什麼是網路安全中的沙箱？威脅偵測

什麼是沙箱？

沙箱化是一種安全技術，可在受控且隔離的環境中執行不受信任的程式碼，以觀察其行為，而不會讓正式環境系統、資料或端點暴露於潛在危害之中。當可疑檔案進入您的收件匣，而您的靜態分析工具未返回任何已知簽章時，當您的 SIEM（安全資訊與事件管理）未顯示任何相符的入侵指標時，沙箱可讓您在不使網路承受風險的情況下，查明該檔案會執行什麼動作。

NIST SP 800-83 將沙箱定義為一種安全模型，其中「應用程式在沙箱內執行，該沙箱是一個受控環境，會限制應用程式可執行的操作，並將其與在同一主機上執行的其他應用程式隔離。」

在實務上，您會將檔案、URL 或程式碼樣本提交到這個隔離環境中。沙箱會讓樣本執行、記錄其採取的每一個動作，並提供行為報告。如果樣本投放第二階段酬載、修改登錄機碼，或回連至命令與控制伺服器，您都能完整看見，而不會觸及任何正式環境資產。

為什麼沙箱在網路安全中很重要

沙箱在您的防禦堆疊中占有特定且重要的位置：它彌補了基於特徵碼的工具已知內容與未知內容之間的落差。當您的雜湊查詢與 IOC 摘要皆無結果時，沙箱就會成為您用來引爆未知樣本的艙室。

NIST SP 800-94 將基於沙箱的程式碼分析定位為主機式入侵發現與防護中的一項技術，與網路流量分析、檔案系統監控及日誌分析並列。

這份 NIST 公告 將沙箱對應到 NIST SP 800-61 事件回應各階段，從準備到事件後活動。

以下各節將說明沙箱在技術層面的運作方式、最能發揮價值之處，以及其不足之處。

沙箱如何運作

沙箱遵循結構化的流程管線。每個階段都建立在前一階段之上，以產生行為判定。

1. 提交與接收： 您會提交可疑成品，無論是檔案、電子郵件附件、URL 或指令碼。在大多數企業部署中，此提交是透過與您的電子郵件閘道、Web Proxy 或 SOAR (Security Orchestration, Automation, and Response) 劇本整合來完成，而非手動上傳。
2. 靜態預先篩選： 在執行之前，沙箱會進行靜態分析。它會產生密碼編譯雜湊、擷取字串（包括 IP 位址與網域名稱），並將這些內容與已知黑名單交叉比對。根據 ACM CCS 研究，此階段有助於分類已知變種，並減少需要完整引爆的樣本數量。
3. 在隔離環境中引爆： 無法透過靜態篩選判定的樣本會進入動態分析。沙箱會在隔離的虛擬機器或容器內執行該檔案。
4. 行為觀察與記錄： 在執行期間，沙箱會記錄樣本採取的每一項可觀察動作：API 呼叫序列、檔案系統修改、登錄變更、網路連線、程序建立，以及程序間通訊。一項 由 NIST 託管的研究 說明了如何將這些執行階段日誌結構化為供下游分類使用的特徵向量。
5. 判定與情報輸出： 沙箱會產生一份將樣本分類的行為報告。這些結構化成品會提供給您的 SIEM 關聯規則、威脅情報平台及行為分析流程管線。

此流程管線在各種沙箱實作中大致一致，但底層基礎架構會因隔離環境執行的位置與方式而有顯著差異。

沙箱與虛擬機器及容器的比較

沙箱、虛擬機器與容器都提供隔離，但它們服務的目的不同，且強制執行的邊界也不同。

虛擬機器會模擬完整的硬體堆疊，執行其自身的 OS 核心、驅動程式與使用者空間。VM 是為工作負載隔離、開發測試與伺服器整併而建置的通用運算環境。它們並非設計來限制其中執行的軟體可執行哪些操作。惡意酬載若在 VM 內執行，便可在該來賓環境中取得完整的 OS 存取權，而 VM 本身不會監控或回報該酬載的行為。

容器會共用主機 OS 核心，但透過命名空間與控制群組來隔離程序。容器是為應用程式封裝與部署效率而建置。它們啟動速度比 VM 更快、消耗的資源更少，但其隔離邊界較薄弱，因為它們仰賴主機核心來處理系統呼叫。

沙箱是專為安全分析而打造。它會限制程序可執行的操作、監控程序採取的每一個動作，並產生結構化的行為報告。沙箱可以在 VM 內執行、在容器內執行，或作為獨立的應用程式層級隔離機制。其決定性特徵在於目的：沙箱的存在是為了觀察並限制不受信任的程式碼，而 VM 與容器的存在是為了執行工作負載。

