📢 Сравнение MITRE ATT&CK и NIST CSF
🔒 В мире ИБ существует множество фреймворков, помогающих организациям защищать свои данные и инфраструктуру. Два из самых популярных — это MITRE ATT&CK и NIST Cybersecurity Framework (CSF). Давайте разберёмся, чем они отличаются и как их можно эффективно использовать.
📊 MITRE ATT&CK: Ориентированный на тактики и техники
MITRE ATT&CK (Adversarial Tactics, Techniques, and Common Knowledge) — это база, которая детально описывает тактики, техники и процедуры (TTPs), используемые киберпреступниками. Она предоставляет информацию о различных методах атак, что помогает организациям понять, как злоумышленники могут действовать на каждом этапе взлома.
Основные особенности MITRE ATT&CK:
- Тактики: Высокоуровневые цели атак, такие как первоначальный доступ или эксфильтрация данных.
- Техники: Конкретные методы, используемые для достижения тактических целей.
- Митигирования: Рекомендации по снижению риска для каждой техники.
MITRE ATT&CK используется для анализа угроз, разработки защитных мер и тестирования эффективности киберзащиты.
🔐 NIST CSF: Фреймворк для управления киберрисками
NIST Cybersecurity Framework (CSF) был разработан Национальным институтом стандартов и технологий США для управления киберрисками в организациях. Он предоставляет структурированный подход к улучшению кибербезопасности через пять ключевых функций: Identify, Protect, Detect, Respond, Recover.
Основные особенности NIST CSF:
- Identify: Определение и управление киберрисками.
- Protect: Внедрение защитных мер для снижения рисков.
- Detect: Обнаружение киберинцидентов.
- Respond: Реакция на киберинциденты.
- Recover: Восстановление после кибератак.
NIST CSF помогает организациям оценивать текущий уровень безопасности, определять целевые состояния и разрабатывать планы улучшений.
💡 Многие организации находят полезным использовать оба фреймворка в сочетании. MITRE ATT&CK может служить дополнением к NIST CSF, предоставляя детальные тактики и техники для улучшения функций Detect и Respond.
Stay secure and read SecureTechTalks 📚
#SecureTechTalks #CyberSecurity #MITREATTACK #NISTCSF #RiskManagement #ThreatDetection #DataProtection #TechNews #CyberAwareness
🔒 В мире ИБ существует множество фреймворков, помогающих организациям защищать свои данные и инфраструктуру. Два из самых популярных — это MITRE ATT&CK и NIST Cybersecurity Framework (CSF). Давайте разберёмся, чем они отличаются и как их можно эффективно использовать.
📊 MITRE ATT&CK: Ориентированный на тактики и техники
MITRE ATT&CK (Adversarial Tactics, Techniques, and Common Knowledge) — это база, которая детально описывает тактики, техники и процедуры (TTPs), используемые киберпреступниками. Она предоставляет информацию о различных методах атак, что помогает организациям понять, как злоумышленники могут действовать на каждом этапе взлома.
Основные особенности MITRE ATT&CK:
- Тактики: Высокоуровневые цели атак, такие как первоначальный доступ или эксфильтрация данных.
- Техники: Конкретные методы, используемые для достижения тактических целей.
- Митигирования: Рекомендации по снижению риска для каждой техники.
MITRE ATT&CK используется для анализа угроз, разработки защитных мер и тестирования эффективности киберзащиты.
🔐 NIST CSF: Фреймворк для управления киберрисками
NIST Cybersecurity Framework (CSF) был разработан Национальным институтом стандартов и технологий США для управления киберрисками в организациях. Он предоставляет структурированный подход к улучшению кибербезопасности через пять ключевых функций: Identify, Protect, Detect, Respond, Recover.
Основные особенности NIST CSF:
- Identify: Определение и управление киберрисками.
- Protect: Внедрение защитных мер для снижения рисков.
- Detect: Обнаружение киберинцидентов.
- Respond: Реакция на киберинциденты.
- Recover: Восстановление после кибератак.
NIST CSF помогает организациям оценивать текущий уровень безопасности, определять целевые состояния и разрабатывать планы улучшений.
💡 Многие организации находят полезным использовать оба фреймворка в сочетании. MITRE ATT&CK может служить дополнением к NIST CSF, предоставляя детальные тактики и техники для улучшения функций Detect и Respond.
Stay secure and read SecureTechTalks 📚
#SecureTechTalks #CyberSecurity #MITREATTACK #NISTCSF #RiskManagement #ThreatDetection #DataProtection #TechNews #CyberAwareness
📢 Новая фишинговая кампания через OneDrive 🚨
🔒 Исследователи в области кибербезопасности предупреждают о новой фишинговой атаке, нацеленной на пользователей Microsoft OneDrive.
💡 Как работает атака?
Атака, получившая название OneDrive Pastejacking, начинается с отправки пользователям электронного письма с HTML-файлом. При его открытии показывается изображение, имитирующее страницу OneDrive, с сообщением об ошибке: "Не удалось подключиться к облачному сервису 'OneDrive'. Для устранения ошибки необходимо вручную обновить DNS-кэш."
Пользователю предлагаются два варианта: "Как исправить" и "Подробности". Нажатие на "Подробности" ведет на страницу Microsoft Learn по устранению неполадок с DNS. Нажатие на "Как исправить" приводит к инструкции, включающей открытие PowerShell и вставку команды, закодированной в Base64.
🔧 Что делает команда?
1. Выполняет команду
2. Создает папку "downloads" на диске C:.
3. Загружает архивный файл в эту папку, переименовывает его и извлекает содержимое (файлы "script.a3x" и "AutoIt3.exe").
4. Выполняет файл "script.a3x" с помощью "AutoIt3.exe".
🔍 Схожие атаки
Подобные фишинговые атаки, также известные как ClickFix, становятся все более распространенными. Недавно обнаружена ещё одна кампания, в которой используются поддельные ярлыки Windows, ведущие к выполнению вредоносного кода, хранящегося на инфраструктуре Discord CDN.
Будьте осторожны и соблюдайте правила кибергигиены. Stay secure and read SecureTechTalks 📚
#CyberSecurity #OneDrive #Phishing #DataProtection #TechNews #Microsoft #OnlineSecurity #CyberAwareness
🔒 Исследователи в области кибербезопасности предупреждают о новой фишинговой атаке, нацеленной на пользователей Microsoft OneDrive.
💡 Как работает атака?
Атака, получившая название OneDrive Pastejacking, начинается с отправки пользователям электронного письма с HTML-файлом. При его открытии показывается изображение, имитирующее страницу OneDrive, с сообщением об ошибке: "Не удалось подключиться к облачному сервису 'OneDrive'. Для устранения ошибки необходимо вручную обновить DNS-кэш."
Пользователю предлагаются два варианта: "Как исправить" и "Подробности". Нажатие на "Подробности" ведет на страницу Microsoft Learn по устранению неполадок с DNS. Нажатие на "Как исправить" приводит к инструкции, включающей открытие PowerShell и вставку команды, закодированной в Base64.
🔧 Что делает команда?
1. Выполняет команду
ipconfig /flushdns.2. Создает папку "downloads" на диске C:.
3. Загружает архивный файл в эту папку, переименовывает его и извлекает содержимое (файлы "script.a3x" и "AutoIt3.exe").
4. Выполняет файл "script.a3x" с помощью "AutoIt3.exe".
🔍 Схожие атаки
Подобные фишинговые атаки, также известные как ClickFix, становятся все более распространенными. Недавно обнаружена ещё одна кампания, в которой используются поддельные ярлыки Windows, ведущие к выполнению вредоносного кода, хранящегося на инфраструктуре Discord CDN.
Будьте осторожны и соблюдайте правила кибергигиены. Stay secure and read SecureTechTalks 📚
#CyberSecurity #OneDrive #Phishing #DataProtection #TechNews #Microsoft #OnlineSecurity #CyberAwareness
🔐 Обучение наименьшим возмущениям: новый подход к защите LLM
💡 Современные системы машинного обучения сталкиваются с угрозой атак, при которых злоумышленники стремятся нарушить работу модели путём внесения малозаметных изменений в входные данные. Недавнее исследование, представленное на arxiv.org, предлагает новый взгляд на подход к обучению моделей: Least Adversarial Training (LAT).
🔍 Что такое обучение наименьшим возмущениям?
Обучение наименьшим возмущениям (LAT) - метод, который фокусируется на повышении стойкости модели к наименьшим и наиболее эффективным для атак изменениям данных. В отличие от традиционного обучения с использованием широкого спектра данных, LAT концентрируется на обучении модели на данных, которые подвергаются минимальным, но стратегическим изменениям. Цель такого подхода заключается в том, чтобы минимизировать влияние подобных атак на модель и сделать её более устойчивой.
⚙️ Основные аспекты LAT:
1. Определение уязвимых точек: LAT позволяет выявить точки в данных, которые наиболее чувствительны к минимальным изменениям. Это помогает сосредоточить обучение модели на уязвимых местах, улучшая её устойчивость к атакам.
2. Минимизация ошибки: Основная задача LAT заключается в снижении уровня ошибок модели при обработке данных, подвергнутых наименьшим возмущениям, за счёт создания и использования специальных наборов данных, которые имитируют возможные атаки.
3. Интеграция с текущими моделями: LAT может быть интегрирован в существующие архитектуры машинного обучения, что позволяет улучшить их защиту без необходимости кардинального пересмотра всей модели.
🚀 Практическое применение
Обучение наименьшим возмущениям особенно актуально в тех областях, где требуется высокая степень точности и устойчивости, таких как финансовые технологии, безопасность данных и здравоохранение. Например, в финансовом секторе применение LAT может существенно снизить риски атак на системы, обрабатывающие транзакции, а в здравоохранении — повысить надёжность диагностических систем, работающих с конфиденциальными данными пациентов.
