SecureAIML 🔐

Unternehmensreife KI-Modellsicherheit basierend auf OpenSSF Model Signing

SecureAIML ist das „Stripe für Modellsicherheit“ – es macht den Schutz von KI-Modellen auf Unternehmensniveau für jede Organisation zugänglich, benutzerfreundlich und produktionsreif.

Warum SecureAIML?

Im Zeitalter von KI/ML ist die Sicherheit von Modellen entscheidend. SecureAIML umhüllt den leistungsstarken OpenSSF Model Signing-Standard mit einer intuitiven, unternehmensreifen Schnittstelle, die die Sicherung Ihrer ML-Modelle so einfach macht wie:

Installation

pip install secureaiml

Schnellstart

from secureml import SecureModel
import joblib

# Load your model
model = joblib.load("model.pkl")

# Secure it in one line
secure_model = SecureModel(model)
secure_model.sign_and_save("model.sml", identity="[email protected]")

# Load and verify
verified_model = SecureModel.load("model.sml", verify=True)
predictions = verified_model.predict(X_test)

Funktionen

🎯 Unterstützung universeller Modelle

• Traditionelles ML: XGBoost, scikit-learn, LightGBM, CatBoost
• Deep Learning: PyTorch, TensorFlow, JAX, Keras
• Große Sprachmodelle: HuggingFace Transformers, GGUF, SafeTensors
• Computer Vision: ONNX, CoreML, TensorRT, OpenVINO
• Audio/Sprache: Whisper, Wav2Vec, SpeechT5
• Multimodal: CLIP, DALL-E, GPT-4V, BLIP

🔒 Basierend auf OpenSSF-Standards

• Vollständige Integration mit OpenSSF Model Signing
• Nutzt Sigstore-Infrastruktur
• Branchenübliche kryptografische Signierung
• Schlüssellose Signierung mit OIDC
• Transparente und überprüfbare Signaturen

🏢 Enterprise-Funktionen

• Hardware-Sicherheitsmodul (HSM)-Integration
• Cloud-KMS-Unterstützung (AWS KMS, Azure Key Vault, GCP Cloud KMS)
• Erweitertes Fingerprinting mit Merkle-Bäumen
• Multi-Signatur-Workflows
• Compliance-Frameworks: SOC2, ISO27001, FIPS 140-2, HIPAA, GDPR
• Umfassende Prüfpfade und Forensik

⚡ Entwicklerfreundlich

• Einfache, intuitive Pythonische API
• Automatische Erkennung von Modelltypen
• Minimale Konfiguration erforderlich
• Funktioniert mit bestehenden ML-Workflows
• Umfangreiche Dokumentation und Beispiele

Grundlegende Nutzung

from secureml import SecureModel
import joblib

# Train your model (any framework)
from xgboost import XGBClassifier
model = XGBClassifier()
model.fit(X_train, y_train)

# Secure it
secure_model = SecureModel(model)
secure_model.sign_and_save(
    "fraud_detection_model.sml",
    identity="[email protected]",
    version="2.0.0",
    description="Production fraud detection model"
)

# Load and verify
model = SecureModel.load("fraud_detection_model.sml", verify=True)
if model.is_verified:
    predictions = model.predict(X_test)

Enterprise-Nutzung

from secureml.api.advanced import AdvancedSecureModel
from secureml.utils.config import SecurityConfig, SecurityLevel, ComplianceFramework

# Configure enterprise security
config = SecurityConfig.from_level(SecurityLevel.ENTERPRISE)
config.enable_fingerprinting = True
config.enable_merkle_trees = True
config.compliance_frameworks = [ComplianceFramework.SOC2, ComplianceFramework.ISO27001]

# Create advanced secure model
advanced = AdvancedSecureModel(model, config=config)

# Sign with AWS KMS
advanced.add_signature(
    identity="[email protected]",
    use_cloud_kms=True,
    kms_key_id="arn:aws:kms:us-east-1:123456789:key/abc-def",
    cloud_provider="aws"
)

# Validate compliance
compliance_report = advanced.validate_compliance(
    frameworks=[ComplianceFramework.SOC2, ComplianceFramework.HIPAA],
    generate_report=True,
    report_path="compliance_report.json"
)

print(f"Compliance Status: {compliance_report['overall_status']}")

Architektur

SecureML ist als Erweiterungsschicht auf OpenSSF Model Signing aufgebaut:

┌─────────────────────────────────────────────────────┐
│            Your Application                         │
└─────────────────────────────────────────────────────┘
                      ↓
┌─────────────────────────────────────────────────────┐
│            SecureML API Layer                       │
│  • Simple API  • Advanced API  • CLI                │
└─────────────────────────────────────────────────────┘
                      ↓
┌─────────────────────────────────────────────────────┐
│         SecureML Enterprise Features                │
│  • HSM/KMS  • Compliance  • Audit  • Forensics      │
└─────────────────────────────────────────────────────┘
                      ↓
┌─────────────────────────────────────────────────────┐
│         OpenSSF Model Signing (Core)                │
│         Sigstore Infrastructure                     │
└─────────────────────────────────────────────────────┘

Sicherheitsstufen

SecureML bietet vier Sicherheitsstufen, die auf Ihre Bedürfnisse zugeschnitten sind:

Stufe	Anwendungsfall	Funktionen
BASIC	Entwicklung, Test	Nur OpenSSF-Signierung
STANDARD	Produktionsbereitstellungen	+ Fingerprinting, Audit-Protokollierung
ENTERPRISE	Regulierte Branchen	+ Merkle-Bäume, Bedrohungserkennung, Compliance
MAXIMUM	Hochsicherheitsumgebungen	+ Verschlüsselung, Forensik, Multi-Signatur

Compliance-Unterstützung

SecureML hilft Ihnen, behördliche Anforderungen zu erfüllen:

• SOC 2: System- und Organisationskontrollen
• ISO 27001: Informationssicherheitsmanagement
• FIPS 140-2: Validierung kryptografischer Module
• HIPAA: Schutz von Gesundheitsdaten
• GDPR: EU-Datenschutz

Dokumentation

• 📦 PyPI-Paket - Offizielles Paket auf PyPI
• 🚀 Schnellstartanleitung - In 5 Minuten loslegen
• 📚 Installationsanleitung - Installationsanweisungen
• 📖 Nutzungsanleitung - Umfassende Nutzungsdokumentation
• 🔒 Wasserzeichendienste - Leitfaden zur Modell-Wasserzeichen
• 🛡️ Bedrohungsmodell - Sicherheitsanalyse und Einschränkungen
• 🔗 OpenSSF-Integration - Integration von OpenSSF Model Signing

Beispiele

XGBoost-Modell

from secureml import SecureModel
import xgboost as xgb

model = xgb.XGBClassifier()
model.fit(X_train, y_train)

secure_model = SecureModel(model)
secure_model.sign_and_save("xgb_model.sml", identity="[email protected]")

PyTorch-Modell

import torch
from secureml import SecureModel

model = torch.nn.Sequential(...)
torch.save(model.state_dict(), "model.pth")

secure_model = SecureModel.load_from_path("model.pth")
secure_model.sign_and_save("pytorch_model.sml", identity="[email protected]")

HuggingFace-Modell

from transformers import AutoModel
from secureml import SecureModel