為什麼資安工具需要 MCP 伺服器？

傳統的資安分析流程需要分析師手動複製日誌、貼上到各種工具中比對，再整合結果。這種方式不僅效率低落，還容易遺漏關鍵資訊。當你需要同時查詢 IDS 告警、威脅情報資料庫、漏洞掃描結果時，往往需要在多個系統間來回切換。 MCP（Model Context Protocol）正是為了解決這個問題而生。它讓 AI agent 能夠直接與你的資安工具栈對話，自動執行查詢、匯總、分析等任務。你不再需要手動整理資料，AI 可以即時存取你的安全資料並提供建議。 根據實際經驗，協議本身的實作其實是最簡單的部分。真正的挑戰在於理解你的資安工具的 API 限制、處理認證機制，以及設計適合 AI 理解的回應格式。

實作第一個資安 MCP 伺服器：ClamAV 掃描工具

讓我們從最基礎的案例開始——為 ClamAV 防毒軟體建立 MCP 伺服器。這個案例很好地展示了 MCP 的核心概念。 ```python # clamav-mcp-server.py from mcp.server import MCPServer from mcp.types import Tool, TextContent import subprocess server = MCPServer("clamav-scanner") @server.list_tools() async def list_tools(): return [ Tool( name="scan_file", description="掃描指定檔案是否含有惡意程式", input_schema={ "type": "object", "properties": { "file_path": {"type": "string"} } } ) ] @server.call_tool() async def scan_file(file_path: str): result = subprocess.run( ["clamscan", "--json", file_path], capture_output=True, text=True ) return TextContent(text=result.stdout) ``` 這個伺服器暴露了 `scan_file` 工具給 AI agent。AI 可以直接說「請掃描 /tmp/suspicious.exe」，而不需要你去手動執行指令。

串接威脅情報：VirusTotal MCP 伺服器

第二個案例展示如何整合外部 API——VirusTotal 的威脅情報查詢。這在資安分析中非常實用。 ```python # virustotal-mcp-server.py from mcp.server import MCPServer from mcp.types import Tool import requests VT_API_KEY = "your-api-key" # 建議使用環境變數 server = MCPServer("threat-intel") @server.call_tool() async def lookup_hash(file_hash: str): url = f"https://www.virustotal.com/api/v3/files/{file_hash}" headers = {"x-apikey": VT_API_KEY} response = requests.get(url, headers=headers) data = response.json() # 格式化為 AI 友善的結構 return { "malicious_votes": data["data"]["attributes"]["last_analysis_stats"]["malicious"], "threat_type": data["data"]["attributes"].get("popular_threat_classification", {}).get("suggested_threat_label"), "scan_results": data["data"]["attributes"]["last_analysis_results"] } ``` 關鍵在於回傳格式的設計。直接返回 API 的原始 JSON 對 AI 來說難以理解，你需要轉換成有意義的摘要結構。這個伺服器讓 AI 能夠自動檢查可疑檔案的聲譽。

整合 SIEM：Splunk 查詢伺服器

對於企業資安營運中心（SOC），SIEM 是核心系統。將 Splunk 整合到 MCP 生態中，能大幅提升威脅調查效率。 ```python # splunk-mcp-server.py from mcp.server import MCPServer from mcp.types import Tool from splunklib import client def create_splunk_server(): service = client.connect( host="splunk.company.com", port=8089, username="mcp_service_account", # 最小權限原則 password=os.environ["SPLUNK_PASSWORD"] ) server = MCPServer("splunk-siem") @server.call_tool() async def search_logs(query: str, earliest="=-1h"): jobs = service.jobs kwargs_search = {"earliest_time": earliest} search_result = jobs.create(query, **kwargs_search) # 等待搜尋完成 while not search_result.is_done(): time.sleep(0.5) return { "total_results": search_result.resultCount, "events": list(search_result.results()) } return server ``` 實作時有幾個重要考量：使用專用的服務帳號並遵循最小權限原則、實作搜尋逾時機制避免 AI 陷入長時間查詢、限制回傳結果數量防止上下文爆炸。

MCP 資安伺服器的安全性最佳實踐

將資安工具暴露給 AI agent 帶來了新的安全風險。以下是七個案例中累積的實踐經驗： **1. 網路隔離**：MCP 伺服器應該部署在隔離網段，嚴禁直接暴露在公網。使用跳板機或 VPN 存取。 **2. 認證機制**：每個 MCP 伺服器都應該實作 API Key 驗證，不要依賴系統層級的信任假設。 ```python # 驗證 Middleware 範例 @server.middleware() async def auth_check(request): api_key = request.headers.get("x-api-key") if not verify_key(api_key): raise UnauthorizedError("Invalid API Key") ``` **3. 速率限制**：實作每分鐘/每小時的 API 呼叫限制，防止惡意查詢耗盡資源。 **4. 日誌稽核**：所有 MCP 工具呼叫都應該記錄到稽核日誌，包含呼叫者、工具名稱、時間和參數。 **5. 輸入驗證**：AI 可能傳入非預期的參數，必須嚴格驗證所有輸入格式。

從零到七：我的 MCP 資安工具組合

經過七個伺服器的實作經驗，我整理出以下工具組合推薦： | 工具類型 | MCP 伺服器 | 主要功能 | |---------|-----------|---------| | 端點安全 | ClamAV, YARA | 檔案掃描與規則比對 | | 威脅情報 | VirusTotal, AbuseIPDB | IoC 查詢與聲譽評估 | | 日誌分析 | Splunk, Elastic | 事件搜尋與關聯分析 | | 漏洞管理 | Nessus, OpenVAS | 漏洞狀態查詢 | | 網路安全 | Suricata, Zeek | 網路流量分析 | 這個組合覆蓋了威脅生命週期的主要階段：預防（漏洞掃描）、偵測（日誌分析、網路監控）、回應（檔案分析、威脅情報）。 協議本身（定義工具格式、請求/回應結構）只佔了整體工作量的約 20%。剩餘 80% 的時間都在處理認證邏輯、錯誤處理、資料轉換和安全性強化。

結論：MCP 正在改變資安營運

Model Context Protocol 為資安工具的 AI 整合提供了標準化的方法。透過 MCP 伺服器，你的 AI agent 不再只能處理靜態的 log 片段，而是能夠即時存取整個安全栈的動態資料。 這不僅是技術上的改進，更是工作流程的革新。分析師可以專注於高價值的決策判斷，而非機械性的資料收集工作。 ---