🔧 Результаты в цифрах
В экспериментах с различными архитектурами моделей, LAT продемонстрировал улучшение устойчивости к атакам в среднем на 20-30% по сравнению с традиционными методами обучения.
🔐 Для более глубокого понимания и детального изучения данного подхода, настоятельно рекомендуем ознакомиться с полным текстом исследования в научной статье arXiv.
Stay secure and read SecureTechTalks 📚
#MachineLearning #AI #Cybersecurity #AIsecurity #DataProtection #SecureTechTalks
💡 Современные системы машинного обучения сталкиваются с угрозой атак, при которых злоумышленники стремятся нарушить работу модели путём внесения малозаметных изменений в входные данные. Недавнее исследование, представленное на arxiv.org, предлагает новый взгляд на подход к обучению моделей: Least Adversarial Training (LAT).
🔍 Что такое обучение наименьшим возмущениям?
Обучение наименьшим возмущениям (LAT) - метод, который фокусируется на повышении стойкости модели к наименьшим и наиболее эффективным для атак изменениям данных. В отличие от традиционного обучения с использованием широкого спектра данных, LAT концентрируется на обучении модели на данных, которые подвергаются минимальным, но стратегическим изменениям. Цель такого подхода заключается в том, чтобы минимизировать влияние подобных атак на модель и сделать её более устойчивой.
⚙️ Основные аспекты LAT:
1. Определение уязвимых точек: LAT позволяет выявить точки в данных, которые наиболее чувствительны к минимальным изменениям. Это помогает сосредоточить обучение модели на уязвимых местах, улучшая её устойчивость к атакам.
2. Минимизация ошибки: Основная задача LAT заключается в снижении уровня ошибок модели при обработке данных, подвергнутых наименьшим возмущениям, за счёт создания и использования специальных наборов данных, которые имитируют возможные атаки.
3. Интеграция с текущими моделями: LAT может быть интегрирован в существующие архитектуры машинного обучения, что позволяет улучшить их защиту без необходимости кардинального пересмотра всей модели.
🚀 Практическое применение
Обучение наименьшим возмущениям особенно актуально в тех областях, где требуется высокая степень точности и устойчивости, таких как финансовые технологии, безопасность данных и здравоохранение. Например, в финансовом секторе применение LAT может существенно снизить риски атак на системы, обрабатывающие транзакции, а в здравоохранении — повысить надёжность диагностических систем, работающих с конфиденциальными данными пациентов.
🔧 Результаты в цифрах
В экспериментах с различными архитектурами моделей, LAT продемонстрировал улучшение устойчивости к атакам в среднем на 20-30% по сравнению с традиционными методами обучения.
🔐 Для более глубокого понимания и детального изучения данного подхода, настоятельно рекомендуем ознакомиться с полным текстом исследования в научной статье arXiv.
Stay secure and read SecureTechTalks 📚
#MachineLearning #AI #Cybersecurity #AIsecurity #DataProtection #SecureTechTalks
💡 Защита систем машинного обучения: основы.
🚀 С развитием искусственного интеллекта и машинного обучения их интеграция в бизнес-процессы и промышленность становится всё более распространённой. Однако вместе с преимуществами возникают и новые угрозы безопасности, связанные с использованием новых технологий.
📌 Актуальность безопасности машинного обучения
🌐 Современные ML-модели обладают значительным потенциалом, но также подвержены различным угрозам, таким как:
➖ Кража интеллектуальной собственности: несанкционированный доступ к моделям и их параметрам.
➖ Атаки на конфиденциальность данных: извлечение чувствительной информации из обучающих наборов данных.
➖ Манипуляции моделями: внедрение вредоносных данных для изменения поведения модели.
🎯 Для эффективной защиты ML-систем необходимо применять комплексный подход, охватывающий все этапы жизненного цикла модели: от разработки и обучения до эксплуатации и обновления.
⚙️ Ключевые подходы к защите ML-систем
1️⃣ Обнаружение аномалий в ML (Anomaly Detection for ML)
🔍 Один из методов защиты заключается в мониторинге входных и выходных данных модели для выявления отклонений от нормального поведения. Это может быть реализовано с помощью:
Логических правил: определение условий, при которых данные считаются аномальными.
Дополнительных ML-моделей: использование специализированных моделей для классификации данных на "нормальные" и "аномальные".
💡 Важно отметить, что универсальных детекторов аномалий не существует; их эффективность зависит от конкретной задачи и типа данных.
2️⃣ Настройка безопасности моделей (Security Tuning)
🛠️ Этот подход включает в себя:
Усиление устойчивости модели: применение методов, повышающих сопротивляемость модели к атакам, таких как регуляризация и использование устойчивых архитектур.
Обучение на защищённых данных: обеспечение целостности и конфиденциальности данных, используемых для обучения модели.
3️⃣ Мониторинг и аудит ML-систем
📊 Постоянный контроль за работой модели позволяет своевременно обнаруживать и реагировать на потенциальные угрозы. Это включает в себя:
Логирование операций: запись всех действий и изменений в системе.
Анализ производительности: оценка точности и эффективности модели в реальном времени.
🔒 Рекомендации по обеспечению безопасности ML-систем
🔐 Для минимизации рисков, связанных с использованием машинного обучения, рекомендуется:
➖ Проводить регулярные аудиты безопасности: оценка текущего состояния системы и выявление потенциальных уязвимостей.
➖ Обучать персонал: повышение осведомлённости сотрудников о возможных угрозах и методах их предотвращения.
➖ Использовать специализированные инструменты и платформы: внедрение решений, направленных на защиту ML-моделей на всех этапах их жизненного цикла.
Stay secure and read SecureTechTalks 📚
#MachineLearning #CyberSecurity #SecureTechTalks #AI #MLSecurity #AdversarialAttacks #DataProtection #MLOps
🚀 С развитием искусственного интеллекта и машинного обучения их интеграция в бизнес-процессы и промышленность становится всё более распространённой. Однако вместе с преимуществами возникают и новые угрозы безопасности, связанные с использованием новых технологий.
📌 Актуальность безопасности машинного обучения
🌐 Современные ML-модели обладают значительным потенциалом, но также подвержены различным угрозам, таким как:
➖ Кража интеллектуальной собственности: несанкционированный доступ к моделям и их параметрам.
➖ Атаки на конфиденциальность данных: извлечение чувствительной информации из обучающих наборов данных.
➖ Манипуляции моделями: внедрение вредоносных данных для изменения поведения модели.
🎯 Для эффективной защиты ML-систем необходимо применять комплексный подход, охватывающий все этапы жизненного цикла модели: от разработки и обучения до эксплуатации и обновления.
⚙️ Ключевые подходы к защите ML-систем
1️⃣ Обнаружение аномалий в ML (Anomaly Detection for ML)
🔍 Один из методов защиты заключается в мониторинге входных и выходных данных модели для выявления отклонений от нормального поведения. Это может быть реализовано с помощью:
Логических правил: определение условий, при которых данные считаются аномальными.
Дополнительных ML-моделей: использование специализированных моделей для классификации данных на "нормальные" и "аномальные".
💡 Важно отметить, что универсальных детекторов аномалий не существует; их эффективность зависит от конкретной задачи и типа данных.
2️⃣ Настройка безопасности моделей (Security Tuning)
🛠️ Этот подход включает в себя:
Усиление устойчивости модели: применение методов, повышающих сопротивляемость модели к атакам, таких как регуляризация и использование устойчивых архитектур.
Обучение на защищённых данных: обеспечение целостности и конфиденциальности данных, используемых для обучения модели.
3️⃣ Мониторинг и аудит ML-систем
📊 Постоянный контроль за работой модели позволяет своевременно обнаруживать и реагировать на потенциальные угрозы. Это включает в себя:
Логирование операций: запись всех действий и изменений в системе.
Анализ производительности: оценка точности и эффективности модели в реальном времени.
🔒 Рекомендации по обеспечению безопасности ML-систем
🔐 Для минимизации рисков, связанных с использованием машинного обучения, рекомендуется:
➖ Проводить регулярные аудиты безопасности: оценка текущего состояния системы и выявление потенциальных уязвимостей.
➖ Обучать персонал: повышение осведомлённости сотрудников о возможных угрозах и методах их предотвращения.
➖ Использовать специализированные инструменты и платформы: внедрение решений, направленных на защиту ML-моделей на всех этапах их жизненного цикла.
Stay secure and read SecureTechTalks 📚
#MachineLearning #CyberSecurity #SecureTechTalks #AI #MLSecurity #AdversarialAttacks #DataProtection #MLOps
👍1
🚨 Агентные системы ИИ: Умные, автономные… и опасные? 🚨
Агентные системы — сложные ИИ-модели, которые могут самостоятельно принимать решения, выстраивать стратегии и выполнять задачи без постоянного участия человека.
💡 Что такое агентные системы?
Если говорить простыми словами, агентные системы — это интеллектуальные ИИ-ассистенты нового поколения, которые могут не просто выполнять разовые задачи, но и действовать как полноценные агенты, принимая решения и используя внешние инструменты. Они:
🔹 Объединяют несколько моделей и систем в единую архитектуру для решения сложных задач
🔹 Используют инструменты (например, API, базы данных, веб-сервисы) для взаимодействия с внешней средой
🔹 Работают автономно, сводя к минимуму вмешательство человека в процесс принятия решений и выполнения задач
Это открывает колоссальные возможности — от автоматизации рутинных процессов до создания умных помощников и полноценных аналитических систем. Но чем больше у ИИ свободы, тем выше потенциальные риски.
🧱 5 уровней автономности агентных систем
Разработчики NVIDIA выделяют 5 уровней автономности ИИ-агентов, и каждый из них имеет свои возможности и риски:
0️⃣ Инференс API (Inference API)
Самый простой уровень. Вы отправляете запрос — ИИ даёт ответ. Например: «Какая погода в Москве?» — и получаете прогноз. Минимум автономности, минимум рисков.
