AI在网络安全中的应用：技术赋能与未来展望

20XX/XX/XXAI在网络安全中的应用：技术赋能与未来展望汇报人:XXXCONTENTS目录01

AI与网络安全的融合背景02

AI驱动的威胁检测与响应03

恶意代码与攻击模式识别04

AI在身份认证与访问控制中的应用CONTENTS目录05

数据安全与隐私保护的AI方案06

AI安全防御的关键技术突破07

行业典型应用案例分析08

AI安全应用的挑战与风险AI与网络安全的融合背景01网络安全威胁的智能化演进01自动化攻击：AI驱动恶意程序自主进化AI驱动的恶意程序能够自主学习防御机制，不断调整策略。例如，境外已出现使用开源大模型生成的勒索软件，可自主决定搜索或加密哪些文件，攻击自主性显著增强。02深度伪造与信息操纵：社会工程学攻击升级AI生成的深度伪造内容可逼真模仿他人声音、肖像，用于诈骗或制造虚假信息。2025年多地出现利用AI合成的虚假灾害图片、视频，以及冒充名人进行带货的诈骗短视频，辨别难度极大。03数据投毒与模型攻击：从源头污染AI系统攻击者通过篡改训练数据影响AI模型判断，如在自动驾驶训练数据中插入带特定贴纸的停止标志，诱导模型忽略。2017年“PoisonFrogs”攻击即在ImageNet数据中插入“小绿点”样本，导致模型误判。04AI智能体攻击：自主规划与动态攻击链构建具备自主决策能力的AI智能体被用于网络攻击，可自动感知环境、规划攻击方案、探寻漏洞并实施攻击。2025年初哈尔滨亚冬会遭受的境外攻击中，部分代码由AI书写，能动态编写代码实施攻击。传统防御手段的局限性分析

依赖已知威胁特征，对未知威胁防御乏力传统网络安全技术主要采用基于签名的检测方法，严重依赖人工分析和已知威胁数据库，难以应对不断变化的网络威胁本质，尤其对零日漏洞和高级持续性威胁（APT）等未知威胁的检测能力有限。

响应速度慢，难以适应攻击快速演变传统方法高度依赖人工干预进行威胁分析和事件响应，导致响应速度较慢，无法及时遏制攻击扩散。而AI驱动的网络安全可实现自动响应，将攻击遏制时间从“小时级”压缩到“秒级”。

误报率较高，增加安全运营负担传统安全防御由于依赖规则匹配，在面对新的或变异的攻击时，容易产生较高的误报率。这不仅浪费安全人员的大量时间进行甄别，也可能导致真正的威胁被遗漏。

缺乏预测能力，难以实现主动防御传统网络安全防护多为被动响应模式，在威胁发生后才采取措施，缺乏基于历史数据和当前趋势预测可能攻击的能力，无法帮助组织实施主动的安全加固措施。AI技术赋能安全防护的核心价值

提升威胁检测精准度与效率AI驱动的安全系统能分析海量数据，精准识别异常行为与未知威胁。例如，深信服安全GPT对高对抗钓鱼邮件检出率超95%，误报率仅0.15%，远超传统方案的15.7%检出率。

实现自动化响应与主动防御AI通过自动化日志分析、漏洞评估和事件响应，将安全运营效率提升数倍。如AI自动处置功能可将漏洞修复时间缩短80%，攻击遏制时间从小时级压缩到秒级，使安全团队从“救火员”转型为“战略规划者”。

强化高级行为分析与预测能力AI技术能够模拟社会工程攻击和渗透测试，在网络犯罪分子利用漏洞之前暴露系统弱点。通过分析历史攻击数据和当前趋势，AI可预测可能的网络攻击，帮助组织实施主动安全措施，领先于新兴威胁。

优化安全资源配置与成本控制AI自动化减少了对人工干预的依赖，缓解了安全专家短缺问题。AI自动处置结合云端订阅模式，可大幅减少硬件采购与人力投入，在提升防护效果3倍以上的同时，显著降低安全运营成本。AI驱动的威胁检测与响应02智能入侵检测系统（AI-IDS）架构

数据采集层：多源异构数据融合集成网络流量、主机日志、系统调用及应用程序数据，构建全方位数据输入源。例如，通过镜像端口采集网络数据包，agent程序收集主机系统日志，实现TB级数据的实时接入与预处理。

