SecureAIML 🔐

Sicurezza dei Modelli AI di Livello Enterprise basata su OpenSSF Model Signing

SecureAIML è il "Stripe della sicurezza dei modelli" - rende la protezione dei modelli AI di livello enterprise accessibile, facile da usare e pronta per la produzione per ogni organizzazione.

Perché SecureAIML?

Nell'era dell'AI/ML, la sicurezza dei modelli è fondamentale. SecureAIML avvolge il potente standard OpenSSF Model Signing con un'interfaccia intuitiva e pronta per l'enterprise che rende la messa in sicurezza dei tuoi modelli ML semplice come:

Installazione

pip install secureaiml

Avvio Rapido

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)

Funzionalità

🎯 Supporto Universale dei Modelli

• ML Tradizionale: XGBoost, scikit-learn, LightGBM, CatBoost
• Deep Learning: PyTorch, TensorFlow, JAX, Keras
• Modelli Linguistici di Grandi Dimensioni: HuggingFace Transformers, GGUF, SafeTensors
• Visione Artificiale: ONNX, CoreML, TensorRT, OpenVINO
• Audio/Voce: Whisper, Wav2Vec, SpeechT5
• Multimodale: CLIP, DALL-E, GPT-4V, BLIP

🔒 Basato su Standard OpenSSF

• Piena integrazione con OpenSSF Model Signing
• Sfrutta l'infrastruttura Sigstore
• Firma crittografica standard di settore
• Firma senza chiavi con OIDC
• Firme trasparenti e verificabili

🏢 Funzionalità Enterprise

• Integrazione con Hardware Security Module (HSM)
• Supporto per Cloud KMS (AWS KMS, Azure Key Vault, GCP Cloud KMS)
• Fingerprinting avanzato con alberi Merkle
• Flussi di lavoro multi-firma
• Framework di conformità: SOC2, ISO27001, FIPS 140-2, HIPAA, GDPR
• Registri di audit completi e analisi forensi

⚡ A Misura di Sviluppatore

• API Pythonic semplici e intuitive
• Rilevamento automatico dei tipi di modello
• Configurazione minima richiesta
• Funziona con i flussi di lavoro ML esistenti
• Ampia documentazione ed esempi

Utilizzo di 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)

Utilizzo Enterprise

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']}")

Architettura

SecureML è costruito come livello di potenziamento sopra 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                     │
└─────────────────────────────────────────────────────┘

Livelli di Sicurezza

SecureML offre quattro livelli di sicurezza per soddisfare le tue esigenze:

Livello	Caso d'uso	Funzionalità
BASIC	Sviluppo, test	Solo firma OpenSSF
STANDARD	Distribuzioni in produzione	+ Fingerprinting, registrazione audit
ENTERPRISE	Settori regolamentati	+ Alberi Merkle, rilevamento minacce, conformità
MAXIMUM	Ambienti ad alta sicurezza	+ Crittografia, analisi forensi, multi-firma

Supporto alla Conformità

SecureML ti aiuta a soddisfare i requisiti normativi:

• SOC 2: Controlli di Sistema e Organizzazione
• ISO 27001: Gestione della Sicurezza delle Informazioni
• FIPS 140-2: Validazione dei Moduli Crittografici
• HIPAA: Protezione dei dati sanitari
• GDPR: Protezione dei dati UE

Documentazione

• 📦 Pacchetto PyPI - Pacchetto ufficiale su PyPI
• 🚀 Guida di Avvio Rapido - Inizia in 5 minuti
• 📚 Guida all'Installazione - Istruzioni di installazione
• 📖 Guida all'Utilizzo - Documentazione completa sull'uso
• 🔒 Funzionalità di Watermarking - Guida al watermarking dei modelli
• 🛡️ Modello di Minaccia - Analisi della sicurezza e limitazioni
• 🔗 Integrazione OpenSSF - Integrazione con OpenSSF Model Signing

Esempi

Modello 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]")

Modello 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]")

Modello HuggingFace

from transformers import AutoModel
from secureml import SecureModel