網路資訊安全的預測真的是變化莫測，一方面是現代網路在硬體、軟體、協議和服務的複雜度增加了攻擊面，再則網路攻擊者也在不斷更新攻擊技術與手法，這也增加了保護系統的難度。
!此為分頁標誌前台不顯示!
生成式AI（例如大型語言模型-LLMs）在其運作中的不可預測性和不透明性是很大的潛在問題，在難以準確預測其生成的內容或行為，這使得可能導致出現意外結果，包括未預期的錯誤或泄漏，也使得安全、隱私以及治理/合規性團隊執行任務時變得更複雜。預測將會看到一些由生成式AI驅動的工具的驚人失敗，例如大規模的個人資料的外洩、未經授權的存取新技術，以及DDoS攻擊。這種不透明性增加了管理、監督和調整生成式AI應用的難度與隱憂，特別是在需要確保安全性、隱私和合規性的情境下。
生成式AI也造就 ”生成式代碼助理” 應運而生，當大家沉浸於高速、效率的代碼生成協助時，如果缺乏適當的防護機制，使得開發人員在短時間內難以進行全面的審查，，可能會錯過潛在的漏洞或安全問題，導致生成的代碼存在風險。此外，大型語言模型（LLM）只能根據現有建構時間，它可能無法掌握最新的漏洞訊息，這可能導致生成的代碼中未考慮到最新的安全漏洞，使得生成的代碼容易受到已知漏洞的攻擊。
在生成式AI時代，將速度置於安全性之上的組織，將不可避免地引入新的漏洞。架構複雜性也將使安全防護變得更棘手，系統和安全架構的各種變化，以及對代碼安全性缺乏全面考慮和審查。將導致生成的代碼存在著各種潛在的安全風險。
邊緣運算涉及多種複雜的軟體和應用，以及與邊緣設備通訊的API，在邊緣運算中，資料處理分散在不同的邊緣設備，而不是集中在傳統的資料中心。這使得攻擊者有更多的目標點，可以試圖利用分散的邊緣系統進行攻擊，從而形成更大的攻擊面。
邊緣運算的崛起將驅動攻擊面的劇增，75%企業的資料將在傳統資料中心或在雲端生成和處理，這種模式重新定義了組織的邊界。邊緣的工作負載可能包含敏感資訊和特權，由於其分散性、硬體接觸風險、管理複雜性以及軟體和API漏洞的存在，這使得攻擊者在邊緣系統中找到攻擊點的可能性增加，這就是為什麼Shahn預測邊緣運算將成為主要攻擊面的原因。。
Living off the Land"（LOTL）是指攻擊者利用受害系統上，已經存在的合法工具和軟體來實施攻擊，而不是依賴於外部的惡意軟體。F5解決方案架構師Kieron Shepard預測，面對日益增長的架構複雜性，更多攻擊者將利用企業的工具來進行攻擊。IT環境的不斷增長，特別是在雲和混合架構中，使得監控和檢測生存於陸地攻擊變得更加具有挑戰性。
LOTL技術可以被納入供應鏈攻擊，進而影響整個系統的安全性，以破壞關鍵基礎設施並干擾營運。由於攻擊者使用已存在的合法工具，攻擊活動通常更加低調，攻擊活動更難被傳統的防禦機制所檢測。透過網路中提高可視性，是預防攻擊者達到攻擊目的的方法之一。Ａ