特征工程层：自动化特征提取与优化利用深度学习技术自动提取攻击特征，如基于CNN的网络流量特征学习、RNN对系统调用序列的建模。结合特征选择算法（如互信息、L1正则化），剔除冗余特征，提升模型效率与泛化能力。

检测模型层：多算法协同检测机制融合监督学习（如XGBoost分类已知攻击）、无监督学习（如AutoEncoder发现未知威胁）及深度学习（如DNN检测APT攻击）。例如，采用IsolationForest算法实现异常流量的快速识别，准确率较传统方法提升30%以上。

响应处置层：自适应自动化防御联动基于强化学习算法动态调整防御策略，实现检测到威胁后的秒级响应，如自动隔离受感染设备、阻断恶意IP、生成漏洞修复建议。支持与防火墙、WAF等设备联动，构建闭环防御体系。异常行为分析与UEBA技术应用

UEBA技术的核心定义与价值用户与实体行为分析（UEBA）通过建立用户和设备的正常行为基线，识别偏离基线的异常活动，是发现内部威胁、账户盗用等潜在风险的关键技术。其核心价值在于从海量数据中挖掘行为特征，超越传统基于规则的检测模式。

UEBA的关键技术组成UEBA融合机器学习算法（如孤立森林、LSTM）、统计分析和行为建模技术。通过收集用户登录时间、访问资源、操作习惯等多维度数据，构建动态行为轮廓，并利用异常检测算法识别可疑操作，如非工作时间登录、异常IP地址访问等。

UEBA在网络安全中的典型应用场景UEBA广泛应用于内部威胁检测（如数据泄露、恶意操作）、账户接管防护（如凭证填充攻击后的异常行为）、特权账号监控（如管理员权限滥用）等场景。例如，通过分析用户数据访问模式，可提前预警敏感信息的非授权下载行为。

UEBA技术的实施效果与挑战实施UEBA可使内部威胁检测率提升40%以上，误报率降低50%。但也面临数据隐私保护、模型误报处理、多源数据融合等挑战。2025年，结合大模型的UEBA系统（如深信服安全GPT）在行为预测准确性和响应速度上实现进一步突破。自动化威胁响应与SOAR平台整合

AI驱动的自动化响应机制AI技术通过预设的自动化剧本（Playbook），在检测到威胁后可迅速采取隔离受感染设备、阻断恶意流量等行动，将攻击遏制时间从传统的小时级压缩到秒级，大幅提升响应效率。

SOAR平台的核心功能模块安全编排自动化与响应（SOAR）平台整合威胁情报、工单管理和自动化执行，实现安全事件的标准化处理流程，如深信服安全GPT使告警调查时间从小时级缩短至分钟级，自动化处置率超80%。

AI与SOAR的协同优势AI为SOAR提供智能决策支持，如通过机器学习分析历史事件数据优化响应策略；SOAR则为AI模型提供落地执行框架，二者结合使安全运营从被动人工响应转向主动智能处置，同等人力可管理资产规模扩大5倍。

典型应用案例与成效某金融机构部署AI-SOAR整合系统后，安全事件平均响应时间（MTTR）从4.2小时缩短至18分钟，安全团队工作效率提升40%，有效应对了日益复杂的自动化攻击态势。恶意代码与攻击模式识别03AI驱动的恶意软件静态与动态分析静态分析：代码与特征提取AI通过深度学习模型（如CNN、RNN）分析恶意软件二进制代码、字符串及元数据，提取静态特征。例如，利用NLP算法分析代码文本特征，可在无需执行样本的情况下识别已知恶意软件家族，某案例中对PE文件的静态分析准确率达98%。动态分析：行为模式与攻击路径预测AI监控恶意软件在沙箱环境中的动态行为，如系统调用、文件操作、网络连接等，构建行为模式库。结合强化学习算法，可预测其攻击目标和传播路径，如某AI系统通过分析恶意软件行为，成功预测其下一步将尝试横向移动感染数据库服务器。混合分析：多模态数据融合检测融合静态代码特征与动态行为数据，利用多模态学习模型提升检测能力。例如，某安全厂商的AI系统整合文件哈希、API调用序列及流量特征，对未知恶意软件的检测率较单一分析方法提升40%，误报率控制在0.5%以下。高级持续性威胁（APT）的AI检测方案