1️⃣ Детерминированная система (Deterministic System)
ИИ выполняет несколько шагов по жёстко заданной логике. Например, переводит текст, затем анализирует его и строит отчёт. Всё чётко и предсказуемо.
2️⃣ Условная логика (Conditional Logic)
Здесь начинается гибкость. ИИ сам выбирает инструменты в зависимости от условий задачи. Например, при анализе документа выбирает, использовать ли OCR или парсер в зависимости от формата файла.
3️⃣ Ограниченная автономия (Limited Autonomy)
Система получает общую задачу и сама решает, какие инструменты и шаги использовать, чтобы достичь цели. Это уже серьёзный уровень автономности, требующий более сложной архитектуры безопасности.
4️⃣ Высокая автономия (High Autonomy)
Минимальное участие человека. Система сама планирует и выполняет задачи, корректируя свои действия по ходу процесса. Здесь уже нужны надёжные механизмы контроля и защиты данных.
5️⃣ Полная автономия (Full Autonomy)
Максимальный уровень. ИИ действует полностью самостоятельно, может обучаться на лету, изменять свои алгоритмы и принимать решения в реальном времени. Это впечатляюще… и очень опасно, если система попадёт в руки злоумышленников.
😱 Что же тут опасного?
Каждый уровень автономности ИИ — это не только новые возможности, но и новые киберугрозы:
🔸 Prompt Injection (внедрение вредоносных инструкций)
Злоумышленник может подменить запросы или данные, чтобы изменить поведение ИИ. Например, агент может начать выполнять вредоносные команды, думая, что это часть его задачи.
🔸 Подмена источников данных (Data Poisoning)
Если ИИ использует внешние данные, их можно подменить — и система начнёт принимать ошибочные решения на основе фальшивой информации.
🔸 Атаки через инструменты (Tool Exploitation)
Если агент использует внешние API или программы, взлом одного из инструментов может привести к компрометации всей системы.
🛡️ Как защитить агентные системы ИИ?
Вот несколько критически важных шагов, которые помогут уменьшить риски:
✅ Контроль входящих данных — тщательно проверяйте всю информацию, поступающую в систему, чтобы исключить подмену или вредоносные запросы.
✅ Изоляция команд и данных — разделяйте потоки управления и информацию, чтобы злоумышленник не мог подменить команды через данные.
✅ Ограничение автономности — не давайте системе избыточной свободы на ранних этапах внедрения.
✅ Мониторинг и аудит — постоянно отслеживайте действия ИИ, фиксируя аномалии и подозрительные активности.
✅ Обновление моделей безопасности — адаптируйте системы защиты к новым видам угроз, появляющимся вместе с развитием технологий.
Stay secure and read SecureTechTalks 📚
#CyberSecurity #AI #ИИ #АгентныеСистемы #PromptInjection #DataProtection #MachineLearning #TechTalks #SecureTech #AIThreats
Агентные системы — сложные ИИ-модели, которые могут самостоятельно принимать решения, выстраивать стратегии и выполнять задачи без постоянного участия человека.
💡 Что такое агентные системы?
Если говорить простыми словами, агентные системы — это интеллектуальные ИИ-ассистенты нового поколения, которые могут не просто выполнять разовые задачи, но и действовать как полноценные агенты, принимая решения и используя внешние инструменты. Они:
🔹 Объединяют несколько моделей и систем в единую архитектуру для решения сложных задач
🔹 Используют инструменты (например, API, базы данных, веб-сервисы) для взаимодействия с внешней средой
🔹 Работают автономно, сводя к минимуму вмешательство человека в процесс принятия решений и выполнения задач
Это открывает колоссальные возможности — от автоматизации рутинных процессов до создания умных помощников и полноценных аналитических систем. Но чем больше у ИИ свободы, тем выше потенциальные риски.
🧱 5 уровней автономности агентных систем
Разработчики NVIDIA выделяют 5 уровней автономности ИИ-агентов, и каждый из них имеет свои возможности и риски:
0️⃣ Инференс API (Inference API)
Самый простой уровень. Вы отправляете запрос — ИИ даёт ответ. Например: «Какая погода в Москве?» — и получаете прогноз. Минимум автономности, минимум рисков.
1️⃣ Детерминированная система (Deterministic System)
ИИ выполняет несколько шагов по жёстко заданной логике. Например, переводит текст, затем анализирует его и строит отчёт. Всё чётко и предсказуемо.
2️⃣ Условная логика (Conditional Logic)
Здесь начинается гибкость. ИИ сам выбирает инструменты в зависимости от условий задачи. Например, при анализе документа выбирает, использовать ли OCR или парсер в зависимости от формата файла.
3️⃣ Ограниченная автономия (Limited Autonomy)
Система получает общую задачу и сама решает, какие инструменты и шаги использовать, чтобы достичь цели. Это уже серьёзный уровень автономности, требующий более сложной архитектуры безопасности.
4️⃣ Высокая автономия (High Autonomy)
Минимальное участие человека. Система сама планирует и выполняет задачи, корректируя свои действия по ходу процесса. Здесь уже нужны надёжные механизмы контроля и защиты данных.
5️⃣ Полная автономия (Full Autonomy)
Максимальный уровень. ИИ действует полностью самостоятельно, может обучаться на лету, изменять свои алгоритмы и принимать решения в реальном времени. Это впечатляюще… и очень опасно, если система попадёт в руки злоумышленников.
😱 Что же тут опасного?
Каждый уровень автономности ИИ — это не только новые возможности, но и новые киберугрозы:
🔸 Prompt Injection (внедрение вредоносных инструкций)
Злоумышленник может подменить запросы или данные, чтобы изменить поведение ИИ. Например, агент может начать выполнять вредоносные команды, думая, что это часть его задачи.
🔸 Подмена источников данных (Data Poisoning)
Если ИИ использует внешние данные, их можно подменить — и система начнёт принимать ошибочные решения на основе фальшивой информации.
🔸 Атаки через инструменты (Tool Exploitation)
Если агент использует внешние API или программы, взлом одного из инструментов может привести к компрометации всей системы.
🛡️ Как защитить агентные системы ИИ?
Вот несколько критически важных шагов, которые помогут уменьшить риски:
✅ Контроль входящих данных — тщательно проверяйте всю информацию, поступающую в систему, чтобы исключить подмену или вредоносные запросы.
✅ Изоляция команд и данных — разделяйте потоки управления и информацию, чтобы злоумышленник не мог подменить команды через данные.
✅ Ограничение автономности — не давайте системе избыточной свободы на ранних этапах внедрения.
✅ Мониторинг и аудит — постоянно отслеживайте действия ИИ, фиксируя аномалии и подозрительные активности.
✅ Обновление моделей безопасности — адаптируйте системы защиты к новым видам угроз, появляющимся вместе с развитием технологий.
Stay secure and read SecureTechTalks 📚
#CyberSecurity #AI #ИИ #АгентныеСистемы #PromptInjection #DataProtection #MachineLearning #TechTalks #SecureTech #AIThreats
🚀 KANISTER: GENIUS-ОРКЕСТРАТОР ДЛЯ БЕЗОПАСНЫХ БЭКАПОВ В KUBERNETES!
Kanister — open-source инструмент для application-level бэкапов в K8s!
🌟 ЧТО ТАКОЕ KANISTER?
CNCF Sandbox-проект (с 2023 г.), который решает главную боль DevOps:
🔹 Blueprints — YAML-рецепты для идеального бэкапа (PostgreSQL, MongoDB, Cassandra)
🔹 Шифрование — интеграция с Kopia (AES-256 + сжатие LZ4)
🔹 GitOps Native — управляйте бэкапами как кодом через Git!
⚡ ПРОБЛЕМЫ VS РЕШЕНИЯ:
🔴 Классические боли:
▫️ Бэкапы томов без согласованности приложений → битые данные при восстановлении
▫️ Кастомные скрипты под каждую БД → человеческие ошибки + 60% времени инженеров
▫️ Данные в облаке без шифрования → штрафы до 3% от оборота
▫️ Восстановление за 3+ часа → простой = убытки $/минуту
🟢 Kanister:
▫️ Application-consistent снапшоты с гарантией целостности
▫️ Готовые блюпринты для 20+ СУБД
▫️ Сквозное шифрование + immutable storage
▫️ Восстановление в 1 команду:
🚀 ПРАКТИКУМ: ЗАЩИТА POSTGRES ЗА 4 ШАГА
1️⃣ Установка через Helm
2️⃣ Настройка Storage Profile
3️⃣ Применение Blueprint
4️⃣ Запуск!
💎 5 ФУНДАМЕНТАЛЬНЫХ ПРЕИМУЩЕСТВ
1. 🔐 DevSecOps Integration Бэкапы = часть CI/CD-пайплайнов
2. 🌐 Multi-Cloud Freedom S3, GCS, Azure, MinIO — единый интерфейс
3. 🤖 Zero-Agent Philosophy Работа через ephemeral containers
4. 📊 Application-Aware Понимает логику ваших приложений
5. 📈 CNCF Trajectory Активно развивается сообществом
⚠️ КРИТИЧЕСКИ ВАЖНО!
Всегда тестируйте восстановление:
Золотое правило: Бэкап без проверки восстановления = фикция!
🚀 ВЕРДИКТ:
Kanister — превращает сложные сценарии защиты данных в version-controlled код.
📌 ГЛУБЖЕ В ТЕМУ:
- Официальный GitHub
- Библиотека Blueprints
- CNCF Вебинар
Stay secure and read SecureTechTalks 📚
#Kubernetes #Kanister #DataProtection #Backup #DevSecOps #K8s #CloudNative #Postgres #CyberSecurity #SecureTechTalks #ITSecurity #DataOps #GitOps
Kanister — open-source инструмент для application-level бэкапов в K8s!