在實務上，這些技術會協同運作。許多企業沙箱使用以 hypervisor 為基礎的 VM 作為其引爆環境，以實現強大的遏制能力。以容器為基礎的沙箱則處理高量分流情境，在這些情境中速度比完整硬體模擬更重要。正確的選擇取決於您的威脅模型與吞吐量需求。

沙箱類型

並非所有沙箱的運作方式都相同。您選擇的實作會影響擬真度、效能，以及您能捕捉到哪些類型的威脅。主要類型可依隔離環境的執行位置與方式區分如下：

• 雲端型沙箱 在供應商託管的環境中執行引爆。它們部署快速、可依需求擴展，且不需要本地基礎架構。其取捨是自訂能力有限：由於該環境無法鏡像您的實際端點組態，具環境感知能力的 malware 可能會抑制其行為。 SANS ISC 將此標示為針對目標式威脅產生偽陰性的來源。
• 內部部署（本地）沙箱 在您自己的資料中心或 air-gapped network 內執行。它們可以複製您精確的作業系統建置、已安裝軟體與網路拓撲，這可提升對於在引爆前會先對目標進行指紋辨識之對手的擬真度。代價是較高的維護負擔與有限的可擴展性。
• 以 Hypervisor 為基礎的沙箱 使用完整虛擬機器來隔離執行。這可提供強大的遏制邊界與逼真的作業系統行為，但 VM 帶有可被偵測的成品（登錄機碼、BIOS 字串、時間差異），而惡意程式會例行性地檢查這些項目。 MITRE T1497.001 記錄了這些指紋辨識技術。
• 以容器為基礎的沙箱 使用作業系統層級隔離，而非完整硬體模擬。容器更輕量且啟動更快，因此適合高量分流。不過，它們會共用主機核心，與以 hypervisor 為基礎的方法相比，隔離強度較弱。

選擇正確類型取決於您的威脅模型。高量電子郵件篩選偏好雲端或容器型的速度；目標式威脅調查則受益於內部部署的擬真度。無論採用何種實作，每個沙箱都依賴相同的兩種核心分析方法來評估樣本的行為。

靜態與動態沙箱分析

靜態分析與動態分析之間的取捨，決定了您如何設計高效率的沙箱管線。

這種 混合模型 是實務人員所依賴的方法，會先套用靜態分析以進行快速分類，並將動態分析保留給靜態篩查無法判定的樣本。 學術研究 證實此方法是實務上的標準：對於 API 呼叫與操作碼序列而言，完全動態的策略通常最有效，但成本限制要求採用混合式設計。

若部署得當，這種分析方法與沙箱基礎架構的組合可為安全營運帶來數項具體優勢。

沙箱的主要優勢

沙箱在安全生命週期的多個環節都能提供價值，從執行前篩查到事件後鑑識皆然。其核心優勢在於能夠安全分析未知威脅並產出結構化情報。

• 零時差與未知威脅識別： 沙箱可讓您安全地引爆任何簽章資料庫從未見過的檔案，透過觀察到的行為而非既有知識來識別新型惡意軟體。
• 無生產環境風險的安全引爆： NIST 所記錄的隔離特性可確保即使惡意軟體完全執行，也無法觸及生產系統、其他端點或敏感資料。
• 為事件回應提供結構化行為證據： 動態分析會產出具體的鑑識成品：API 呼叫序列、網路連線、登錄機碼修改。這些會成為您 事件回應 工作流程中的可行動證據，而非單純的通過/失敗判定。
• 透過靜態預先篩選提升分流效率： 以靜態分析作為第一道程序可降低分析師工作負載。已知變種會立即被分類。您的分析師只會將引爆資源用於真正需要的樣本。
• 對 AI 模型的情報回饋： 針對新型樣本的沙箱判定會產生行為簽章，並回饋至行為式 AI 模型。這有助於未來識別相似的技術模式，而無需再次進行引爆循環。
• 涵蓋整個事件回應生命週期： 沙箱同時有助於預防與分析階段。您可以主動使用它來篩查傳入檔案，也可以被動使用它來調查在事件回應期間復原的成品。

