SecureAIML 🔐

Seguridad de Modelos de IA de Nivel Empresarial construida sobre OpenSSF Model Signing

SecureAIML es el "Stripe de la seguridad de modelos": hace que la protección de modelos de IA de grado empresarial sea accesible, fácil de usar y lista para producción para todas las organizaciones.

¿Por qué SecureAIML?

En la era de la IA/ML, la seguridad de los modelos es crítica. SecureAIML envuelve el potente estándar OpenSSF Model Signing con una interfaz intuitiva y lista para empresas que hace que asegurar tus modelos de ML sea tan simple como:

Instalación

pip install secureaiml

Inicio Rápido

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)

Características

🎯 Soporte Universal de Modelos

• ML Tradicional: XGBoost, scikit-learn, LightGBM, CatBoost
• Deep Learning: PyTorch, TensorFlow, JAX, Keras
• Modelos de Lenguaje Grande: HuggingFace Transformers, GGUF, SafeTensors
• Visión por Computador: ONNX, CoreML, TensorRT, OpenVINO
• Audio/Voz: Whisper, Wav2Vec, SpeechT5
• Multimodal: CLIP, DALL-E, GPT-4V, BLIP

🔒 Construido sobre Estándares OpenSSF

• Integración completa con OpenSSF Model Signing
• Aprovecha la infraestructura de Sigstore
• Firma criptográfica estándar de la industria
• Firma sin claves con OIDC
• Firmas transparentes y verificables

🏢 Características Empresariales

• Integración con Hardware Security Module (HSM)
• Soporte de Cloud KMS (AWS KMS, Azure Key Vault, GCP Cloud KMS)
• Huella digital avanzada con árboles Merkle
• Flujos de trabajo de multi-firma
• Marcos de cumplimiento: SOC2, ISO27001, FIPS 140-2, HIPAA, GDPR
• Registros de auditoría integrales y análisis forense

⚡ Amigable para Desarrolladores

• API Pythonica simple e intuitiva
• Auto-detección de tipos de modelo
• Configuración mínima requerida
• Funciona con flujos de trabajo de ML existentes
• Amplia documentación y ejemplos

Uso Básico

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)

Uso Empresarial

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']}")

Arquitectura

SecureML está construido como una capa de mejora sobre OpenSSF Model Signing:

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

Niveles de Seguridad

SecureML proporciona cuatro niveles de seguridad para adaptarse a tus necesidades:

Nivel	Caso de Uso	Características
BÁSICO	Desarrollo, pruebas	Solo firma OpenSSF
ESTÁNDAR	Despliegues de producción	+ Huella digital, registro de auditoría
EMPRESARIAL	Industrias reguladas	+ Árboles Merkle, detección de amenazas, cumplimiento
MÁXIMO	Entornos de alta seguridad	+ Cifrado, análisis forense, multi-firma

Soporte de Cumplimiento

SecureML te ayuda a cumplir con los requisitos regulatorios:

• SOC 2: Controles de Sistema y Organización
• ISO 27001: Gestión de Seguridad de la Información
• FIPS 140-2: Validación de Módulos Criptográficos
• HIPAA: Protección de datos de salud
• GDPR: Protección de datos de la UE

Documentación

• 📦 Paquete PyPI - Paquete oficial en PyPI
• 🚀 Guía de Inicio Rápido - Comienza en 5 minutos
• 📚 Guía de Instalación - Instrucciones de instalación
• 📖 Guía de Uso - Documentación completa de uso
• 🔒 Características de Marca de Agua - Guía de marcas de agua para modelos
• 🛡️ Modelo de Amenazas - Análisis de seguridad y limitaciones
• 🔗 Integración OpenSSF - Integración con OpenSSF Model Signing

Ejemplos

Modelo XGBoost

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]")

Modelo PyTorch

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]")