工作請求的來源:

  1. Tines SOAR – 主要工作量來源。自動擷取警示,並將個案直接送交 Tier 1。
  2. 安全、風險及 ProdOps 工程師 – 透過直接 API 存取提出臨時調查請求。
  3. Claude Desktop 擴充功能 – 為值班工程師提供聊天介面。工程師開啟擴充功能,描述要調查的事項,Luna 便會使用完整工具存取權進行深入調查。

記憶與學習:Luna 如何隨時間變得更智能

記憶層以 AgentCore memory 為基礎。這一層令 Luna 有別於無狀態的分流工具,支援模式識別、去重及持續提升準確度。

情節記憶(30 天滾動視窗)

儲存近期事件及處理結果。收到新警報時,Luna 會檢查:「過去 30 天內,我見過這種模式嗎?當時的判斷結果是甚麼?這是已知行為,應否加入允許清單?」

具體例子:Greenlight 的基礎設施角色會在每逢星期二凌晨 3 AM 因定期維護而產生特定的存取模式。沒有記憶功能時,Luna 每星期都會將此模式標記出來。具備情節記憶後,Luna 在首次處理後學會這種模式屬預期行為,並會自動將它加入允許清單。

長期記憶

在 30 天期限以外,持續保存語義偏好及處理範本:

  • 「這種存取模式屬預期行為,因為這正是該角色的用途。」
  • Greenlight 過往的案例數據顯示:「來自這個特定暗網來源的卡片,誤報率為 73 percent——應優先進行去重。」
  • 適用於反覆出現的案例類型的處理範本,當中載有機構知識。

案例學習流程

專用流程會將處理結果回饋至系統:

  1. 資料匯入 – AWS Lambda 函數會從 Tines 事件擷取每宗案例的處理結果。
  2. 學習及去重 – DynamoDB 會儲存處理模式,並為相似案例去重。當 Luna 以相同方式處理某宗案例三次後,便會將其記錄為已確認的模式。
  3. 摘要 – Lambda 函數會將新學習內容整理成可行的背景資訊,供主管在推理時使用。
  4. 回饋循環 – 處理所得的學習內容會回饋至 Tier 1,逐步提升首次處理的準確度。

此流程令 Luna 的自主處理率由 83 percent(僅 Tier 1)提升至超過 90 percent(Tier 1、Tier 2 及學習內容)。

從 SOC 擴展至金融風險分流

Greenlight 在 SOC 部署後兩個月內,將 Luna 擴展至金融風險評估。架構改動極少:在現有基礎設施上加入新的專用 Agent 及風險領域主管。

暗網外洩卡片工作流程

當 Greenlight 客戶的卡片出現在暗網時,Luna 會自主執行以下工作流程:

  1. 資料匯入 – 威脅情報供應商(Mastercard、內部資訊來源)會回報已遭入侵的卡號。
  2. 核實 – Luna 查詢 Galileo:這張卡是否屬於 Greenlight?目前是否有效?近期交易紀錄如何?
  3. 去重 – 檢查 DynamoDB:這是否重複通知?這張卡是否已完成補救處理?多個供應商往往會回報同一宗外洩事件。
  4. 交叉比對 – 查詢 Mixpanel,檢查客戶工作階段是否有異常;查詢 Zendesk,查看相關支援單;並參考內部詐騙評分。
  5. 評估及採取行動 – 判定風險級別。低風險:記錄並監察。中風險:標記以供審查。高風險:連同完整證據鏈交由人工分析員跟進。

Greenlight 每日收到數以百計的外洩卡片通知。Luna 會在數秒內逐一處理。人工分析員若要完成相同工作——登入 Galileo、檢查 DynamoDB、開啟 Mixpanel、搜尋 Zendesk——每張卡需時 15-30 minutes。

結果

下表追蹤 Greenlight 在對 SOC 最重要的指標上的保安營運表現,比較三個階段:Luna 推出前的人工分流、Tier 1 自動化,以及完整的 Tier 1 和 Tier 2 系統。

