DeepSeek崛起
本同国内AI公司背靠互联网大厂不同，DeepSeek由量化对冲基金幻方量化运营。
2016年--幻方量化推出首个 AI 模型，基于深度学习的交易仓位诞生。
2017年--幻方量化将 AI 融入几乎所有的量化策略中。
2023年--幻方量化宣布成立创新型大模型公司，DeepSeek诞生。
2023年--DeepSeek推出并开源了深度求索（DeepSeek Chat）模型，包含7B和67B两个版本。
2024年12月--DeepSeek-V3推出并开源。
2025年1月20日--DeepSeek-R1推出，在Chatbot Arena综合榜单上排名第三，与OpenAI的顶尖推理模型o1并列。
据每日经济新闻报道，DeepSeek的R1的预训练费用只有557.6万美元，仅是OpenAI GPT-4o模型训练成本的不到十分之一。同时，DeepSeek公布了API的定价，每百万输入tokens 1元（缓存命中）/4元（缓存未命中），每百万输出tokens 16元。这个收费大约是OpenAI o1运行成本的三十分之一。
“人红是非多”，2025年春节期间，DeepSeek遭受史诗级DDoS攻击，带宽高达3.2Tbps，相当于每秒传输100余部4K电影。攻击方式包括：
反射放大攻击：在1月27日之前的攻击中，主要以NTP、SSDP、CLDAP等反射放大攻击为主。攻击者利用这些协议的特性，通过伪造目标服务器的IP地址，向第三方服务器发送请求，使第三方服务器返回大量数据给目标服务器，从而消耗目标服务器的网络带宽和系统资源。
HTTP代理攻击：自1月27日开始，大量HTTP代理攻击出现。攻击者利用HTTP代理服务器，隐藏自身IP地址，向DeepSeek发起恶意请求，增加了攻击的隐蔽性和防御难度。
僵尸网络攻击：1月30日凌晨，RapperBot和HailBot这两个Mirai变种僵尸网络参与对DeepSeek的攻击。僵尸网络控制大量如物联网设备等被感染设备，发起分布式拒绝服务（DDoS）攻击，耗尽DeepSeek服务器网络带宽和系统资源，致其无法正常服务。
2025年1月31日，DDoS攻击之后，在DeepSeek的CDN端点检测到一个基于DOM的跨站脚本漏洞。该漏洞是由于对postMessage事件处理不当导致的，攻击者可以在不进行适当来源验证或输入清理的情况下，将恶意脚本注入文档上下文。这一漏洞可能导致攻击者劫持用户会话、窃取敏感信息，甚至发起网络钓鱼攻击。
2025年2月1日已有漏洞，但同一天又发现了另一XSS漏洞。这个漏洞使攻击者能够在DeepSeek人工智能平台内注入并执行任意JavaScript代码。
ClickHouse 数据库泄露
Wiz Research最近发现，DeepSeek的基础设施存在重大安全漏洞，通过可公开访问的ClickHouse数据库，大量敏感数据被暴露。
在oauth2callback.deepseek.com和dev.deepseek.com托管的两个数据库实例，在端口8123和9000上存在未授权访问漏洞，任意用户都可以通过ClickHous的HTTP接口访问和操作数据。这个漏洞导致超过一百万行的日志流被曝光，包含聊天记录、API密钥、后端详细信息和操作元数据等高度敏感的信息。
Wiz Research展示了执行任意SQL查询的能力，能从名为log_stream的表中检索数据，该表包含聊天记录、API密钥和内部系统详细信息等敏感内容。
这一事件尤其令人担忧，因为DeepSeek的R1论文中并未提及任何特定的加密标准，这让人对其系统内敏感数据的保护产生质疑。这些数据库包含一个“log_stream”表，存储了自2025年1月6日以来的敏感内部日志，其中包括用户对DeepSeek聊天机器人的查询、后端系统用于验证API调用的密钥、内部基础设施和服务信息，以及各种操作元数据。