🌟 ЧТО ТАКОЕ KANISTER?
CNCF Sandbox-проект (с 2023 г.), который решает главную боль DevOps:
🔹 Blueprints — YAML-рецепты для идеального бэкапа (PostgreSQL, MongoDB, Cassandra)
🔹 Шифрование — интеграция с Kopia (AES-256 + сжатие LZ4)
🔹 GitOps Native — управляйте бэкапами как кодом через Git!
⚡ ПРОБЛЕМЫ VS РЕШЕНИЯ:
🔴 Классические боли:
▫️ Бэкапы томов без согласованности приложений → битые данные при восстановлении
▫️ Кастомные скрипты под каждую БД → человеческие ошибки + 60% времени инженеров
▫️ Данные в облаке без шифрования → штрафы до 3% от оборота
▫️ Восстановление за 3+ часа → простой = убытки $/минуту
🟢 Kanister:
▫️ Application-consistent снапшоты с гарантией целостности
▫️ Готовые блюпринты для 20+ СУБД
▫️ Сквозное шифрование + immutable storage
▫️ Восстановление в 1 команду:
kanctl restore за минуты! 🚀 ПРАКТИКУМ: ЗАЩИТА POSTGRES ЗА 4 ШАГА
1️⃣ Установка через Helm
helm repo add kanister https://charts.kanister.io
helm install kanister kanister/kanister-operator -n kanister
2️⃣ Настройка Storage Profile
kanctl create profile s3compliant --bucket my-cyber-backups \
--access-key $AK --secret-key $SK --region eu-central-1
3️⃣ Применение Blueprint
# postgres-blueprint.yaml
actions:
backup:
phases:
- name: dump-db
func: KubeTask
command:
- pg_dump -U {{ .Secrets.PG_USER }} -h {{ .Deployment.Name }} > /backup/db.sql
- name: upload-to-s3
func: KopiaBackup
...
4️⃣ Запуск!
kanctl create actionset --action backup \
--blueprint postgres-bp --deployment pg-production
💎 5 ФУНДАМЕНТАЛЬНЫХ ПРЕИМУЩЕСТВ
1. 🔐 DevSecOps Integration Бэкапы = часть CI/CD-пайплайнов
2. 🌐 Multi-Cloud Freedom S3, GCS, Azure, MinIO — единый интерфейс
3. 🤖 Zero-Agent Philosophy Работа через ephemeral containers
4. 📊 Application-Aware Понимает логику ваших приложений
5. 📈 CNCF Trajectory Активно развивается сообществом
⚠️ КРИТИЧЕСКИ ВАЖНО!
Всегда тестируйте восстановление:
kanctl create actionset --action restore \
--from "backup-2024-08-05t14-35-18z"
Золотое правило: Бэкап без проверки восстановления = фикция!
🚀 ВЕРДИКТ:
Kanister — превращает сложные сценарии защиты данных в version-controlled код.
📌 ГЛУБЖЕ В ТЕМУ:
- Официальный GitHub
- Библиотека Blueprints
- CNCF Вебинар
Stay secure and read SecureTechTalks 📚
#Kubernetes #Kanister #DataProtection #Backup #DevSecOps #K8s #CloudNative #Postgres #CyberSecurity #SecureTechTalks #ITSecurity #DataOps #GitOps
👌1
🧠💥 Машинное «забывание» — как ИИ учится... не помнить?
⚖️ В эпоху GDPR и тотального контроля за данными у ИИ появляется новое требование: не просто обучаться, а уметь забывать.
Если пользователь требует удалить свои данные — что делать с моделью, которая уже "впитала" их в свои веса? Простое удаление из базы — не спасает. Модель может всё ещё «помнить» чувствительные шаблоны, и это серьёзная угроза для конфиденциальности.
🚨 Проблема: забыть — сложнее, чем обучить
Большинство ML-систем не спроектированы для стирания информации.
Полное переобучение модели без удалённых данных — возможно, но крайне ресурсоёмко и неудобно. А если у вас десятки моделей и непрерывные потоки данных?
💡 Решение: двухэтапный подход с приватностью по умолчанию
Чтобы модели могли забывать быстро, без переобучения с нуля, применяется специальная стратегия обучения:
📦 Первичная фаза — модель обучается на обезличенных данных, с учётом приватности (например, через дифференциальную приватность).
🧠 Финетюнинг — проводится на полном датасете для максимальной точности.
Когда возникает необходимость «забыть» конкретного пользователя, модель возвращается к первичной фазе и дообучается уже без удалённых данных.
Это позволяет:
➖ Удалять следы конкретных пользователей
➖ Сохранять точность
➖ Уменьшить уязвимость к атакам по извлечению данных
📊 А это вообще работает?
Проверки показали:
➖ Высокая точность сохраняется
➖ Риск извлечения удалённых данных резко снижается
➖ Метод оказался эффективнее SISA и других подходов, особенно на табличных и изображённых данных
⚠️ Что важно учитывать?
🔹 Метод работает лучше при статичном обучении, а не в режиме стриминга
🔹 Требуется аккуратная работа с анонимизацией, чтобы избежать искажений
🔹 Необходима прозрачная архитектура, которая позволяет проверить факт «забвения»
🔮 Куда всё это ведёт?
🔐 В будущем модели должны будут:
- Поддерживать запросы на удаление данных пользователей
- Документировать и гарантировать соблюдение приватности
- Уметь доказывать: «да, я больше не помню»
📌 Вывод
Машинное «забывание» не тренд, а фундаментальная часть ответственного ИИ.
Без этой способности — никакой комплаенс невозможен.
С ней появляется шанс сделать ИИ по-настоящему этичным и безопасным.
Stay secure and read SecureTechTalks 📚
#MachineUnlearning #PrivacyAI #DataProtection #AICompliance #ForgetMeNot #SecureAI #Cybersecurity #GDPR #AIethics #RightToBeForgotten
#ModelSecurity #DataGovernance #Infosec #AIprivacy #ResponsibleAI #PrivacyByDesign #MLCompliance #ModelUnlearning #LLMSecurity #SecureTechTalks
⚖️ В эпоху GDPR и тотального контроля за данными у ИИ появляется новое требование: не просто обучаться, а уметь забывать.
Если пользователь требует удалить свои данные — что делать с моделью, которая уже "впитала" их в свои веса? Простое удаление из базы — не спасает. Модель может всё ещё «помнить» чувствительные шаблоны, и это серьёзная угроза для конфиденциальности.
🚨 Проблема: забыть — сложнее, чем обучить
Большинство ML-систем не спроектированы для стирания информации.
Полное переобучение модели без удалённых данных — возможно, но крайне ресурсоёмко и неудобно. А если у вас десятки моделей и непрерывные потоки данных?
💡 Решение: двухэтапный подход с приватностью по умолчанию
Чтобы модели могли забывать быстро, без переобучения с нуля, применяется специальная стратегия обучения:
📦 Первичная фаза — модель обучается на обезличенных данных, с учётом приватности (например, через дифференциальную приватность).
🧠 Финетюнинг — проводится на полном датасете для максимальной точности.
Когда возникает необходимость «забыть» конкретного пользователя, модель возвращается к первичной фазе и дообучается уже без удалённых данных.
Это позволяет:
📊 А это вообще работает?
Проверки показали:
⚠️ Что важно учитывать?
🔹 Метод работает лучше при статичном обучении, а не в режиме стриминга
🔹 Требуется аккуратная работа с анонимизацией, чтобы избежать искажений
🔹 Необходима прозрачная архитектура, которая позволяет проверить факт «забвения»
🔮 Куда всё это ведёт?
🔐 В будущем модели должны будут:
- Поддерживать запросы на удаление данных пользователей
- Документировать и гарантировать соблюдение приватности
- Уметь доказывать: «да, я больше не помню»
📌 Вывод
Машинное «забывание» не тренд, а фундаментальная часть ответственного ИИ.
Без этой способности — никакой комплаенс невозможен.
С ней появляется шанс сделать ИИ по-настоящему этичным и безопасным.
Stay secure and read SecureTechTalks 📚
#MachineUnlearning #PrivacyAI #DataProtection #AICompliance #ForgetMeNot #SecureAI #Cybersecurity #GDPR #AIethics #RightToBeForgotten
#ModelSecurity #DataGovernance #Infosec #AIprivacy #ResponsibleAI #PrivacyByDesign #MLCompliance #ModelUnlearning #LLMSecurity #SecureTechTalks
Please open Telegram to view this post
VIEW IN TELEGRAM
🕶️🤫 VaultGemma LLM от Google, которая учится молчать.🔒
Google выпустил VaultGemma — модель, которую воспитывали не только на грамотных ответах, но и на строгой приватности. Идея простая: дать организациям LLM, которая обрабатывает чувствительные данные и при этом не «выдаёт» их назад.
Что под капотом, какие компромиссы и как это использовать в реальной жизни — разберём по полочкам. 🧩
Простыми словами
🧠 VaultGemma - это компактная LLM (около 1B параметров), обученная с применением дифференциальной приватности (DP). Это математический подход, в котором при обучении в данные добавляют контролируемый шум, чтобы исключить возможность восстановить отдельную запись из модели.
🔬 Google подчёркивает, что модель строилась с формальной верификацией приватности, то есть не «на словах», а с измеримыми гарантиями.
Кто нуждается в так моделях?
🏥 Медицинские сервисы, банки и госструктуры: те, кому нужна мощь LLM, но нельзя рисковать утечкой PII или секретных записей.
⚖️ VaultGemma даёт вариант использовать LLM внутри организации для анализа конфиденциальных данных - с гораздо меньшим шансом, что модель «запомнит» и выдаст что-то приватное.