01APT攻击的特点与传统检测困境APT攻击具有持续性、隐蔽性、针对性强的特点，常利用零日漏洞和社会工程学，传统基于签名的检测方法难以有效发现。

02AI驱动的多维度行为分析技术通过无监督学习（如AutoEncoder）和深度神经网络（DNN）分析网络流量、主机日志与系统调用数据，建立正常行为基线，识别异常模式，发现潜在APT活动。

03攻击链追踪与威胁情报融合利用知识图谱构建攻击链，整合多源威胁情报，AI可关联分析不同阶段的攻击行为，追溯攻击源头，预测攻击路径，提升APT检测的准确性和完整性。

04典型案例：AI赋能APT检测效果显著基于AI的入侵检测系统（AI-IDS）引入深度学习技术后，对APT和零日攻击等复杂威胁的检测率提升30%以上，并显著降低误报率，实现智能化动态防御。勒索软件与挖矿病毒的智能防御勒索软件的AI检测与行为阻断

AI通过分析文件加密行为、异常进程通信和勒索信文本特征，可精准识别新型勒索软件。例如，基于行为分析的AI系统能在加密操作初期触发警报，结合动态隔离技术阻止文件被大规模加密，某金融机构应用后勒索攻击损失降低80%。挖矿病毒的资源消耗异常识别

AI利用无监督学习算法（如孤立森林）建立主机资源基线，实时监测CPU、GPU利用率及网络流量异常。当检测到持续高负载挖矿行为时，自动触发进程终止与恶意文件清除，某企业部署后挖矿病毒导致的算力浪费减少92%。智能体驱动的自动化响应与溯源

集成安全智能体的防御系统可实现勒索/挖矿攻击的端到端自动化处置，包括威胁隔离、样本提取、IOC生成及攻击链溯源。如深信服安全GPT通过多模态数据分析，在2025年国家攻防演练中实现对AI编写的挖矿病毒100%自动处置，响应时间缩短至秒级。AI在身份认证与访问控制中的应用04生物特征识别技术的安全增强

AI驱动的多模态生物特征融合通过AI技术融合指纹、人脸、虹膜等多种生物特征，提升识别系统的抗攻击能力。例如，采用深度学习模型对多模态数据进行特征级融合，可将单一特征识别的错误率降低60%以上，有效抵御照片、3D打印面具等伪造手段。

活体检测与深度伪造防御利用AI进行实时活体检测，如分析人脸的微表情、血流变化或虹膜震颤等生命体征。结合生成对抗网络（GAN）生成的深度伪造样本进行对抗训练，使系统对AI合成的虚假生物特征的识别准确率超过99%，如有效防范利用深度伪造技术欺骗人脸识别认证的攻击。

生物特征模板保护与隐私计算应用联邦学习、同态加密等AI安全技术，在不直接暴露原始生物特征数据的前提下完成识别。例如，采用基于神经网络的安全模板生成方法，即使模板数据泄露，攻击者也难以还原出真实生物特征，同时通过多方安全计算实现跨机构生物特征数据的协同验证，兼顾安全性与隐私保护。

行为动态分析与异常检测AI通过持续学习用户使用生物特征识别时的行为习惯，如手指按压指纹传感器的力度、角度，人脸与摄像头的距离变化等动态特征，建立用户行为基线。当检测到与基线严重偏离的操作时，自动触发二次验证或拒绝授权，有效识别被盗或伪造的生物特征的非法使用。零信任架构下的AI动态访问控制AI驱动的持续身份验证与风险评估AI技术通过分析用户行为基线（如登录时间、设备指纹、操作习惯），结合LSTM网络等模型进行实时风险评分。例如，某制造企业部署的系统集成200+风险特征，实现毫秒级策略下发，内部数据泄露事件下降89%，合法用户访问成功率保持99.97%以上。基于AI的最小权限动态调整AI能够根据用户实时行为和当前环境，智能调整访问权限。通过角色挖掘引擎从多数据源学习，推荐新的角色和权限；访问请求推荐引擎分析同级组访问权限和历史请求，简化流程并推荐所需访问级别，实现权限的动态适配与最小化。AI增强的策略制定与合规审计AI通过学习组织网络流量模式，推荐正确的安全策略和工作负载命名规则，解决跨多个网络创建和维护策略的耗时问题。同时，利用AI进行自动化合规评估与审计追踪，记录算力调度全流程，满足等保2.0等要求，提升零信任架构的合规性与可管理性。账户异常行为的实时监测与预警