网络安全防护体系构建
构建AI威胁平台，利用人工智能技术收集和分析大量的网络数据、系统日志以及用户行为数据，自动识别潜在的安全威胁。及时监测网络中的异常流量、恶意软件活动以及未知的攻击行为，为安全团队提供精准的威胁情报，帮助他们快速响应和处理安全事件。
实施动态访问控制防护，根据用户的角色、权限以及访问的上下文环境，动态生成访问控制策略。这样可以确保每个用户只能访问其被授权的资源，有效防止非法访问和数据泄露。
强化溯源能力，清晰记录数据的来源、流向和处理过程，以便在发生数据泄露或异常篡改时，能够迅速追溯到问题根源。同时，对敏感数据进行加密处理，确保数据在传输和存储过程中的保密性和完整性。
建立供应链安全评估机制
对供应商进行安全评估，包括其安全管理体系、技术能力、安全事件响应能力等方面。选择具有良好安全信誉和可靠安全能力的供应商，降低供应链安全风险。
在供应链的关键环节部署硬件级可信执行环境，为关键计算任务提供一个安全、可信的运行环境。确保关键数据和计算过程在硬件层面得到保护，防止外部攻击和内部泄露的风险。
建立“红蓝对抗”机制
创建“红蓝对抗”常态化机制，在专业服务商团队的配合下，在企业内部建立专业的“红队”和“蓝队”。“红队”模拟黑客攻击，以当下流行的攻击手段，寻找系统和网络中的安全漏洞；“蓝队”负责防守，应对“红队”的攻击，提升防御能力。通过常态化的“红蓝对抗”演练，不断发现和修复安全漏洞，提高安全团队的实战能力。
推行安全能力量化评估
建立安全能力量化评估体系，对企业的安全能力进行客观、准确的评估。从安全防护的有效性、安全事件的响应速度、安全策略的合规性等多个维度进行量化评估，帮助企业清晰了解自身安全能力的现状和不足，为安全建设提供明确的方向和目标。
网络层面，部署防火墙和ACL过滤恶意流量，使用IPS监控并实时阻止DDoS攻击，借助CDN分配流量，分析流量模式减少流量型攻击影响；
应用层面，运用WAF检查流量、阻止恶意请求并定期更新规则，通过更改网络设置等方式发现并修复漏洞，添加验证码防御bot攻击；
基础设施层面，采用可扩展和分布式基础设施，如Anycast网络路由、负载均衡器和CDN，在不同网络部署数据中心，增加基础设施韧性；
专业DDoS防护服务方面，利用云服务商的专业工具持续监控并过滤恶意流量，运营商提供流量清洗等服务，借助分布式近源清洗等技术帮助企业应对攻击；
安全运营和管理上，提前制定DDoS响应计划，使用实时流量分析工具监控并设置警报。
避免敏感信息：不在AI应用中输入个人隐私、财务信息或机密数据。
了解隐私政策：使用前仔细阅读隐私条款，确保数据使用符合预期。
建立供应链安全评估机制
对供应商进行安全评估，包括其安全管理体系、技术能力、安全事件响应能力等方面。选择具有良好安全信誉和可靠安全能力的供应商，降低供应链安全风险。
在供应链的关键环节部署硬件级可信执行环境，为关键计算任务提供一个安全、可信的运行环境。确保关键数据和计算过程在硬件层面得到保护，防止外部攻击和内部泄露的风险。
验证信息准确性：对AI生成的内容保持怀疑，尤其是重要决策时。
识别虚假内容：注意AI生成的虚假文本、图像或视频，避免传播不实信息。
遵守法律法规：确保AI使用符合当地法律和道德规范。
避免滥用：不利用AI进行非法或不道德的活动。
强密码设置：为AI应用账户设置复杂密码，并定期更换。
启用双重认证：增加账户安全性，防止未经授权访问。
关注异常行为：发现AI行为异常时，立即停止使用并联系开发者。
反馈问题：及时向开发者报告安全漏洞或不当行为。
提升安全意识：学习AI安全知识，增强防范能力。
培训家庭成员：确保家人了解AI使用中的安全风险。
评估供应商信誉：选择有良好安全记录的AI服务提供商。
查看用户评价：参考其他用户的反馈，选择可靠的AI应用。