How TUI scales threat modeling for 100+ teams with Amazon Bedrock

TL;DR · AI 摘要
TUI利用Amazon Bedrock构建AI驱动的威胁建模系统,将威胁建模时间从4-6小时缩短至15分钟,每月处理能力提升至100+次。
核心要点
- 使用Amazon Bedrock和Claude Sonnet 4.5模型实现威胁建模自动化
- AgentCore runtime使系统30天内完成生产部署
- 处理时间从4-6小时缩短至15分钟,吞吐量提升25倍
结构提纲
按章节快速跳转。
- §引言
TUI面临100+团队威胁建模效率瓶颈,传统人工流程无法满足需求。
- ·挑战
人工威胁建模耗时4-6小时,每月仅能处理3-4次,存在标准执行不一致问题。
基于Amazon Bedrock构建AI代理工作流,集成Claude Sonnet 4.5模型和AgentCore runtime。
- ·实施过程
10周POC验证后30天完成生产部署,使用无服务器架构部署在eu-central-1区域。
- ›技术选型
选择Amazon Bedrock因其模型托管能力、扩展思考支持及AWS服务集成优势。
- ·成果
威胁建模时间缩短至15分钟,每月处理能力提升至100+次。
思维导图
用一张图看清主题之间的关系。
查看大纲文本(无障碍 / 无 JS 友好)
- AI驱动威胁建模架构
- 挑战
- 人工流程低效
- 标准执行不一致
- 解决方案
- Amazon Bedrock集成
- Claude模型应用
- AgentCore runtime部署
- 成果
- 处理时间15分钟
- 吞吐量100+/月
金句 / Highlights
值得收藏与分享的关键句。
AgentCore runtime使代理在生产环境中无需基础设施配置即可运行
使用Claude Sonnet 4.5模型的扩展思考能力实现深度威胁分析
威胁建模处理时间从4-6小时缩短至15分钟,效率提升16倍
TUI如何借助Amazon Bedrock为100+团队扩展威胁建模 | AWS架构博客
TUI如何借助Amazon Bedrock为100+团队扩展威胁建模
当安全团队只有4名工程师,而组织拥有超过100个数字产品团队时,威胁建模会迅速成为瓶颈。这就是TUI面临的挑战。TUI在航空、酒店、邮轮和本地旅游体验等领域运营。我们的平台与工程部门需要安全评估来保持同步。
在TUI,每次威胁建模会议需要4-6小时的人工工作:审查架构图、将威胁映射到内部标准、研究安全问题,并在Confluence中记录发现。团队每月只能完成3-4次会话,导致持续积压。
TUI需要将威胁建模作为每个新服务的强制要求,而不是仅保留给最高优先级项目的奢侈品。TUI使用Amazon Bedrock构建了一个AI驱动的威胁建模系统,在与AWS生成式AI创新中心进行为期10周的概念验证(PoC)期间,合作开发并验证了架构。Amazon Bedrock是构建生成式AI应用的全托管服务,TUI使用了Anthropic的Claude Sonnet 4.5基础模型。TUI选择Amazon Bedrock是因为它提供了对Claude Sonnet 4.5的托管访问,无需运营模型基础设施,其扩展思考支持用于工作流的深度分析,以及与TUI现有堆栈中的AWS服务的集成。TUI在Amazon Bedrock AgentCore运行时(Amazon Bedrock AgentCore的一部分)部署了智能体工作流,这是一个用于构建、连接和优化智能体的平台,支持任何框架或模型。AgentCore运行时在生产环境中托管智能体,无需配置或扩展基础设施。概念验证后,TUI在30天内将系统投入生产。
在本文中,我们将描述TUI如何为威胁建模构建智能体AI工作流,架构的迭代过程以及部署后的结果。