指標 Luna 推出前 使用 Tier 1 使用 Tier 1 和 Tier 2
自主處理率 0%(全部由人工處理) 83% 超過 90%
每月處理的案例數 3,000-4,000 3,000-4,000 3,000-4,000
常規分流時間中位數 15-30 分鐘 秒 秒
升級交由人類分析師處理 100% 個案 17% <10%
成本節省 基準 顯著 相當於多名全職員工
風險降低 基準 更快偵測 一致的 24/7 品質

預計節省的分析師工時:

根據 Greenlight 的個案量及人工處理時間測量,每月處理 4,000 宗個案、每宗需時 15–30 分鐘,約需 1,000–2,000 小時的分析師工時。Greenlight 表示,Luna 可自主處理超過 90% 的這些個案,每月估計可省下 900–1,800 小時的常規人工工作。分析師因此可集中處理需要人類判斷的個案。

風險降低來自兩個因素:速度(與數分鐘相比,數秒即可完成處理,縮短了風險暴露窗口)和一致性(Luna 在星期六凌晨 3 時採用的分流邏輯,與星期二上午 10 時相同,不會疲倦,也不會走捷徑)。

構建 Luna 的五個經驗

構建 Luna,並將其應用範圍從安全營運擴展至金融風險,讓 Greenlight 團隊在受監管環境中構建多 Agent 系統時,總結出五個經驗:

1. 先從界定明確的領域開始,再橫向擴展

Greenlight 從安全分流開始,因為成功標準很明確:正確處理個案,否則便升級處理。這個模式證明可靠,解決率達 83% 後,擴展至金融風險只需加入新的專門 Agent 和風險領域監督 Agent,無須重建架構。

2. 映照人手團隊的架構

Tier 1/Tier 2 模式直接對應 SOC 團隊現有的運作方式。L1 分析師使用作業手冊處理大量個案;L2 分析師則運用調查技能處理複雜個案。這令團隊更快建立安全團隊的信任。他們很容易理解這個模式,因為它符合他們自己的升級處理邏輯。

3. 記憶的價值會不斷累積

情節記憶及長期記憶層,令 Luna 的解決率由 83% 提升至超過 90%。每宗已解決的個案都會讓 Luna 學到新知識:新的允許清單模式、已確認的誤報來源,以及解決方案範本。運作 6 個月後,Luna 已累積機構知識;新任人類分析師則需要數月才能建立同等知識。

4. 先分流,再採取行動

在受監管環境中,Greenlight 將 Luna 設計為負責分流及提出建議,不會在未獲明確政策批准下自主採取補救措施。擴展至風險領域時也遵循同一原則。Luna 會提供支持其建議的證據。在這種人在迴路的模式中,人類分析師或獲批准的自動化政策會授權並執行補救措施。這種分工符合 Greenlight 的合規要求,亦有助建立風險團隊的信任。

5. 在不同領域共用專門 Agent

Greenlight 擴展至金融風險時,重用現有的專門 Agent(Datadog、Zendesk、Mixpanel),並新增特定領域的 Agent(Galileo、欺詐評分)。同一個檢查 Zendesk 工單以處理安全個案的 Agent,也會檢查風險個案的工單。這可減少維護工作,並有助確保不同領域的處理方式一致。

基礎設施堆疊

Luna 完全使用 AWS 託管服務運行。Amazon Bedrock AgentCore 是協調執行環境,其餘堆疊則負責排程、訊息傳遞、狀態、機密資料及整合。下表列出各項服務及其在基礎設施中的角色:

服務 角色
Amazon Bedrock AgentCore 多代理協調執行環境。以 VPC 部署於私有子網,透過 ZIP 和 S3 直接部署程式碼
Amazon EventBridge 按固定頻率排程觸發 Tier 2 深入分流週期
Amazon SNS 佇列完成事件及各層級之間的通知路由
Amazon DynamoDB 學習成果儲存、個案去重及解決方案模式持久化
Amazon S3 代理程式套件及 Terraform 狀態管理
Amazon CloudWatch Logs 保留 30 天,用於稽核追蹤記錄及合規證據
AWS Secrets Manager 外部 API 認證資料
AWS Lambda 資料擷取、解決方案後處理、啟動及摘要函式
Amazon API Gateway Luna Queue API 及供外部整合使用的 MCP 端點

Greenlight 下一步的建設內容

在安全及風險領域的基礎上,Greenlight 正將 Luna 的多代理模式擴展至新的營運領域及工具:

  • 全面覆蓋風險領域 – 為財務及業務風險個案提供自主分流(進行中,約一個月前推出)。
  • 產品營運 – 正探索 AWS DevOps Agent,以調查事故、分析根本原因及提供緩解建議。Greenlight 亦正評估 Luna 現有代理程式能否在能力重疊的範圍內支援營運調查。
  • 自訂營運工作流程 – 正探索 AWS DevOps Agent 的自訂代理程式、技能及 Model Context Protocol 整合,以建立可重複執行的營運工作流程,並存取 Greenlight 的內部工具。
  • AWS DevOps Agent 及技能 – 結合 AWS DevOps Agent 的使用者介面及技能框架,用於指令碼執行工作流程(執行時間上限為 90 秒)。
  • Well-Architected 評估 – 正探索 Model Context Protocol 伺服器,以按照 AWS 最佳實務自動評估基礎架構。

結語

根據 Greenlight 在正式環境中的測量數據,Luna 可自主解決公司超過 90% 的安全及風險個案,每月處理最多 4,000 宗個案。需要進一步判斷的個案會升級交由人類分析師處理。這種由人員參與的方式,讓 Greenlight 能自動處理例行分流,同時保留對修復決策的控制權。

其他受監管行業的團隊可採用相同做法:先從範圍明確的應用案例着手,訂明清晰的升級準則,並隨系統逐漸成熟而加入專門代理程式及記憶機制。初始模式證實可靠後,團隊便可將其擴展至相關營運領域。

如欲瞭解更多,請瀏覽 Amazon Bedrock AgentCore 產品頁面及 Amazon Bedrock AgentCore 説明文件。


作者簡介

Adam Maksimuk

Adam Maksimuk

Adam 是 Greenlight 的資深幕僚安全工程師,負責設計代理式 AI 系統。他自 2023 年起建構正式環境 AI 系統,先後任職於 Navan 及 Greenlight,並在 Greenlight 推出過數代自主代理程式。Adam 專門研究如何將大型語言模型應用於事故應變、營運自動化及偵測工程。

Gaurav Begwani

Gaurav Begwani

Gaurav 是 Greenlight 的基礎設施及安全營運副總裁,負責領導雲端基礎設施、企業韌性及安全策略。二十多年來,他在高速成長的企業建立並擴展安全工程、攻擊性安全、全球安全營運及威脅偵測計劃。他專注於建立支援快速增長、同時保障客戶信任的韌性基礎設施,並領導安全、正式環境及 IT 營運的 AI 轉型。

Venu Thangalapally

Venu Thangalapally

Venu 是 AWS 的高級解決方案架構師,駐於芝加哥,精通雲端架構、數據與分析、容器技術及應用程式現代化。他與金融服務業客戶合作,將業務目標轉化為安全、可擴展且符合規範的雲端方案,帶來可量度的價值。Venu 熱衷於運用科技推動創新及卓越營運。

Mani Teja Nissankararao

Mani Teja Nissankararao

Mani Nissankararao 是 AWS 的技術客戶經理,負責支援金融服務業客戶。他協助銀行及金融科技公司在 AWS 上安全、穩健地運作,優化成本,並在監管規範下採用生成式 AI。他與工程及安全團隊合作,推進雲端遷移和卓越營運,並將 AWS 新功能由概念驗證推進至正式環境。

來源:AWS Machine Learning Blog · aws.amazon.com