這些優勢確實存在，但在依賴沙箱判定之前，您需要了解其伴隨的限制。

沙箱的限制

沙箱具有任何設定或供應商選擇都無法完全消除的結構性限制。對手會主動利用這些缺口，因此了解沙箱的不足之處，與了解其擅長之處同樣重要。

• 時間視窗限制： 沙箱引爆視窗有限。對手知道這一點。SUNBURST，也就是 SolarWinds 供應鏈攻擊 背後的酬載，在超出一般沙箱分析視窗後仍保持休眠。根據 MITRE T1497.003，基於時間的規避是已有文件記錄的對手技術。
• 人為互動相依性: MITRE ATT&CK 指出，基於使用者活動的規避「無法輕易透過預防性控制加以阻止，因為它是基於對系統功能的濫用。」沙箱無法點擊對話流程、解決 CAPTCHA，或模擬真實的人類行為。已有文件記錄顯示 FIN7 會利用使用者互動需求來避免自主分析。
• 可識別的沙箱指紋: 虛擬環境會透過時間差異、登錄機碼項目、MAC 位址與 CPU 成品洩漏穩定指紋。像 RogueRobin 這類惡意軟體家族會將 BIOS 版本字串與已知 VM 識別碼進行比對。OopsIE 會查詢 CPU 熱區溫度，而虛擬環境無法以逼真的數值加以模擬。
• 對無檔案威脅的盲點： 傳統沙箱需要可引爆的檔案成品。 無檔案惡意軟體 完全透過合法程序在記憶體中執行，不會產生可供沙箱分析的獨立檔案。DLL 側載會透過已列入允許清單的應用程式路由惡意執行，從而完全繞過以檔案為基礎的沙箱觸發。
• 根本性的軍備競賽： 學術研究將沙箱逃避描述為一種 逃避軍備競賽。每一項對策都會催生新的逃避技術。這是此方法的結構性特徵，而非組態問題。

當這些限制與蓄意的逃避技術結合時，就會成為可被利用的弱點。

沙箱逃避技術

MITRE ATT&CK 將沙箱逃避歸類於 T1497 沙箱逃避，涵蓋三種子技術。

• 系統檢查 (T1497.001)： 惡意軟體會查詢登錄機碼、BIOS 字串、處理程序清單、MAC 位址及硬體屬性，以識別虛擬環境。Bumblebee 會搜尋多種虛擬化產品中的檔案路徑與登錄機碼。DarkTortilla 會列舉執行中的處理程序，以尋找 Hyper-V、QEMU、Virtual PC、VirtualBox、VMware 與 Sandboxie 的特徵。
• 使用者活動檢查 (T1497.002)： 對手會驗證是否有真實人類在場。Okrum 的載入器在執行其酬載前需要重複的使用者輸入。
• 基於時間的逃避 (T1497.003): GoldenSpy 的安裝程式會延遲安裝。EvilBunny 會在 sleep 操作前後使用不同 API 的時間測量結果，若差異顯示為沙箱則中止執行。

除了 T1497 之外，攻擊者還會使用 DLL side-loading，透過已列入允許清單的應用程式導引執行，且不留下可供掃描的檔案成品。這些逃避方法進一步凸顯了在部署沙箱基礎架構時進行審慎架構決策的必要性。

沙箱最佳實務

以下實務可協助您在考量上述逃避技術與結構性限制的同時，從沙箱部署中獲得最大效益。

將靜態分析作為前置篩選

先套用靜態分析作為分流層。僅將未解決的樣本送往動態引爆。若沒有此前置篩選步驟，動態分析將成為吞吐量瓶頸；在壓力下，團隊會降低引爆的徹底程度或完全跳過分析。靜態篩選可為真正需要的樣本保留深度分析能力。

針對高價值目標優先考量環境擬真度

對於目標式攻擊情境，請部署可複製您組織工具、軟體堆疊與網路組態的本機沙箱。通用雲端沙箱速度較快，但面對具環境感知能力的威脅時可靠性較低。

將沙箱輸出整合至您的 SIEM 與 SOAR 工作流程

將行為判定結果連接至關聯規則、回應劇本與行為 AI 訓練管線。若沙箱僅獨立產生報告，而未將判定結果導入您更廣泛的分析系統，就會浪費分析投資。請將沙箱輸出視為您營運管線的結構化輸入，而非獨立的 PDF 報告。

將沙箱與 Behavioral AI 和 EDR 分層搭配

這些 SANS 控制項 確立了端點安全應透過網路行為啟發式方法納入零時差防護，而非僅依賴沙箱引爆。Behavioral AI 可解決延遲與逃避限制。沙箱則為新型樣本提供深度分析。在 EDR 平台 中搭配兩者，可產生比單獨使用任一者更強的涵蓋能力。

