安全开发实践
AI 安全与风险管理
Angeline Corvaglia
Founder and Digital Transformation Expert
应对 AI 的独特脆弱性
数据来源与可追溯性
- 数据来源：数据的起源
- 可追溯性：追踪其全流程
安全收益
- 数据投毒攻击
- 数据被污染
校验与清洗
- 校验数据
- 清洗数据
确保数据：
- 准确
- 相关
- 无恶意篡改
数据最小化
- 最小化收集和处理的数据量
- 只保留绝对必要的内容
有助于降低以下风险：
- 隐私泄露
- 数据被窃取
加密与匿名化
- 加密：将敏感数据转换为安全格式
- 匿名化：移除可识别个人的信息
安全收益：
- 抵御提取敏感信息的攻击
安全编码实践
- 减少代码库中的漏洞
- 定期代码评审
- 漏洞扫描
- 遵循编码规范
安全收益
- 抵御基础设施层面的攻击
访问控制
- 限制可交互的对象
- 仅限可信、已验证的个人或实体
安全收益
- 防范利用漏洞的外部攻击
安全基础设施
- 同时保护硬件与软件
- 防火墙
- 入侵检测系统
- 安全的云服务
安全收益
- 抵御针对基础设施的威胁
安全不只属于技术团队
协同配合可确保 AI 系统安全、可信、可靠。
