Tamnoon 基于 Amazon Bedrock 构建 AI 云安全修复编排器 Tami，实现云暴露风险降低超 90% 且零生产事故

一句话结论

Tamnoon 利用 Amazon Bedrock 构建 AI 编排器 Tami，在 90 天内助客户降低超 90% 关键云暴露风险并每周节省 13,000 小时。

关键要点

• Tamnoon 的 AI 云安全修复编排器 Tami 在 90 天内帮助客户将关键云暴露风险降低超过 90%，同时在数百万工作负载中保持零生产事故。
• 该编排器每周为工程师节省超过 13,000 小时，通过标准化分析超过 1,400 万条云告警，并利用根本原因聚类使修复效率提升最多达 100 倍。
• 架构采用事件驱动无服务器设计，部署了调查、验证、代码审查及执行四个专用 AI 代理，覆盖 AWS、Azure 及 Google Cloud 多云环境。
• 系统运行于独立 AWS 账户，通过 Amazon API Gateway 单一入口接入，核心组件位于多可用区私有网络，不直接暴露于互联网。
• 推理任务固定使用 Anthropic Claude 模型（如 claude-sonnet-4-5-20250929），采用 temperature=0 确定性解码，并通过 Amazon Bedrock Guardrails 统一审查请求与生成代码。
• 权限控制实行最小原则，AI 在执行阶段不持有长期云凭据，而是通过短期、租户范围凭据在隔离环境中操作，所有修复需经独立安全评估、审批工作流及完整审计追踪。

背景与事实

Tamnoon 是一家专注于云安全领域的公司，其核心产品是基于 Amazon Bedrock 构建的 AI 云安全修复编排器 Tami。该系统旨在解决云环境中告警噪音大、修复流程复杂以及跨云环境管理困难的问题。根据提供的技术架构描述，Tami 接入了一系列主流的安全工具与平台，包括 Wiz、CrowdStrike、Palo Alto Cortex、Upwind、SentinelOne、Orca、Cyera 以及 AWS 原生的 Security Hub 和 GuardDuty。通过这一广泛的集成网络，Tami 能够标准化分析超过 1,400 万条云告警。在效率方面，系统通过根本原因聚类技术，将原本冗长的修复流程优化，使得修复效率提升最多可达 100 倍。在实际运营成果上，Tami 在 90 天的周期内帮助客户将关键云暴露风险降低了 90% 以上，并且在处理数百万级工作负载的过程中，实现了零生产事故的记录，同时每周为运维工程师节省了超过 13,000 小时的工作时间。

在技术架构层面，Tamnoon 采用了事件驱动的无服务器（Serverless）设计模式，以确保系统的高可用性与弹性。平台在独立的 AWS 账户中运行，通过 Amazon API Gateway 作为唯一的入口点接入外部请求。核心组件被部署在多可用区的私有网络中，确保不直接暴露于互联网，从而增强了网络安全性。计算层结合了 Amazon EKS 上的常驻服务与 Lambda 事件驱动任务，利用 Amazon EventBridge、Simple Queue Service (SQS) 以及 Step Functions 来协调大规模并行处理任务。这种设计使得系统能够高效地管理来自多个云环境（包括 AWS、Azure 和 Google Cloud）的数据流。在 AI 代理的部署上，系统专门设计了四个代理角色：调查代理负责初步分析，验证代理确保修复方案的正确性，代码审查代理对生成的修复代码进行合规性检查，执行代理则在隔离环境中实施修复。所有 Tami 工作负载通过 ChatBedrockConverse 接口调用固定版本的 Anthropic Claude 模型，例如 claude-sonnet-4-5-20250929，并采用 temperature=0 的确定性解码策略，以保证输出的一致性与可预测性。