挑战
TUI的安全工程团队遵循一个详尽但手动的流程:对于每个应用程序,工程师会审查架构,使用STRIDE方法识别威胁,将它们映射到TUI技术标准、P&E特定标准和ISO 27001控制措施,并在Confluence中使用Jira票证记录发现。
由于有100多个数字产品团队,每月只能进行3-4次会话,大多数团队需要等待数周才能获得审查。安全工程师在不同技术堆栈上的专业知识水平也参差不齐,没有自动化方法可以验证这些标准是否一致应用于每个评估。
解决方案概述
该解决方案通过在eu-central-1(法兰克福)AWS区域部署的无服务器架构,通过AWS威胁设计者扩展了TUI特定功能。模型的可用性因区域而异。有关各区域的模型可用性,请参阅Amazon Bedrock中的《按AWS区域划分的支持模型》。这些服务共同取代了手动审查流程,采用自动化工作流,一致地应用TUI技术标准和P&E特定标准。系统使用以下关键服务:
- 使用Anthropic的Claude Sonnet 4.5进行威胁分析和生成的Amazon Bedrock,具有可配置的扩展思考预算。
- Amazon Bedrock AgentCore 运行时用于托管基于代理的工作流,作为托管的无服务器运行时。它无需配置或扩展基础设施即可运行容器化的 LangGraph 代理,支持超出典型函数超时时间的长时间会话,并为并发威胁模型提供每会话隔离。
- AWS Lambda 用于无服务器后端计算,结合 LangGraph 工作流编排。
- Amazon DynamoDB 用于工作流状态管理,并支持恢复功能。
- Amazon Simple Storage Service (Amazon S3) 用于架构图存储、TUI 知识库和网络搜索缓存。
- AWS Amplify 用于 React 前端,结合 Amazon Cognito 身份验证。
图1:TUI威胁设计者系统架构。用户通过 Amazon Cognito 认证后,与托管在 AWS Amplify 上的 React 前端进行交互。请求通过 Amazon API Gateway 传输到 AWS Lambda,后者通过 Amazon Bedrock AgentCore 编排 LangGraph 工作流。代理使用 Amazon Bedrock(来自 Anthropic 的 Claude Sonnet 4.5)进行威胁分析,Amazon DynamoDB 负责状态管理,Amazon S3 用于架构图存储和缓存。
核心是一个基于 LangGraph 的代理工作流,通过多个专用节点处理架构图。工程师上传一个或多个图表(例如高层架构和详细网络拓扑),工作流将其转换为 base64 格式以识别组件和数据流。随后加载相关安全标准并生成威胁,通过迭代优化进行完善。工作流执行差距分析,可选地与领域专家(SME)评估进行对比,并最终组装威胁模型,支持导出为 PDF、JSON 或 Confluence 格式。
下图展示了提交向导界面。工程师提供标题,上传架构图,添加可选的上下文和假设,并根据架构复杂度选择推理深度。整个设置过程大约需要两分钟。
图2:提交向导引导工程师完成六步流程。推理迭代滑块控制推理预算,从快速扫描的“无”到复杂架构(包含20个以上组件)的“高”。
提交后,系统实时跟踪进度,依次处理架构图的每个工作流节点。工程师可以监控当前活跃阶段,并在处理完成后返回查看结果。
图3:实时进度跟踪显示当前工作流阶段。威胁节点上的“思考”指示器反映了 Claude 针对 TUI 安全标准分析架构的扩展思考能力。
迭代之旅:从暴力枚举到智能选择
TUI 团队并非在第一天就确定了最终设计方案。他们经历了多次尝试,每次失败都指明了下一步改进方向。