定期更新沙箱環境

具有已知 VM 成品的過時環境更容易被建立指紋。請定期移除可識別的 hypervisor 特徵、已知處理程序名稱與明顯的登錄機碼。

即使已採用這些實務，沙箱技術在應用於最能發揮價值的營運情境時，效果仍然最佳。

沙箱的常見使用案例

沙箱技術適用於您安全營運中的多個環節，從主動式篩選到入侵後鑑識。以下使用案例代表沙箱分析可帶來最高回報的場景。

• 電子郵件附件與 URL 篩選： 電子郵件仍是惡意軟體的主要傳遞媒介。與您的電子郵件閘道整合的沙箱會在附件與內嵌 URL 到達使用者收件匣之前先行引爆。當樣本在引爆期間觸發惡意行為時，閘道會隔離該郵件，並將行為報告導向您的 SOC 進行分流。
• 零時差惡意軟體分析：當您的特徵碼資料庫與 IOC 摘要皆無相符結果時，沙箱就是您分析未知樣本的第一步。在受控環境中引爆疑似 zero-day 可產生您建立指標、撰寫關聯規則並將情報散布至其餘技術堆疊所需的行為設定檔。
• 事件回應與鑑識調查：在主動事件回應期間，您的團隊會從遭入侵的端點、記憶體傾印與網路擷取中復原可疑成品。將這些成品放入沙箱可產生對應至 MITRE ATT&CK 技術的結構化行為資料，加速根本原因分析，並協助您界定入侵的完整範圍。
• 軟體與修補程式驗證： 安全團隊會使用沙箱在將第三方軟體、修補程式與更新部署至正式環境前進行驗證。在隔離環境中執行新的二進位檔，可在其到達正式環境端點之前揭露非預期行為，包括對外網路呼叫、權限提升嘗試或未經授權的檔案系統存取。
• 威脅情報強化： 沙箱引爆報告會產生結構化的 IOCs、行為特徵，以及技術對應，並直接匯入您的 threat intelligence 平台。隨著時間推移，這會建立一個專屬於針對您組織之威脅的內部情報資料庫，強化您的 SIEM 關聯規則，並支援主動式威脅狩獵。

這些使用案例展示了沙箱在分層式防禦模型中的定位。對於面臨超出沙箱分析視窗運作之威脅的組織而言，將沙箱分析與端點上的即時行為 AI 搭配，可補足其餘缺口。

使用 SentinelOne 阻止未知威脅

Singularity Platform 採用雙引擎模型，結合執行前與即時分析，以涵蓋僅靠沙箱引爆無法補足的缺口。

• 靜態 AI 會在執行前掃描檔案，於擷取當下判定惡意意圖。 
• 行為 AI會在即時的運作端點上追蹤程序關聯，在執行期間識別無檔案惡意程式與零時差漏洞利用。雙 AI 引擎會共同分析端點事件，以揭露基於特徵碼與基於沙箱的方法所遺漏的威脅。

當行為引擎發現異常時，Singularity Complete 會自主回應：終止未授權程序、隔離惡意檔案，並執行 1-Click Rollback 以還原損害。專利 Storyline 技術可提供完整的鑑識脈絡，無需在彼此分離的工具間進行手動關聯。 

Singularity™ Binary Vault 可自動化執行惡意與良性檔案上傳、鑑識分析，以及安全工具整合。您可以審查所收集的可執行檔，以確保其不含可能帶來不當風險的不必要與未授權功能。您也可以透過使用者可定義的檔案類型與路徑排除項目，自訂您的安全體驗。簡化資料保留、工作流程、分析等更多作業。它也有助於沙箱環境，並且是 Singularity™ Endpoint 的附加元件。查看 導覽。

Purple AI 透過將自然語言轉換為結構化查詢來支援威脅調查。使用 Purple AI 的組織回報威脅識別速度提升 63%，平均回應時間（IDC Business Value Report）縮短 55%。AI SIEM 處理安全資料的速度，依 SentinelOne 基準測試顯示，比傳統 SIEM 平台快 100 倍。

在 2024 MITRE ATT&CK Evaluations 中，SentinelOne 產生的警示數量比中位數少 88%，並達成 100% 偵測率與零延遲（MITRE ATT&CK Evaluations）。SentinelOne 已連續五年獲評為 Gartner Magic Quadrant for Endpoint Protection Platforms (2025) 領導者，並在 Frost Radar for Endpoint Security 2025 中獲評為表現最佳的供應商。

申請 SentinelOne 示範，了解自主式行為 AI 如何阻止僅靠沙箱分析會遺漏的威脅。

Protect Your Endpoint

See how AI-powered endpoint security from SentinelOne can help you prevent, detect, and respond to cyber threats in real time.

Get a Demo

重點整理

沙箱對於引爆未知檔案與產生行為情報仍具價值。然而，規避技術（基於時間、使用者活動與環境指紋辨識）已在 MITRE ATT&CK 中有充分文件記載。Forrester 將獨立式沙箱歸類於其 Divest 類別，而 Gartner 也不再將網路沙箱視為活躍的獨立 Peer Insights 市場類別。 

最強的防禦會將即時端點上的行為 AI 與沙箱深度分析分層結合，建立雙向情報迴圈，以捕捉僅靠沙箱無法發現的威脅。