SecureAIML 🔐

Sécurité des modèles IA prête pour l'entreprise, construite sur la signature de modèles OpenSSF

SecureAIML est le « Stripe de la sécurité des modèles » : il rend la protection des modèles IA de niveau entreprise accessible, conviviale et prête pour la production, pour toutes les organisations.

Pourquoi SecureAIML ?

À l'ère de l'IA/ML, la sécurité des modèles est essentielle. SecureAIML enveloppe la puissante norme OpenSSF Model Signing avec une interface intuitive et prête pour l'entreprise qui rend la sécurisation de vos modèles ML aussi simple que :

Installation

pip install secureaiml

Démarrage rapide

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)

Fonctionnalités

🎯 Prise en charge universelle des modèles

• ML classique : XGBoost, scikit-learn, LightGBM, CatBoost
• Deep Learning : PyTorch, TensorFlow, JAX, Keras
• Grands modèles de langage : HuggingFace Transformers, GGUF, SafeTensors
• Vision par ordinateur : ONNX, CoreML, TensorRT, OpenVINO
• Audio/parole : Whisper, Wav2Vec, SpeechT5
• Multimodal : CLIP, DALL-E, GPT-4V, BLIP

🔒 Construit sur les normes OpenSSF

• Intégration complète avec OpenSSF Model Signing
• Exploite l'infrastructure Sigstore
• Signature cryptographique aux normes de l'industrie
• Signature sans clé avec OIDC
• Signatures transparentes et vérifiables

🏢 Fonctionnalités entreprise

• Intégration Hardware Security Module (HSM)
• Prise en charge Cloud KMS (AWS KMS, Azure Key Vault, GCP Cloud KMS)
• Empreintes avancées avec arbres de Merkle
• Flux de travail multi-signature
• Cadres de conformité : SOC2, ISO27001, FIPS 140-2, HIPAA, GDPR
• Pistes d'audit complètes et criminalistique

⚡ Conviviale pour les développeurs

• API Pythonique simple et intuitive
• Détection automatique des types de modèles
• Configuration minimale requise
• Fonctionne avec les flux de travail ML existants
• Documentation et exemples complets

Utilisation de base

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)

Utilisation entreprise

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']}")

Architecture

SecureML est conçu comme une couche d'amélioration au-dessus d'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                     │
└─────────────────────────────────────────────────────┘

Niveaux de sécurité

SecureML propose quatre niveaux de sécurité pour répondre à vos besoins :

Niveau	Cas d'utilisation	Fonctionnalités
BASIC	Développement, tests	Signature OpenSSF uniquement
STANDARD	Déploiements de production	+ Empreintes, journalisation d'audit
ENTERPRISE	Secteurs réglementés	+ Arbres de Merkle, détection des menaces, conformité
MAXIMUM	Environnements à haute sécurité	+ Chiffrement, criminalistique, multi-signature

Prise en charge de la conformité

SecureML vous aide à satisfaire aux exigences réglementaires :

• SOC 2 : Système et contrôles d'organisation
• ISO 27001 : Management de la sécurité de l'information
• FIPS 140-2 : Validation des modules cryptographiques
• HIPAA : Protection des données de santé
• GDPR : Protection des données de l'UE

Documentation

• 📦 Paquet PyPI - Paquet officiel sur PyPI
• 🚀 Guide de démarrage rapide - Commencez en 5 minutes
• 📚 Guide d'installation - Instructions d'installation
• 📖 Guide d'utilisation - Documentation d'utilisation complète
• 🔒 Fonctionnalités de tatouage - Guide de tatouage des modèles
• 🛡️ Modèle de menace - Analyse de sécurité et limites
• 🔗 Intégration OpenSSF - Intégration d'OpenSSF Model Signing

Exemples

Modèle 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]")

Modèle PyTorch

import torch
from secureml import SecureModel

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