第一次尝试:将所有内容加载到提示中。最初的方法直接将全部192项 TUI 安全标准(338 KB)加载到基础模型上下文中。这立即失败了。某些单独的标准文档长达20多页,合并后的内容在基础模型开始威胁分析前就已超出令牌限制。
即使使用部分标准,基础模型也难以遵循结构化指令。当被要求仅推荐TUI批准的缓解工具时,它会忽略批准的工具列表,转而建议通用替代方案。不同标准提供的大量矛盾信息使模型感到困惑。
尝试2:基于元数据的选择。突破来自于将问题视为搜索和选择挑战,而非提示加载练习。团队没有加载所有标准,而是为每份文档预生成轻量级元数据:关键词、组件类型、STRIDE分类和相关性评分。
在运行时,基础模型会审查这些元数据(约60KB),并仅选择与特定架构分析最相关的16项标准。这将上下文从338KB减少到21KB,降幅达94%,同时保持覆盖范围。该降幅是基于元数据方法与直接加载所有标准的对比计算得出。
元数据方法符合TUI知识库的结构:部分文档始终是强制性(安全指南、批准工具),而其他文档仅适用于特定架构。团队还评估了检索增强生成(RAG),但面对包含192项标准的有限语料库,其中某些标准无论查询如何都必须包含,基于元数据的选择被证明更可预测且更容易调试。随着知识库增长,RAG可能作为补充方案。
智能体威胁生成:自我纠正的工作流程
威胁生成节点是智能体行为最关键的部分。系统不采用单次生成威胁的方式,而是使用LangGraph子图的"推理-行动"模式。智能体拥有四种工具:添加威胁、删除威胁、读取当前威胁目录、运行差距分析。
智能体自主决定调用哪些工具及顺序。它首先使用STRIDE方法论生成初始威胁集,然后将其输出与加载的TUI标准进行比对。每个威胁包含标题、描述、受影响组件和威胁向量。它还会使用TUI的风险矩阵分配可能性和影响评分。威胁包含推荐的缓解措施(使用TUI批准的工具)和映射的ISO 27001控制项。
工具预算系统防止智能体无限生成。在三次威胁生成调用后,系统强制执行差距分析。智能体必须回退并评估缺失内容后再继续生成。这模拟了人类安全专家的工作方式:生成、审查、识别差距、填补差距。
验证节点在工作流程继续前检查三个条件:威胁目录不为空、所有六个STRIDE类别均被覆盖、至少执行过一次差距分析。如果检查失败,智能体会收到具体反馈并返回循环。
根据TUI生产数据,迭代生成与差距分析的结合通常每架构生成40-60个威胁,相比人工会话识别的30-40个威胁有所提升。它还支持可配置的扩展思考预算,从标准架构的24K推理令牌到复杂系统的64K。
当前威胁情报的网络搜索
安全威胁会定期演变。今天生成的威胁模型需要考虑上周披露的问题。工作流程集成网络搜索,以填补TUI内部标准未覆盖特定技术的空白。
对于架构中识别出的每项技术(如 Keycloak、Kong、Redis 等),系统会生成两个搜索查询:一个用于已知问题,一个用于加固最佳实践。这些查询针对权威来源,如 OWASP、NIST 和 CWE 数据库。在发起 API 调用前,系统会先检查基于 Amazon S3 的缓存(缓存生存时间 TTL 为 7 天)。外部搜索仅使用技术组件名称,架构细节和客户数据不会包含在查询中。
缓存键使用排序后组件名称的哈希值,刻意排除了基础模型生成的描述。这些描述即使在相同图表中不同运行之间也会略有差异,这会降低缓存效果。
根据 TUI 的监控数据,由于许多 TUI 应用共享核心技术,缓存的命中率可达 70-80%。缓存命中可在 100 毫秒内返回结果,而实时搜索需要 2-3 秒。TUI 团队在概念验证阶段评估了多个搜索提供商,并设计了可插拔的提供商架构,允许随着能力演进切换提供商。
专家对比:人机协同验证
TUI 的安全工程师不仅使用该系统,还会对其进行验证。工作流程包含一个可选节点,工程师可上传自行创建的威胁评估 PDF。工作流程通过 Claude 提取威胁,将风险评分归一化到标准等级(LOW、MEDIUM、HIGH、CRITICAL),并使用语义相似性将结果与 AI 生成的威胁进行匹配。