安全与模型治理是 Tami 架构的核心重点。推理过程仅在 Tamnoon 的 AWS 美国商用区域内运行，使用 Bedrock 的跨区域推理功能在地理边界内自动路由请求，以维持高吞吐量的同时确保敏感数据不离开信任边界。所有请求与生成的代码都会经过 Amazon Bedrock Guardrails 的统一审查，该机制能够屏蔽个人信息（PII）及机密内容，防范提示注入攻击，并将模型输出严格限制在安全修复的范围内。所有的干预操作均记录在 AWS CloudTrail 中，确保持续的可审计性。在权限控制方面，系统遵循最小权限原则，Lambda 函数仅附加基础的托管策略，IAM 角色的权限被严格限制在 bedrock:InvokeModel 及特定的 Secrets Manager/SQS 资源上。服务间的调用通过 Cognito OAuth2 实现单租户数据隔离，确保不同客户数据的安全性。此外，执行阶段的 AI 代理不持有长期云凭据，而是通过短期的、租户范围的凭据在隔离环境中进行操作。所有的修复操作必须经过独立的安全评估、审批工作流，并具备完整的审计追踪、备份、验证及回滚机制。整个平台的组件通过 CloudFormation 和 SAM 模板以代码形式进行版本控制，确保任何模型或基础设施的变更都经过严格的审查流程。

影响分析

对于中文开发者与云安全从业者而言，Tamnoon 案例展示了 AI 在云安全运营（SecOps）领域的深度应用潜力，特别是“AI 驱动的自动修复”这一前沿方向。传统的云安全管理往往依赖于大量人工审核告警和手动执行修复脚本，效率低下且容易出错。Tami 通过标准化 1,400 万条告警并提升 100 倍修复效率的数据表明，AI 代理在降低“告警疲劳”方面具有显著价值。对于国内正在构建云安全平台的企业或开发者，这一案例提供了架构参考：采用无服务器事件驱动设计结合专用 AI 代理（调查、验证、执行）的模式，可以有效平衡自动化速度与安全性。

此外，Tami 在权限控制与审计追踪方面的设计对合规性敏感的行业（如金融、政务）具有重要借鉴意义。其中“AI 不持有长期凭据”、“短期租户范围凭据”以及“所有干预记录于 CloudTrail”的设计，解决了 AI 自动化操作带来的安全风险顾虑。中文开发者在构建类似系统时，可参考其通过 Amazon Bedrock Guardrails 进行提示注入防护及输出限制的技术路径，这对于确保 AI 生成代码的安全性与合规性至关重要。该案例也反映出多云环境（AWS、Azure、GCP）下统一安全修复编排的技术可行性，为跨国企业或混合云架构的运维团队提供了新的自动化管理思路。

适用边界

上述结论主要基于 Tamnoon 在 AWS 美国商用区域内使用 Amazon Bedrock 及 Anthropic Claude 模型的技术架构。因此，该方案在以下场景可能不适用或需重大调整：首先，对于数据主权要求严格、禁止数据跨境传输的某些行业或地区（如对数据存储位置有强制本地化要求的场景），使用 AWS 美国区域的 Bedrock 服务可能不符合合规要求；其次，Tami 的深度集成依赖于 Wiz、CrowdStrike 等特定第三方安全工具，若企业使用的是其他品牌的安全工具或自研安全平台，其标准化分析能力与集成成本需重新评估；最后，该架构依赖 AWS 生态的无服务器组件（Lambda、EventBridge、Step Functions），对于主要使用非 AWS 云服务商（如纯阿里云、腾讯云环境）的企业，直接复用该架构需进行底层云服务的适配与重构，且跨云统一编排的复杂性会显著增加。

孤本观察

从编辑视角判断，Tamnoon 的核心竞争力在于将 AI 从“辅助分析”推向了“闭环执行”，其零生产事故与 90 天降低 90% 风险的组合数据，暗示了 AI 代理在安全修复中的高可靠性，但这高度依赖于其严格的权限隔离与审计机制。

来源：AWS Machine Learning Blog（https://aws.amazon.com/blogs/machine-learning/how-tamnoon-built-ai-powered-cloud-security-remediation-with-amazon-bedrock/）

来源：AWS Machine Learning Blog