基于用户行为基线的异常识别AI通过分析用户登录时间、操作习惯、访问记录等数据，建立用户行为模型。当实际行为偏离模型时，如异常地点登录、非工作时段高频操作，系统自动发出预警，有效识别内部威胁或账户接管风险。

多因素身份验证的智能强化AI结合CAPTCHA、面部识别、指纹扫描等工具，自动检测登录尝试的真实性。例如，对可疑登录行为动态提升验证级别，要求额外的生物特征验证，有效防止暴力攻击和凭证填塞，增强账户安全性。

实时风险评分与动态响应AI系统基于用户行为、设备安全状态、网络环境等200+风险特征，通过随机森林等算法进行实时风险评分。根据评分自动采取措施，如高风险时触发账户临时冻结、会话终止或隔离受感染设备，实现秒级响应。数据安全与隐私保护的AI方案05数据泄露检测与溯源技术

敏感数据智能识别与分类分级基于NLP与多模态学习技术，自动识别文本、图像、语音中的敏感信息（如身份证号、信用卡信息）。例如，某数据安全大模型分类分级准确率从传统方法的50%提升到90%，效率提升40倍。

异常访问行为动态监测通过UEBA（用户与实体行为分析）技术，建立用户行为基线，实时检测异常登录、数据下载等行为。结合LSTM等算法分析时序数据，有效识别内部威胁与账户接管，如某系统使内部数据泄露事件下降89%。

泄露路径智能溯源与攻击链还原利用知识图谱构建攻击链，整合网络流量、日志、系统事件等多源数据，追溯数据泄露的源头与传播路径。例如，某切面融合智能体系通过多维度数据关联分析，实现对复杂攻击链路的精准还原与研判。

自动化响应与数据泄露遏制AI驱动的自动化响应机制，在检测到数据泄露风险时，自动执行隔离受感染设备、阻断恶意传输、撤销异常权限等操作，将攻击遏制时间从小时级压缩到秒级，如某安全GPT系统自动化处置率超80%。隐私计算与联邦学习在安全领域的应用

01隐私计算：数据安全与价值挖掘的平衡隐私计算技术通过在数据处理过程中实施加密、脱敏等手段，在保护数据隐私的前提下实现数据价值的挖掘与共享，有效解决了网络安全中数据共享与隐私保护的核心矛盾，尤其在金融、医疗等高敏感数据领域应用广泛。

02联邦学习：分布式协同防御新范式联邦学习允许各参与方在本地数据不泄露的情况下协同训练模型，如某银行联合体通过纵向联邦学习构建反欺诈模型，在保持客户数据本地化的前提下，模型AUC值提升0.15，实现了跨机构的安全协同与知识共享。

03关键技术：同态加密与安全聚合协议隐私计算与联邦学习依赖同态加密算法（如微软SEAL库实现的CKKS方案，支持浮点数加密计算）和安全聚合协议（如Google的SecureAggregation算法），确保数据在计算和传输过程中的安全性，将数据泄露风险控制在极低水平。

04应用成效：提升安全模型性能与隐私合规性通过隐私计算与联邦学习技术，安全模型能够利用更广泛的数据源进行训练，提升检测精度和泛化能力，同时满足《数据安全法》等法规要求，在2025年多项AI+安全实践中，采用该技术的方案在隐私保护评分上平均提高30%以上。AI驱动的数据加密与脱敏技术

智能密钥管理与动态加密AI技术能够优化密钥生成、分发与销毁全生命周期管理，例如通过预测分析识别密钥泄露风险并自动轮换。动态加密方面，AI可根据数据敏感级别、访问场景实时调整加密算法与强度，如金融交易数据采用AES-256加密，普通日志数据采用轻量级加密算法，提升效率与安全性。

自适应数据脱敏与隐私增强传统脱敏规则固定，AI驱动的脱敏技术可基于上下文智能选择脱敏策略，如对身份证号在开发环境全脱敏，在测试环境部分掩码。结合联邦学习、差分隐私等技术，AI能在数据可用的同时保护隐私，例如某医疗AI模型训练中，通过差分隐私添加噪声，使数据识别个体的概率降低至0.01%以下。