当 AI 和专家对威胁严重性存在分歧时,系统会标记差异,同时显示双方评分和专家的判断依据。例如,AI 可能将凭证填充事件(利用凭证数据库的意外泄露进行自动化登录尝试)评为 HIGH,而专家评为 MEDIUM。随着时间推移,这些对比会校准系统的风险评分,并揭示 AI 一贯高估或低估风险的领域。
下图显示了针对凭证填充威胁的专家对比警报。系统将 AI 生成的威胁与相似的专家威胁进行匹配,对比双方评分(AI:High,专家:HIGH),并显示专家的判断依据及建议。
图 4:针对凭证填充威胁的专家对比警报。系统同时显示 AI 和专家评分、匹配的专家威胁、专家的判断依据及建议。在此案例中,评分一致。当存在分歧时,警报会突出显示差异供人工审核。
从交付到生产:30 天完成部署
概念验证交付后,TUI 团队在 30 天内将系统从原型部署为生产就绪状态。以下结果反映了系统在生产环境中的表现。
结果
| 指标 | 交付前 | 交付后 | |------|--------|--------| | 每次评估耗时 | 4-6 小时 | 最高减少 70%* | | 每月会话数 | 3-4 次 | 10-12 次(增加 300%)* | | 应用标准 | 因工程师而异 | 100% 一致 | | 识别威胁数量 | 30-40 个 | 每架构 40-60 个 | | 是否强制所有团队使用 | 否(积压任务过多) | 是(可扩展) |
*基于 TUI 内部部署前后性能对比测量数据。
解决方案在eu-central-1区域处理每种架构,数据在静态存储时使用AWS密钥管理服务(AWS KMS)加密,在传输过程中使用TLS加密。架构图和威胁模型在AWS基础设施内进行处理,帮助TUI满足其数据驻留和安全要求。
下图展示了威胁目录,这是已完成威胁模型的卡片视图。每张卡片显示原始架构图、AI生成的描述、完成状态以及按严重程度分类的威胁数量(红色表示高风险,黄色表示中风险,绿色表示低风险)。
图5:威胁目录提供了已完成威胁模型的概览。每张卡片显示架构图、AI生成的摘要以及按严重程度分类的威胁数量。
工程师可以选择某个威胁模型,查看包含四个分析视图的仪表板:按可能性分类的威胁、按STRIDE类别分类的威胁、按目标资产分类的威胁以及威胁来源。
图6:已完成威胁模型的洞察仪表板。此示例显示已识别出40个威胁(6个高风险、24个中风险和10个低风险),分布在所有六个STRIDE类别中,并映射到特定的架构组件。
“在发布后的前四周内,64名用户注册,19位独立创作者使用Threat Designer创建了34个威胁模型。过去每次评估需要一到两周的时间,现在可以按需完成。截至2026年10月,使用人数已增长至255名注册用户、86个威胁模型和43位活跃创作者,这表明团队正在将自助式安全作为其开发流程的一部分。”
— Marvin Jordan,TUI安全平台与实践技术负责人
结论
TUI的经验表明,智能体AI工作流可以解决企业安全中的实际操作挑战:使全面的威胁建模足够快速,从而成为强制性要求。通过元数据驱动的上下文选择、自我纠正的威胁生成和智能缓存的结合,一个四人安全团队能够支持超过100个数字产品团队。TUI实现了在规模上的一致性、符合标准的评估。
展望未来,TUI计划通过自动化创建Jira工单来跟踪缓解措施,并与CI/CD流水线集成以进行部署前的安全检查。
您可以使用Amazon Bedrock构建AI驱动的安全工作流,并使用Amazon Bedrock AgentCore在生产环境中部署智能体应用。如需针对特定用例的动手指导,请联系AWS生成式AI创新中心。要了解该解决方案所扩展的开源基础,请查看GitHub上的Threat Designer项目以及AWS博客文章《使用生成式AI加速威胁建模》。
欢迎在评论区留下您的反馈和问题。