Какие реальные ограничения и компромиссы ждать
⚖️ Приватность против полезности — шум, который добавляют ради DP, снижает точность. Для многих задач модель остаётся «достаточно хорошей», но в тонких сценариях полезность может падать.
🧮 Снижение эффективности обучения - DP требует больших батчей, больше эпох и больше вычислений. Производство и обучение — дороже и медленнее.
⏱️ Latency и отклик - в некоторых приложениях скорость ответа становится критичной; DP-режимы могут увеличить задержки.
🔍 Это не панацея - DP даёт формальные гарантии, но при неправильной настройке параметров (epsilon, др.) или при агрессивной постобработке ответы всё равно могут «прослыть».
Все познаётся в сравнении
📊 По бенчмаркам модель уступает «традиционным» LLM без DP, но отставание невелико; в задачах вопрос-ответ, суммаризации и базовой аналитике VaultGemma показывает адекватный результат.
🧾 Google публикует инструменты и скрипты для верификации приватности — это ключевой момент: сообщество может проверить, а не слепо верить. ✅
Как использовать, практические советы
🔐 Не полагаться только на DP: комбинируйте VaultGemma с контролем доступа, аудитом запросов и токенизацией секретов.
🧪 Тестируйте модель на реальных сценариях — не абстрактных датасетах. Оцените, где полезность падает ниже приемлемого уровня.
🧾 Проводите внешнюю верификацию параметров приватности и публикуйте отчёты для регуляторов и партнёров.
🛡 Рассмотрите гибриды: VaultGemma on-prem + secure enclaves / MPC для особо чувствительных операций.
Коротко о рисках, которые не исчезли
🕵️♂️ DP защищает обучение, но не решение проблем неправильной конфигурации доступа к модели.
🔗 Сведение сведений (linkage) остаётся опасностью: если модель используется вместе с другими источниками, атака на перекрёстные данные всё ещё возможна.
♻️ Параметры приватности - это настройка. Неправильный выбор делает «приватность» номинальной.
🔗 Источник и подробности
Stay secure and read SecureTechTalks 📚
#VaultGemma #DifferentialPrivacy #PrivacyByDesign #LLM #AIsecurity #HealthTech #FinTech #SecureTechTalks #DataProtection #GoogleResearch
Google выпустил VaultGemma — модель, которую воспитывали не только на грамотных ответах, но и на строгой приватности. Идея простая: дать организациям LLM, которая обрабатывает чувствительные данные и при этом не «выдаёт» их назад.
Что под капотом, какие компромиссы и как это использовать в реальной жизни — разберём по полочкам. 🧩
Простыми словами
🧠 VaultGemma - это компактная LLM (около 1B параметров), обученная с применением дифференциальной приватности (DP). Это математический подход, в котором при обучении в данные добавляют контролируемый шум, чтобы исключить возможность восстановить отдельную запись из модели.
🔬 Google подчёркивает, что модель строилась с формальной верификацией приватности, то есть не «на словах», а с измеримыми гарантиями.
Кто нуждается в так моделях?
🏥 Медицинские сервисы, банки и госструктуры: те, кому нужна мощь LLM, но нельзя рисковать утечкой PII или секретных записей.
⚖️ VaultGemma даёт вариант использовать LLM внутри организации для анализа конфиденциальных данных - с гораздо меньшим шансом, что модель «запомнит» и выдаст что-то приватное.
Какие реальные ограничения и компромиссы ждать
⚖️ Приватность против полезности — шум, который добавляют ради DP, снижает точность. Для многих задач модель остаётся «достаточно хорошей», но в тонких сценариях полезность может падать.
🧮 Снижение эффективности обучения - DP требует больших батчей, больше эпох и больше вычислений. Производство и обучение — дороже и медленнее.
⏱️ Latency и отклик - в некоторых приложениях скорость ответа становится критичной; DP-режимы могут увеличить задержки.
🔍 Это не панацея - DP даёт формальные гарантии, но при неправильной настройке параметров (epsilon, др.) или при агрессивной постобработке ответы всё равно могут «прослыть».
Все познаётся в сравнении
📊 По бенчмаркам модель уступает «традиционным» LLM без DP, но отставание невелико; в задачах вопрос-ответ, суммаризации и базовой аналитике VaultGemma показывает адекватный результат.
🧾 Google публикует инструменты и скрипты для верификации приватности — это ключевой момент: сообщество может проверить, а не слепо верить. ✅
Как использовать, практические советы
🔐 Не полагаться только на DP: комбинируйте VaultGemma с контролем доступа, аудитом запросов и токенизацией секретов.
🧪 Тестируйте модель на реальных сценариях — не абстрактных датасетах. Оцените, где полезность падает ниже приемлемого уровня.
🧾 Проводите внешнюю верификацию параметров приватности и публикуйте отчёты для регуляторов и партнёров.
🛡 Рассмотрите гибриды: VaultGemma on-prem + secure enclaves / MPC для особо чувствительных операций.
Коротко о рисках, которые не исчезли
🕵️♂️ DP защищает обучение, но не решение проблем неправильной конфигурации доступа к модели.
🔗 Сведение сведений (linkage) остаётся опасностью: если модель используется вместе с другими источниками, атака на перекрёстные данные всё ещё возможна.
♻️ Параметры приватности - это настройка. Неправильный выбор делает «приватность» номинальной.
🔗 Источник и подробности
Stay secure and read SecureTechTalks 📚
#VaultGemma #DifferentialPrivacy #PrivacyByDesign #LLM #AIsecurity #HealthTech #FinTech #SecureTechTalks #DataProtection #GoogleResearch
🤖 LLM и приватность данных: почему исследования ИИ смотрят не туда
Недавнее исследование от Carnegie Mellon University и Northeastern University показало любопытную (и немного тревожную) картину:
большинство научных работ по приватности в ИИ сосредоточено не там, где реально горит 🔥
🧠 Спойлер:учёные посмотрели на 1 322 публикации за последние 9 лет и поняли - 9 из 10 исследователей копают один и тот же узкий участок,
в то время как поле вокруг уже тлеет по периметру.
📚 Что обнаружили?
📊 92% исследований касаются двух тем:
1️⃣ защиты обучающих данных
2️⃣ утечек истории чатов пользователей
💡 Остальные 8% - это всё, что происходит за пределами лаборатории:
🕵️ инференс-атаки
🔌 утечки через агентные системы
🧩 сбор и корреляция данных между сервисами
🗂️ скрытые профили пользователей
Итог: сотни статей о том, как не дать модели запомнить пароль,
но почти ни одной - о том, куда потом улетает ваш разговор с моделью,
если она встроена в корпоративного помощника 🤷♂️
🧩 Приватность ≠ конфиденциальность
Учёные предлагают новую таксономию утечек:
1️⃣ 🧠 Утечки обучающих данных
2️⃣ 💬 Прямая утечка чатов
3️⃣ 🔗 Косвенные утечки через интеграции и плагины
4️⃣ 🧮 Инференс - когда модель «угадывает» ваши данные
5️⃣ 🧱 Агрегация - сбор публичной информации в личные профили
🔎 Ключевая мысль:
данные утекают не потому, что «хакнули базу»,
а потому, что модель слишком хорошо связывает точки 🕸️
🧱 Иллюзия выбора
Контроль чаще всего иллюзия:
❌ формы обратной связи продолжают храниться
❌ данные остаются «для безопасности» или «комплаенса»
❌ удаление можно отменить внутренним регламентом
Иными словами: галочка «не использовать мои данные» может быть просто декоративной...
⚙️ Новое вызовы - агентные системы
Когда LLM превращаются в агентов, которые ходят в базы данных, CRM, Jira или Slack -
начинается настоящий ад!
🕳️ Пользователь не видит, что именно делает агент:
ищет отчёт... или выгружает фрагменты данных из другой системы?
👁️🗨️ Контроль за агентами - почти «чёрный ящик».
И надеяться, что пользователи сами будут следить за этим, наивно.
💡 Приватность должна быть встроена в дизайн, а не прикручена сверху.
🧠 Что же делать?
🧰 5 правил кибер-гигиены для LLM-систем:
1️⃣ Проверяйте LLM-поставщиков.
🔍 Запрашивайте отчёты: где и как хранятся пользовательские данные.
2️⃣ Минимизируйте сбор данных.
🧹 Чем меньше храните - тем меньше сможете потерять.
3️⃣ Аудитируйте агентов.
🧾 Даже внутренних. Логируйте контексты и действия.
4️⃣ Встраивайте приватность в архитектуру.
🧱 Не плагином, а фундаментом.
5️⃣ Обучайте пользователей.
💬 Разговор с ИИ = API-запрос с контекстом, а не безобидный чат.
➡️ ИИ умеет помнить, обобщать и делать выводы -
а значит, ошибок «по невнимательности» больше не бывает.
🔗 Источник: arxive.org
Stay secure and read SecureTechTalks 📚
#cybersecurity #infosec #LLM #AIprivacy #dataprotection #securedevelopment #cyberthreats #securityawareness #machinelearning #SecureTechTalks
Недавнее исследование от Carnegie Mellon University и Northeastern University показало любопытную (и немного тревожную) картину:
большинство научных работ по приватности в ИИ сосредоточено не там, где реально горит 🔥
🧠 Спойлер:
в то время как поле вокруг уже тлеет по периметру.
📚 Что обнаружили?
