AI-järjestelmän uhat
Kattava luettelo tekoälykohtaisista haavoittuvuuksista ja hyökkäysvektoreista
Kriittiset uhat
Immediate risks with potential for severe impact. Require urgent remediation.
Suuri riski
Serious vulnerabilities that should be addressed promptly to reduce exposure.
Puolustusstrategiat
Parhaat käytännöt ja lievennykset tekoälyn uhkien vähentämiseen.
Uhkaluokat
Prompt Injection
CriticalCrafted inputs designed to manipulate model behavior, override safeguards, or extract sensitive information.
Testausmenetelmä
- Craft adversarial prompts with hidden instructions or special characters
- Attempt multi-turn injection chaining
- Test for jailbreak bypass of alignment filters
- Evaluate output sanitization and safety layers
Training Data Poisoning
CriticalMalicious or biased data introduced into training pipelines, compromising model integrity and reliability.
Testausmenetelmä
- Analyze data provenance and supply chain
- Inject poisoned samples and assess downstream effects
- Test resilience to mislabeled or manipulated data
- Review validation and anomaly detection mechanisms
Model Inversion
HighReconstructing training data or sensitive attributes from model outputs, leading to privacy breaches.
Testausmenetelmä
- Attempt to recover representative training samples
- Test susceptibility to membership inference attacks
- Evaluate differential privacy protections
- Assess risk of leaking PII from embeddings
Adversarial Examples
HighInputs intentionally perturbed to cause misclassification, hallucinations, or other erroneous outputs.
Testausmenetelmä
- Generate gradient-based adversarial examples
- Apply noise and perturbation attacks
- Check model consistency across variations
- Evaluate robustness against transfer attacks
Model Stealing
HighExtraction of model functionality or parameters through repeated queries or side-channel analysis.
Testausmenetelmä
- Simulate query-based model extraction
- Analyze API rate limits and response variability
- Check for fingerprinting vulnerabilities
- Test throttling and monitoring protections
Data Memorization Leakage
HighSensitive information unintentionally memorized by AI models, retrievable via crafted prompts.
Testausmenetelmä
- Probe for known secret patterns in outputs
- Test for repeated exposure of sensitive training data
- Assess risk of accidental PII disclosure
Model Misuse & Malicious Automation
HighAI leveraged to perform tasks outside intended scope, enabling social engineering, spam, or automated attacks.
Testausmenetelmä
- Simulate misuse scenarios using sandbox models
- Test AI output moderation and guardrails
- Assess monitoring alerts for abnormal behaviors
Parhaat testaus- ja puolustuskäytännöt
Turvallinen testausympäristö
- Käytä hiekkalaatikkoa tai replikoitava instanssia:
- Verkon segmentointi
- Ota käyttöön seuranta-, loki- ja palautusominaisuudet
Dokumentaatio ja havainnointi
- Ylläpidä yksityiskohtaisia testilokeja ja todisteita
- Kaappaa mallivastaukset toistettavuuden varmistamiseksi
- Merkitse, luokittele ja järjestä testitapaukset tulevia tarkastuksia varten
Laki- ja eettinen vaatimustenmukaisuus
- Pysy valtuutetussa laajuudessa ja sopimuksissa
- Kunnioita tietosuojaa, tietosuojalakeja ja immateriaalioikeuksia
- Noudata vastuullista paljastamista ja koordinoitua haavoittuvuuden paljastamista
Seuranta ja lieventäminen
- Ota käyttöön poikkeamien havaitseminen epätavallisille AI-ulostuloille
- Tarkista säännöllisesti nopeusrajoitukset, API-käyttö ja kyselymallit
- Integrate real-time alerting for critical threats