AI辅助的加密算法优化与漏洞挖掘AI可自动分析加密算法的潜在漏洞，通过对抗性学习模拟攻击，发现传统审计难以察觉的弱点。同时，AI能优化加密算法的性能，如在区块链场景中，AI优化的椭圆曲线加密（ECC）算法使签名验证速度提升30%，降低算力消耗。

基于行为分析的异常加密活动检测AI通过学习正常的数据加密、解密行为模式（如时间、频率、用户角色），识别异常加密活动，如未授权用户尝试加密敏感数据、加密流量异常激增等。某企业部署AI检测系统后，成功拦截多起内部人员通过加密通道窃取核心数据的行为，响应时间缩短至秒级。AI安全防御的关键技术突破06安全大模型的技术架构与应用安全大模型的技术底座安全大模型技术底座通常包含算力层、模型层和数据层。算力层如深信服自研AICP平台，提升并发度5-10倍，保障高并发场景秒级响应；模型层聚焦安全垂域，如深信服安全GPT4.0融合专业知识，解决通用大模型“懂语言不懂安全”问题；数据层则依托海量威胁情报，如深信服云端连接55万+安全设备，形成千亿级IOC/域名库。安全大模型的核心技术突破关键技术包括分布式安全计算协议，如联邦学习框架实现“数据不出域”协同防御，某银行联合体通过纵向联邦学习使反欺诈模型AUC值提升0.15；动态威胁图谱构建，基于图神经网络（GNN）的系统在10亿级节点网络中APT攻击检测准确率达98.7%；以及零信任架构的算力支撑，如某制造企业系统使内部数据泄露事件下降89%。安全大模型的典型应用场景在金融行业反欺诈领域，某支付平台系统日均处理2.3亿笔交易，欺诈交易拦截率达99.2%，误报率0.03%以下；工业互联网安全方面，某能源集团平台使工业控制系统漏洞利用事件减少76%，平均修复时间从4.2小时缩短至18分钟；云原生安全防护中，某云服务商方案提升容器镜像漏洞发现率40%，运行时攻击拦截成功率99.8%。安全大模型的量化成效与价值安全大模型带来显著价值，威胁检测上钓鱼邮件识别率超99%，0day/APT检出率提升至99.7%；响应速度方面，告警调查时间从小时级缩短至分钟级；运营效率上同等人力可管理资产规模扩大5倍；成本控制通过AI自动处置与云端订阅模式，安全防护效果提升3倍以上，助力企业IT团队从“救火员”转型为“战略规划者”。可解释AI（XAI）在安全决策中的作用提升AI决策透明度，破解“黑箱”困境可解释AI（XAI）通过提供决策依据和逻辑，增强AI安全系统的透明度，帮助安全人员理解AI如何得出结论，避免因过度依赖“黑箱”模型而导致的误判或漏洞被利用。辅助安全事件调查与根因分析在安全事件发生后，XAI能够回溯AI的决策过程，清晰展示异常行为的识别路径、威胁特征的提取逻辑等，帮助安全团队快速定位攻击源头、分析攻击链，提升事件响应效率。增强安全策略优化与模型改进通过解释AI模型的决策依据，安全人员可以识别模型在特征学习、规则应用等方面存在的不足，针对性地调整训练数据、优化算法参数或改进模型结构，从而持续提升AI安全系统的准确性和鲁棒性。满足合规审计与责任追溯要求在金融、医疗等对合规性要求严格的领域，XAI提供的决策解释可作为合规审计的依据，确保AI安全决策符合相关法规标准。同时，在发生安全事故时，有助于明确责任归属，为事后追责提供支持。对抗性学习与防御策略优化01对抗性学习：攻防博弈的核心技术对抗性学习是AI安全领域的“双刃剑”，既可生成模拟攻击样本提升模型鲁棒性，也可能被黑客利用干扰AI防御系统。其核心在于通过构建攻防模型，模拟攻击者与防御者的动态博弈过程。02对抗样本生成：AI系统的隐形威胁攻击者通过在原始输入中添加微小扰动（如FGSM、PGD算法），可使AI模型误判。例如，在自动驾驶训练数据中插入“带贴纸的停止标志”，可能诱导模型忽略该标志，此类攻击在图像识别、语音识别等领域尤为突出。03防御策略一：对抗训练增强模型鲁棒性通过在训练过程中引入对抗样本，使模型学习抵御扰动。如采用对抗训练技术后，模型对高对抗钓鱼邮件的检出率可从传统方案的15.7%提升至95%以上，有效提升系统抗攻击能力。04防御策略二：模型蒸馏与输入检测机制模型蒸馏技术可减少模型对扰动的敏感性，而输入检测与异常过滤机制能剔除可疑输入流量。例如，利用AutoEncoder等无监督学习算法识别异常输入，可在秒级内完成对数千个文件的自动化分析，提升未知威胁检测效率。行业典型应用案例分析07金融领域的AI反欺诈实践支付平台AI算力网络反欺诈系统某支付平台构建AI算力网络反欺诈系统，整合设备指纹识别（GPU加速深度哈希算法生成唯一标识）、交易图谱分析（SparkGraphX实时图计算识别团伙欺诈）及生物特征验证（FPGA加速人脸识别，响应时间<200ms），日均处理交易2.3亿笔，欺诈交易拦截率提升至99.2%，误报率控制在0.03%以下。银行联合体联邦学习反欺诈模型某银行联合体通过纵向联邦学习构建反欺诈模型，在客户数据本地化前提下，采用微软SEAL库CKKS同态加密方案、GoogleSecureAggregation安全聚合协议及差分隐私机制（ε<0.1），使模型AUC值提升0.15，有效平衡数据隐私保护与反欺诈效果。中信建投证券AI智能化治理实践中信建投证券联合打造的“证券行业AI智能化治理实践”案例，融合“AI智能代码疫苗”技术与业务场景，构建全生命周期安全防护体系，通过灵脉IAST定制DevOps插件，中高危漏洞检出率提升至95%以上，解决敏捷开发与安全测试的效率矛盾，获2025年人工智能先锋案例。能源行业工业控制系统的AI防护协议深度解析与异常检测基于TensorRT加速的DPI引擎，支持200+工业协议解析，采用1D-CNN处理时序传感器数据，准确率达97.6%，有效识别控制系统中的异常指令与数据传输。威胁狩猎与攻击链阻断结合知识图谱与强化学习，自动生成攻击链阻断策略。某能源集团部署后，工业控制系统漏洞利用事件减少76%，平均修复时间（MTTR）从4.2小时缩短至18分钟。安全平行切面与实时监控引入安全平行切面的灵活切点注入机制，提升对系统、网络、应用等各类数据的监测和管控能力，实现对能源生产关键环节的实时安全监控与异常行为预警。云服务厂商的AI安全运营体系

