Orbyx AI SPM - Gerenciamento de Postura de Segurança de IA

O gerenciamento de postura de segurança de IA (AI-SPM) é uma abordagem abrangente para manter a segurança e integridade de sistemas de inteligência artificial (IA) e aprendizado de máquina (ML). Envolve monitoramento contínuo, avaliação e melhoria da postura de segurança de modelos de IA, dados e infraestrutura. O AI-SPM inclui identificação e correção de vulnerabilidades, configurações incorretas e riscos potenciais associados à adoção de IA, bem como garantir conformidade com regulamentações relevantes de privacidade e segurança.

Este projeto de código aberto é dedicado a implementar AI-SPM de nível empresarial. Ao fazê-lo, as organizações podem proteger proativamente seus sistemas de IA contra ameaças, minimizar a exposição de dados e manter a confiabilidade de suas aplicações de IA (agentes, servidores mpc, modelos e mais). Sua organização está colocando tudo o que tem em aplicações de IA — você está preparado para protegê-las?
Antes de responder, pense nestas perguntas específicas:
Você consegue identificar toda a IA oculta (incluindo modelos de IA, agentes e recursos associados) em seu ambiente?
Você está protegendo efetivamente os dados de IA para evitar envenenamento de dados, viés e violações de conformidade?
Você sabe como priorizar riscos críticos de IA com contexto?
Você está confiante de que pode detectar e responder rapidamente a atividades suspeitas em pipelines de IA?
Se você respondeu "não tenho certeza" ou "não" para pelo menos uma dessas perguntas, então deve dar uma olhada mais de perto neste projeto. É a maneira de ver o estado atual da segurança do seu ecossistema de IA.

Descubra a segurança de seus modelos de IA, agentes e recursos associados. Identifique riscos em cadeias de suprimentos/pipelines e agentes de aplicações de IA — que podem levar à exfiltração de dados e uso indevido de recursos. Implemente controles de governança adequados em torno do uso de IA.

Guia rápido de implantação 101

Coloque o Orbyx AI SPM em execução localmente em alguns passos simples. Pré-requisitos:

Mac OS:

brew install mkcert istioctl
mkcert -install

Ubuntu / Debian:

sudo apt-get update
sudo apt-get install -y libnss3-tools  # mkcert needs this to trust the CA in browsers (SSL suport)

Fedora / RHEL

sudo dnf install -y nss-tools

Todos os Linux

curl -fsSLo /tmp/mkcert "https://github.com/FiloSottile/mkcert/releases/latest/download/mkcert-v1.4.4-linux-amd64"
sudo install -m 0755 /tmp/mkcert /usr/local/bin/mkcert

curl -fsSL https://istio.io/downloadIstio | sh -
sudo install -m 0755 istio-*/bin/istioctl /usr/local/bin/istioctl

mkcert -install

Se você estiver em um Linux arm64, substitua linux-amd64 → linux-arm64 na URL do mkcert.

Passo 1 — Instalar cluster K8S (Kind)

clone o repositório.

Inicialização (cluster limpo)

Execute a partir de /<project_root>. Cada passo é idempotente.

  <project_root>/deploy/scripts/bootstrap-cluster.sh

De ponta a ponta em uma máquina nova: cerca de 20 minutos. Execuções subsequentes que apenas reimplantam o chart AISPM levam cerca de 5 minutos.

Uma vez que a inicialização for concluída, navegue até:

Clique em Entrar em qualquer página — conta demo: admin / admin.

Pronto! Você está funcionando.

Visão Geral da Arquitetura

Plano de Controle e Caminho de Dados

Diretrizes para Pull Requests

• Uma preocupação por PR — mantenha as alterações focadas e revisáveis
• Escreva uma descrição clara — o que mudou e por quê
• Inclua testes — novas funcionalidades e correções de bugs devem ter cobertura de testes
• Passe no CI — todos os testes devem estar verdes antes da revisão
• Atualize a documentação — se você alterar o comportamento, atualize o arquivo .md correspondente

Nomenclatura de branches:

Estrutura do Projeto

services/          # Microsserviços de backend (Python / FastAPI)
ui/                # Frontend (React + Vite)
platform_shared/   # Módulos Python compartilhados (JWT, Kafka, modelos)
spm/               # Definições de políticas e conformidade SPM
opa/               # Políticas OPA Rego
grafana/           # JSON de dashboards e configuração de provisionamento
prometheus/        # Configuração de coleta
tests/             # Testes unitários e de integração
scripts/           # Utilitários de desenvolvimento (criação de JWT, etc.)

Reportando Problemas

Por favor, abra uma Issue no GitHub e inclua:

• Uma descrição clara do problema
• Passos para reproduzir
• Logs relevantes (saída de make logs-api)
• Seu ambiente (SO, versão do Docker, arquitetura do chip)

Estilo de Código

• Python — siga PEP 8; use dicas de tipo onde for prático
• JavaScript — ESM padrão; nenhuma configuração de linting externa necessária
• Commits — use Commits Convencionais (feat:, fix:, docs:, etc.)