📊 92% исследований касаются двух тем:
1️⃣ защиты обучающих данных
2️⃣ утечек истории чатов пользователей
💡 Остальные 8% - это всё, что происходит за пределами лаборатории:
🕵️ инференс-атаки
🔌 утечки через агентные системы
🧩 сбор и корреляция данных между сервисами
🗂️ скрытые профили пользователей
Итог: сотни статей о том, как не дать модели запомнить пароль,
но почти ни одной - о том, куда потом улетает ваш разговор с моделью,
если она встроена в корпоративного помощника 🤷♂️
🧩 Приватность ≠ конфиденциальность
Учёные предлагают новую таксономию утечек:
1️⃣ 🧠 Утечки обучающих данных
2️⃣ 💬 Прямая утечка чатов
3️⃣ 🔗 Косвенные утечки через интеграции и плагины
4️⃣ 🧮 Инференс - когда модель «угадывает» ваши данные
5️⃣ 🧱 Агрегация - сбор публичной информации в личные профили
🔎 Ключевая мысль:
данные утекают не потому, что «хакнули базу»,
а потому, что модель слишком хорошо связывает точки 🕸️
🧱 Иллюзия выбора
Контроль чаще всего иллюзия:
❌ формы обратной связи продолжают храниться
❌ данные остаются «для безопасности» или «комплаенса»
❌ удаление можно отменить внутренним регламентом
🧨 Учёные называют это «эрозией приватности под маской выбора».
Иными словами: галочка «не использовать мои данные» может быть просто декоративной...
⚙️ Новое вызовы - агентные системы
Когда LLM превращаются в агентов, которые ходят в базы данных, CRM, Jira или Slack -
начинается настоящий ад!
🕳️ Пользователь не видит, что именно делает агент:
ищет отчёт... или выгружает фрагменты данных из другой системы?
👁️🗨️ Контроль за агентами - почти «чёрный ящик».
И надеяться, что пользователи сами будут следить за этим, наивно.
💡 Приватность должна быть встроена в дизайн, а не прикручена сверху.
🧠 Что же делать?
🧰 5 правил кибер-гигиены для LLM-систем:
1️⃣ Проверяйте LLM-поставщиков.
🔍 Запрашивайте отчёты: где и как хранятся пользовательские данные.
2️⃣ Минимизируйте сбор данных.
🧹 Чем меньше храните - тем меньше сможете потерять.
3️⃣ Аудитируйте агентов.
🧾 Даже внутренних. Логируйте контексты и действия.
4️⃣ Встраивайте приватность в архитектуру.
🧱 Не плагином, а фундаментом.
5️⃣ Обучайте пользователей.
💬 Разговор с ИИ = API-запрос с контекстом, а не безобидный чат.
➡️ ИИ умеет помнить, обобщать и делать выводы -
а значит, ошибок «по невнимательности» больше не бывает.
🔗 Источник: arxive.org
Stay secure and read SecureTechTalks 📚
#cybersecurity #infosec #LLM #AIprivacy #dataprotection #securedevelopment #cyberthreats #securityawareness #machinelearning #SecureTechTalks
1❤1👍1🔥1🤝1
🚀 Технологические тренды 2026 по версии Gartner: что ждёт кибербезопасность?
Gartner опубликовали свежий отчёт о 10 ключевых технологиях, которые определят 2026 год.
И, как ни странно, почти все они напрямую влияют на информационную безопасность.
Давайте разберёмся, где нас ждут новые возможности, а где потенциальные взрывы 💣
🔗 Оригинал отчёта: Gartner — Top Strategic Technology Trends for 2026
💡 ИИ становится естественной частью разработки
AI-native платформы позволяют писать код вместе с ИИ, без участия разработчиков.
Но чем быстрее создаётся код, тем больше уязвимостей.
🔐 Безопасность теперь должна быть встроена на уровне идеи, а не постфактум.
⚙️ Супервычисления под управлением ИИ
AI-supercomputing объединяет GPU, TPU и нейроморфные чипы.
Это ускорит анализ, симуляции и защиту… но и атаки тоже.
💥 Хакеры получат ту же вычислительную мощь, что и защитники.
Борьба переходит на уровень суперкомпьютеров.
🧩 Доверенные среды вычислений
Confidential computing защищает данные не только при хранении и передаче,
но и во время обработки.
Это ключевой шаг для банков, медицины и госсектора.
🛡️ Конфиденциальность становится must have.
🤖 Агент против агента
Multi-agent systems: экосистемы ИИ-агентов, которые действуют самостоятельно.
Они могут решать сложные задачи и создавать непредсказуемые риски.
⚠️ Кто отвечает, если «агент» примет неверное решение?
Безопасность теперь должна контролировать взаимодействие ИИ между собой.
📚 Умные модели для конкретных отраслей
Domain-specific LLMs заменяют универсальные модели вроде GPT.
Меньше ошибок, но больше рисков «отравления» данных и подмены моделей.
👁🗨Критично обеспечение защиты обучения моделей.
🦾 ИИ в физическом мире
Physical AI - это дроны, роботы и «умные» устройства,
которые действуют в реальности, а не только анализируют.
⚙️ Ошибка модели и ИИ-манипулятор может повредить оборудование.
Кибербезопасность теперь включает механику и инженерию.
🕵️♂️ От обороны к упреждению
Preemptive cybersecurity - не ждать, пока атакуют, а действовать на опережение.
ИИ анализирует поведение и выявляет угрозы до инцидента.
🧠 «Активная оборона» и «обман атакующих» становятся нормой.
🔗 Цифровое происхождение всего
Digital provenance - способ доказать, откуда взялся код, данные или контент.
Теперь важно не только что вы используете, но и откуда это пришло.
📦 Supply-chain атаки становятся всё изощрённее — доверяй, но проверяй.
🛠️ Платформы для защиты ИИ
AI security platforms появляются как отдельный класс решений.
Они защищают модели, данные, интерфейсы и предотвращают промпт-инъекции.
🤖 Защита теперь должна понимать саму логику ИИ.
🌍 Геополитика и данные
Geopatriation - компании возвращают данные из глобальных облаков в локальные.
Причина тривиальна - геополитика, санкции и законы о суверенитете.
☁️ Безопасность должна учитывать, где именно хранятся и обрабатываются данные.
Stay secure and read SecureTechTalks 📚
#SecureTechTalks #CyberSecurity #AI #Gartner #TechTrends #InfoSec #AIsecurity #DataProtection #CyberThreats #DigitalTrust #FutureTech
Gartner опубликовали свежий отчёт о 10 ключевых технологиях, которые определят 2026 год.
И, как ни странно, почти все они напрямую влияют на информационную безопасность.
Давайте разберёмся, где нас ждут новые возможности, а где потенциальные взрывы 💣
🔗 Оригинал отчёта: Gartner — Top Strategic Technology Trends for 2026
💡 ИИ становится естественной частью разработки
AI-native платформы позволяют писать код вместе с ИИ, без участия разработчиков.
Но чем быстрее создаётся код, тем больше уязвимостей.
🔐 Безопасность теперь должна быть встроена на уровне идеи, а не постфактум.
⚙️ Супервычисления под управлением ИИ
AI-supercomputing объединяет GPU, TPU и нейроморфные чипы.
Это ускорит анализ, симуляции и защиту… но и атаки тоже.
💥 Хакеры получат ту же вычислительную мощь, что и защитники.
Борьба переходит на уровень суперкомпьютеров.
🧩 Доверенные среды вычислений
Confidential computing защищает данные не только при хранении и передаче,
но и во время обработки.
Это ключевой шаг для банков, медицины и госсектора.
🛡️ Конфиденциальность становится must have.
🤖 Агент против агента
Multi-agent systems: экосистемы ИИ-агентов, которые действуют самостоятельно.
Они могут решать сложные задачи и создавать непредсказуемые риски.
⚠️ Кто отвечает, если «агент» примет неверное решение?
Безопасность теперь должна контролировать взаимодействие ИИ между собой.
📚 Умные модели для конкретных отраслей
Domain-specific LLMs заменяют универсальные модели вроде GPT.
Меньше ошибок, но больше рисков «отравления» данных и подмены моделей.
👁🗨Критично обеспечение защиты обучения моделей.
🦾 ИИ в физическом мире
Physical AI - это дроны, роботы и «умные» устройства,
которые действуют в реальности, а не только анализируют.
⚙️ Ошибка модели и ИИ-манипулятор может повредить оборудование.
Кибербезопасность теперь включает механику и инженерию.
🕵️♂️ От обороны к упреждению
Preemptive cybersecurity - не ждать, пока атакуют, а действовать на опережение.
ИИ анализирует поведение и выявляет угрозы до инцидента.
🧠 «Активная оборона» и «обман атакующих» становятся нормой.
🔗 Цифровое происхождение всего
Digital provenance - способ доказать, откуда взялся код, данные или контент.
Теперь важно не только что вы используете, но и откуда это пришло.
📦 Supply-chain атаки становятся всё изощрённее — доверяй, но проверяй.
🛠️ Платформы для защиты ИИ
AI security platforms появляются как отдельный класс решений.
Они защищают модели, данные, интерфейсы и предотвращают промпт-инъекции.
🤖 Защита теперь должна понимать саму логику ИИ.
🌍 Геополитика и данные
Geopatriation - компании возвращают данные из глобальных облаков в локальные.
Причина тривиальна - геополитика, санкции и законы о суверенитете.
☁️ Безопасность должна учитывать, где именно хранятся и обрабатываются данные.
Stay secure and read SecureTechTalks 📚
#SecureTechTalks #CyberSecurity #AI #Gartner #TechTrends #InfoSec #AIsecurity #DataProtection #CyberThreats #DigitalTrust #FutureTech
🔥2
🚨 OpenAI выпустила GPT-OSS Safeguard: открытую систему безопасности для ИИ
Компания OpenAI представила GPT-OSS Safeguard: набор открытых моделей, которые помогают проверять безопасность контента и отслеживать корректность работы других нейросетей.
Это шаг к тому, чтобы сделать процессы Trust & Safety прозрачнее и управляемее.
🧩 OpenAI выпустила две модели: gpt-oss-safeguard-120B и gpt-oss-safeguard-20B.
Обе доступны с открытыми весами по лицензии Apache 2.0 их можно использовать, модифицировать и запускать локально.
📜 Модель принимает правила безопасности (policy) во время выполнения.