算力层：AI算力平台支撑实时防御云厂商自研AI算力平台，如深信服AICP平台，针对网络安全高并发、低延迟需求，并发度提升5-10倍，为百万级威胁同时涌入场景下的实时拦截提供底层保障。

模型层：安全垂域大模型精准识别基于安全垂域大模型，如深信服安全GPT4.0版本，深度融合威胁检测等专业知识，在钓鱼邮件识别等核心场景实现指数级效果提升，高对抗钓鱼邮件检出率超95%，误报率仅0.15%。

数据层：海量威胁情报驱动模型进化云端连接海量安全设备与组件，收集企业级威胁样本，形成千亿级IOC/域名库，全球威胁情报100毫秒同步，如深信服每天收集3100万+样本，快速学习新型威胁特征。

应用层：多场景AI安全能力池构建通过AI安全平台建立全域安全智能中枢，原生集成流量检测、安全运营等场景化安全大模型，实现从AI增强单点技术到AI赋能安全体系的升级，构建智能融合的安全能力池。AI安全应用的挑战与风险08AI模型自身的安全漏洞分析

数据投毒：污染训练数据以误导模型攻击者通过篡改训练数据，诱导模型学习错误模式。例如，在自动驾驶训练数据中插入“带贴纸的停止标志”，可导致模型对其忽略；2017年“PoisonFrogs”攻击在ImageNet训练数据中插入带“小绿点”的样本，使模型将所有带绿点的图片识别为“青蛙”。

对抗样本：微小扰动引发模型误判攻击者在原始输入中添加人类不可察觉的微小扰动，导致模型输出错误结果。其数学定义为：给定原始输入x（标签y