Разработчик может задать собственные критерии, и Safeguard классифицирует запросы или ответы по этим правилам.
💬 Ещё одно преимущество в том, что модель возвращает обоснование решения (chain-of-thought), что делает проверку прозрачной ив теории пригодной для аудита.
Подробнее в официальном блоге OpenAI.
🧠 Что умеет модель?
🤖 Модель анализирует текст, сопоставляет его с правилами и выдает оценку риска.
Например, она может определить, что сообщение содержит обход фильтра, и пометить его как «high risk».
📊 Вместо обычного «разрешено/запрещено» Safeguard объясняет, почему принято то или иное решение.
Это можно использовать для логирования, расследований и улучшения политики безопасности.
🔐 Новые возможности
Safeguard позволяет:
⚙️ внедрять собственные правила и политики проверки;
🔒 запускать модель внутри корпоративного периметра;
📑 анализировать reasoning-цепочки при расследованиях;
🧠 адаптировать правила без повторного обучения модели.
Открытые веса делают систему гибкой и позволяют интегрировать её в решения, где важно хранить данные локально.
⚠️ Риски
🔓 Открытые модели это не только гибкость, но и сложность настройки.
Если политика безопасности описана неточно, возможны ошибки классификации и ложные срабатывания.
🧨 Reasoning-модели можно обмануть подобранными запросами (prompt injection), поэтому нужно внедрять дополнительные инструменты защиты.
💬 Вопросы, на которые предстоит ответить
❓ Насколько reasoning реально помогает в аудите?
🧩 Можно ли избежать утечек через объяснения модели?
⚡ Подходит ли Safeguard для real-time систем?
Stay secure and read SecureTechTalks 📚
#OpenAI #ИИ #Кибербезопасность #TrustAndSafety #AIsecurity #MachineLearning #DataProtection #CyberThreats #TechNews #SecureTechTalks
Компания OpenAI представила GPT-OSS Safeguard: набор открытых моделей, которые помогают проверять безопасность контента и отслеживать корректность работы других нейросетей.
Это шаг к тому, чтобы сделать процессы Trust & Safety прозрачнее и управляемее.
🧩 OpenAI выпустила две модели: gpt-oss-safeguard-120B и gpt-oss-safeguard-20B.
Обе доступны с открытыми весами по лицензии Apache 2.0 их можно использовать, модифицировать и запускать локально.
📜 Модель принимает правила безопасности (policy) во время выполнения.
Разработчик может задать собственные критерии, и Safeguard классифицирует запросы или ответы по этим правилам.
💬 Ещё одно преимущество в том, что модель возвращает обоснование решения (chain-of-thought), что делает проверку прозрачной и
Подробнее в официальном блоге OpenAI.
🧠 Что умеет модель?
🤖 Модель анализирует текст, сопоставляет его с правилами и выдает оценку риска.
Например, она может определить, что сообщение содержит обход фильтра, и пометить его как «high risk».
📊 Вместо обычного «разрешено/запрещено» Safeguard объясняет, почему принято то или иное решение.
Это можно использовать для логирования, расследований и улучшения политики безопасности.
🔐 Новые возможности
Safeguard позволяет:
⚙️ внедрять собственные правила и политики проверки;
🔒 запускать модель внутри корпоративного периметра;
📑 анализировать reasoning-цепочки при расследованиях;
🧠 адаптировать правила без повторного обучения модели.
Открытые веса делают систему гибкой и позволяют интегрировать её в решения, где важно хранить данные локально.
⚠️ Риски
🔓 Открытые модели это не только гибкость, но и сложность настройки.
Если политика безопасности описана неточно, возможны ошибки классификации и ложные срабатывания.
🧨 Reasoning-модели можно обмануть подобранными запросами (prompt injection), поэтому нужно внедрять дополнительные инструменты защиты.
💬 Вопросы, на которые предстоит ответить
❓ Насколько reasoning реально помогает в аудите?
🧩 Можно ли избежать утечек через объяснения модели?
⚡ Подходит ли Safeguard для real-time систем?
Stay secure and read SecureTechTalks 📚
#OpenAI #ИИ #Кибербезопасность #TrustAndSafety #AIsecurity #MachineLearning #DataProtection #CyberThreats #TechNews #SecureTechTalks
🔥2
🚨 ИИ под охраной: OpenGuardrails защищает нейросети от утечек и манипуляций
ИИ-системы стремительно входят в бизнес-процессы, но чем шире их применение, тем выше риск: модели могут раскрывать конфиденциальные данные, исполнять вредные инструкции или генерировать токсичный контент.
🧩 OpenGuardrails создан для того, чтобы защать модели. Это открытая платформа, которая анализирует все запросы и ответы, обнаруживает инъекции, утечки и вредные подсказки, не давая AI выйти за рамки заданных политик безопасности.
🛡 Умная защита для умных систем
Фактически OpenGuardrails - это полноценный защитный слой между пользователем и моделью. Он контролирует оба направления трафика:
выявляет prompt-инъекции и попытки манипуляции контекстом,
блокирует утечки персональных и корпоративных данных,
фильтрует токсичный или опасный контент на входе и выходе модели.
👉 GitHub проекта
⚙️ Как это устроено?
Под капотом OpenGuardrails работает комбинация технологий:
➖ собственная LLM для анализа запросов и выявления атак,
➖ NER-модули для поиска чувствительных данных,
➖ гибкие политики и правила, которые легко адаптируются под ваши сценарии.
Платформа поддерживает два режима:
1️⃣ API-интеграция, когда вы напрямую вызываете сервис проверки;
2️⃣ Security Gateway, когда разворачиваете его как прокси, через который проходят все запросы к модели.
💡 Производительность: средняя задержка менее 300 мс.
Плюсом поддержка более 100 языков.
🧩 OpenGuardrails помогает компаниям решать три ключевые задачи:
🧱 Защищает пользователей и репутацию: предотвращая утечки и неэтичные ответы;
📜 Поддерживает соответствие требованиям GDPR, ISO 27001, SOC 2 и др.;
🤝 Повышает доверие к вашим ИИ-сервисам.
🚀 Где применять?
🔸 Корпоративные чат-боты: фильтруют вредные запросы и защищают документы.
🔸 Генераторы кода: предотвращают инъекции и утечки токенов.
🔸 ИИ-ассистенты: исключают токсичные или политически чувствительные ответы.
🔸 Big Data-платформы: контролируют обработку чувствительных наборов данных.
Stay secure and read SecureTechTalks 📚
#AIsecurity #cybersecurity #promptinjection #dataprotection #openguardrails #bigdata #infosec #opensource #llmsecurity #SecureTechTalks #techinnovation
ИИ-системы стремительно входят в бизнес-процессы, но чем шире их применение, тем выше риск: модели могут раскрывать конфиденциальные данные, исполнять вредные инструкции или генерировать токсичный контент.
🧩 OpenGuardrails создан для того, чтобы защать модели. Это открытая платформа, которая анализирует все запросы и ответы, обнаруживает инъекции, утечки и вредные подсказки, не давая AI выйти за рамки заданных политик безопасности.
🛡 Умная защита для умных систем
Фактически OpenGuardrails - это полноценный защитный слой между пользователем и моделью. Он контролирует оба направления трафика:
выявляет prompt-инъекции и попытки манипуляции контекстом,
блокирует утечки персональных и корпоративных данных,
фильтрует токсичный или опасный контент на входе и выходе модели.
👉 GitHub проекта
⚙️ Как это устроено?
Под капотом OpenGuardrails работает комбинация технологий:
Платформа поддерживает два режима:
1️⃣ API-интеграция, когда вы напрямую вызываете сервис проверки;
2️⃣ Security Gateway, когда разворачиваете его как прокси, через который проходят все запросы к модели.
💡 Производительность: средняя задержка менее 300 мс.
Плюсом поддержка более 100 языков.
🧩 OpenGuardrails помогает компаниям решать три ключевые задачи:
🧱 Защищает пользователей и репутацию: предотвращая утечки и неэтичные ответы;
📜 Поддерживает соответствие требованиям GDPR, ISO 27001, SOC 2 и др.;
🤝 Повышает доверие к вашим ИИ-сервисам.
🚀 Где применять?
🔸 Корпоративные чат-боты: фильтруют вредные запросы и защищают документы.
🔸 Генераторы кода: предотвращают инъекции и утечки токенов.
🔸 ИИ-ассистенты: исключают токсичные или политически чувствительные ответы.
🔸 Big Data-платформы: контролируют обработку чувствительных наборов данных.
Stay secure and read SecureTechTalks 📚
#AIsecurity #cybersecurity #promptinjection #dataprotection #openguardrails #bigdata #infosec #opensource #llmsecurity #SecureTechTalks #techinnovation
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥2👍1
🚨 Эпоха украденных личностей: почему «идентичность» становится новой целью преступников
👤 Когда-то логина и пароля было достаточно.
Сегодня этого не хватает даже для детского форума.
Исследование Osterman Research показало: 72% компаний фиксируют рост атак, связанных с кражей и подделкой цифровых идентичностей.
Хакеры больше не ломают периметр, они становятся сотрудниками.
💥 Дело в цифрах:
💰 В 2025 году в Бразилии хакеры заплатили какие-то $2,760 за доступ к корпоративным учёткам и украли $140 млн.
🧑💼 Каждый 10-й сотрудник Fortune 500 за последние три года «засветил» свои пароли в утечках.
🧠 19,8% компаний отмечают резкий рост атак с использованием ИИ для персонализированного фишинга.
🤖 На одного человека в корпоративной сети приходится 50 машинных аккаунтов, 40% из них не имеют владельца.
🔥 Почти 80% компаний не видят, что делают их сервисные учётки.
🕳️ Main Problem
Более ¾ организаций не имеют полной видимости того,
кто и как использует учётные данные, какие MFA-факторы применяются и где «гуляют» токены доступа.
Это значит, что атака может начаться с одного украденного пароля
и незаметно разрастись в шифровальщик по всей инфраструктуре.
🦾 От IAM к Identity Security
Старый добрый IAM (Identity and Access Management) проверяет, кто ты.
Но Identity Security идёт дальше, он защищает личность.
Три столпа новой парадигмы:
1⃣ Governance - автоматическое выравнивание прав доступа.
2⃣ Visibility - полная картина всех пользователей и машинных аккаунтов.
3⃣ Autonomous Remediation - самовосстановление: система блокирует украденный аккаунт до того, как злоумышленник войдёт.
🚧 Ручные процессы, как тупик
Опрос показал:
🔧 Главный барьер для защиты - это отсутствие автоматизации.
Большинство компаний тратит бюджет не на новые решения, а на «ручные расследования».
Результат ➡️ время реакции измеряется сутками, а не секундами.
📈 Куда движется рынок
Через два года компании планируют увеличить приоритет Identity Security-функций с 47% до 68%.
Особенно быстро растёт интерес к:
- автоматической проверке корректности прав доступа (+62%),
- offboarding-процессам (+58%),
- обнаружению "машинных" идентичностей (+55%).
⚙️ Технологии, которые становятся must-have
➖ ITDR (Identity Threat Detection & Response) ловит подозрительные действия с учётками.
➖ CIEM управляет облачными правами доступа.
➖ IGA автоматизирует создание, изменение и удаление аккаунтов.
➖ MFA нового поколения без паролей, с биометрией и ключами.
➖ Backup Entra ID и Okta для отката после компрометации.
🔗 Источник: https://resources.enzoic.com/strengthening-identity-security/
Stay secure and read SecureTechTalks 📚
#IdentitySecurity #CyberSecurity #IAM #ZeroTrust #MFA #AIThreats #DataProtection #DarkWeb #CISO #SecureTechTalks
👤 Когда-то логина и пароля было достаточно.
Сегодня этого не хватает даже для детского форума.
Исследование Osterman Research показало: 72% компаний фиксируют рост атак, связанных с кражей и подделкой цифровых идентичностей.
Хакеры больше не ломают периметр, они становятся сотрудниками.
💥 Дело в цифрах:
💰 В 2025 году в Бразилии хакеры заплатили какие-то $2,760 за доступ к корпоративным учёткам и украли $140 млн.
🧑💼 Каждый 10-й сотрудник Fortune 500 за последние три года «засветил» свои пароли в утечках.
🧠 19,8% компаний отмечают резкий рост атак с использованием ИИ для персонализированного фишинга.
🤖 На одного человека в корпоративной сети приходится 50 машинных аккаунтов, 40% из них не имеют владельца.
🔥 Почти 80% компаний не видят, что делают их сервисные учётки.
🕳️ Main Problem
Более ¾ организаций не имеют полной видимости того,
кто и как использует учётные данные, какие MFA-факторы применяются и где «гуляют» токены доступа.
Это значит, что атака может начаться с одного украденного пароля
и незаметно разрастись в шифровальщик по всей инфраструктуре.
🦾 От IAM к Identity Security
Старый добрый IAM (Identity and Access Management) проверяет, кто ты.
Но Identity Security идёт дальше, он защищает личность.
Три столпа новой парадигмы:
1⃣ Governance - автоматическое выравнивание прав доступа.
2⃣ Visibility - полная картина всех пользователей и машинных аккаунтов.
3⃣ Autonomous Remediation - самовосстановление: система блокирует украденный аккаунт до того, как злоумышленник войдёт.
🚧 Ручные процессы, как тупик
Опрос показал:
🔧 Главный барьер для защиты - это отсутствие автоматизации.
Большинство компаний тратит бюджет не на новые решения, а на «ручные расследования».
Результат ➡️ время реакции измеряется сутками, а не секундами.
📈 Куда движется рынок
Через два года компании планируют увеличить приоритет Identity Security-функций с 47% до 68%.
Особенно быстро растёт интерес к:
- автоматической проверке корректности прав доступа (+62%),
- offboarding-процессам (+58%),
- обнаружению "машинных" идентичностей (+55%).
⚙️ Технологии, которые становятся must-have
🔗 Источник: https://resources.enzoic.com/strengthening-identity-security/
Stay secure and read SecureTechTalks 📚
#IdentitySecurity #CyberSecurity #IAM #ZeroTrust #MFA #AIThreats #DataProtection #DarkWeb #CISO #SecureTechTalks
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥 Могут ли модели решать за нас, кому давать доступ к данным?
Человек чаще всего фейлит при выдаче разрешений приложениям. Усталость, автоматизм, и выдано ещё одно «Allow», открывающее доступ к контактам.
А что, если решение будет принимать не человек, а AI?
Недавнее исследование ETH Zurich и Huawei показало: LLM способны принимать решения о доступе к данным точнее и осознаннее, чем большинство пользователей.
🤖 Эксперимент
📌 Исследователи собрали 307 естественных “privacy statements”: мини-описаний того, как человек относится к приватности:
📌 Затем 393 участника приняли 14 682 реальных решений по разрешениям Android-приложений.
📌 Параллельно LLM принимала решения за каждого участника, сначала в общем виде, затем персонализированно, используя именно их “privacy statement”.
📌 После этого люди сравнивали свои решения с решениями ИИ и говорили, чью логику считают лучше.
💡 LLM в целом умнее среднего человека
🔍 В задачах с понятным «правильным» ответом (например, доступ к микрофону для звонка):
LLM давали 100% корректных ответов.
👥 В субъективных сценариях:
LLM совпадали с большинством пользователей в 70–86% случаев.
Но есть момент, который лично мне кажется ключевым:
⚔️ В чувствительных сценариях LLM действовали более безопасно, чем люди
Для запросов, которые не должны быть разрешены (over-privileged запросы):
большинство людей ставили “Allow” по привычке 😬
LLM в 67–100% случаев говорили “Deny”,
тем самым защищая пользователя от собственной неосторожности.
🎯 Персонализация
Когда в систему добавляли личное “privacy statement”, происходило интересное:
📈 Для части людей точность возрастала до +50pp, иногда доходя до 100% совпадения.
📉 У других наоборот, падала:
если человек писал “Я доверяю всем”, но на деле запрещал, LLM следовала заявленной логике, а не реальному поведению.
🔍 Факторы, влияющие на точность:
➖ чем длиннее и конкретнее privacy-statement → тем лучше
➖ люди с крайними позициями (“всё запрещаю” / “всё разрешаю”) идеально персонализируются
➖ несоответствия между заявленным и реальным резко ухудшают качество
🧠 Люди меняют решения под влиянием объяснения LLM
Самый неожиданный эффект:
Когда человек не согласен с решением ИИ, но читает объяснение, то 48% меняют своё первоначальное решение.
Причём если LLM рекомендует “Deny”:
➡️ 59% людей соглашаются, даже если сами бы разрешили.
ИИ работает как «security-nudge», который мягко подталкивает к более безопасным действиям.
🔗 Полный текст исследования
Stay secure and read SecureTechTalks 📚
#кибербезопасность #privacy #llm #androidsecurity #ai #securityresearch #dataprotection #mobileprivacy #aiethics #securetech
Человек чаще всего фейлит при выдаче разрешений приложениям. Усталость, автоматизм, и выдано ещё одно «Allow», открывающее доступ к контактам.
А что, если решение будет принимать не человек, а AI?
Недавнее исследование ETH Zurich и Huawei показало: LLM способны принимать решения о доступе к данным точнее и осознаннее, чем большинство пользователей.
🤖 Эксперимент
📌 Исследователи собрали 307 естественных “privacy statements”: мини-описаний того, как человек относится к приватности:
«Даю доступ только когда необходимо»,
«Хочу максимум удобства»,
«Никогда не делюсь локацией без крайней нужды».
📌 Затем 393 участника приняли 14 682 реальных решений по разрешениям Android-приложений.
📌 Параллельно LLM принимала решения за каждого участника, сначала в общем виде, затем персонализированно, используя именно их “privacy statement”.
📌 После этого люди сравнивали свои решения с решениями ИИ и говорили, чью логику считают лучше.
💡 LLM в целом умнее среднего человека
🔍 В задачах с понятным «правильным» ответом (например, доступ к микрофону для звонка):
LLM давали 100% корректных ответов.
👥 В субъективных сценариях:
LLM совпадали с большинством пользователей в 70–86% случаев.
Но есть момент, который лично мне кажется ключевым:
⚔️ В чувствительных сценариях LLM действовали более безопасно, чем люди
Для запросов, которые не должны быть разрешены (over-privileged запросы):
большинство людей ставили “Allow” по привычке 😬
LLM в 67–100% случаев говорили “Deny”,
тем самым защищая пользователя от собственной неосторожности.
🎯 Персонализация
Когда в систему добавляли личное “privacy statement”, происходило интересное:
📈 Для части людей точность возрастала до +50pp, иногда доходя до 100% совпадения.
📉 У других наоборот, падала:
если человек писал “Я доверяю всем”, но на деле запрещал, LLM следовала заявленной логике, а не реальному поведению.
🔍 Факторы, влияющие на точность:
🧠 Люди меняют решения под влиянием объяснения LLM
Самый неожиданный эффект:
Когда человек не согласен с решением ИИ, но читает объяснение, то 48% меняют своё первоначальное решение.
Причём если LLM рекомендует “Deny”:
➡️ 59% людей соглашаются, даже если сами бы разрешили.
ИИ работает как «security-nudge», который мягко подталкивает к более безопасным действиям.
🔗 Полный текст исследования
Stay secure and read SecureTechTalks 📚
#кибербезопасность #privacy #llm #androidsecurity #ai #securityresearch #dataprotection #mobileprivacy #aiethics #securetech
Please open Telegram to view this post
VIEW IN TELEGRAM