SecureAIML 🔐

Безопасность ИИ-моделей корпоративного уровня на базе OpenSSF Model Signing

SecureAIML — это «Stripe для безопасности моделей»: он делает защиту ИИ-моделей корпоративного уровня доступной, удобной и готовой к продакшену для любой организации.

Почему SecureAIML?

В эпоху ИИ/ML безопасность моделей критически важна. SecureAIML заключает мощный стандарт OpenSSF Model Signing в интуитивно понятный, готовый к использованию в корпоративной среде интерфейс, который делает защиту ваших ML-моделей такой же простой, как:

Установка

pip install secureaiml

Быстрый старт

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)

Возможности

🎯 Универсальная поддержка моделей

• Классическое ML: XGBoost, scikit-learn, LightGBM, CatBoost
• Глубокое обучение: PyTorch, TensorFlow, JAX, Keras
• Большие языковые модели: HuggingFace Transformers, GGUF, SafeTensors
• Компьютерное зрение: ONNX, CoreML, TensorRT, OpenVINO
• Аудио/Речь: Whisper, Wav2Vec, SpeechT5
• Мультимодальные модели: CLIP, DALL-E, GPT-4V, BLIP

🔒 Основано на стандартах OpenSSF

• Полная интеграция с OpenSSF Model Signing
• Использует инфраструктуру Sigstore
• Криптографическая подпись в соответствии с отраслевыми стандартами
• Подпись без ключей с использованием OIDC
• Прозрачные и проверяемые подписи

🏢 Корпоративные возможности

• Интеграция с аппаратными модулями безопасности (HSM)
• Поддержка облачных KMS (AWS KMS, Azure Key Vault, GCP Cloud KMS)
• Продвинутое fingerprinting с использованием деревьев Меркла
• Процессы множественной подписи
• Соответствие стандартам: SOC2, ISO27001, FIPS 140-2, HIPAA, GDPR
• Полные журналы аудита и форензика

⚡ Удобно для разработчиков

• Простой и интуитивно понятный API в стиле Python
• Автоматическое определение типов моделей
• Минимальная конфигурация
• Работает с существующими ML-процессами
• Обширная документация и примеры

Базовое использование

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)

Корпоративное использование

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']}")

Архитектура

SecureML построен как слой расширения поверх 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                     │
└─────────────────────────────────────────────────────┘

Уровни безопасности

SecureML предоставляет четыре уровня безопасности для любых потребностей:

Уровень	Вариант использования	Возможности
BASIC	Разработка, тестирование	Только подпись OpenSSF
STANDARD	Продакшен-развёртывания	+ Fingerprinting, журналирование аудита
ENTERPRISE	Регулируемые отрасли	+ Деревья Меркла, обнаружение угроз, соответствие требованиям
MAXIMUM	Среды с высокими требованиями безопасности	+ Шифрование, форензика, мультиподпись

Поддержка соответствия требованиям

SecureML помогает соответствовать регуляторным требованиям:

• SOC 2: Системный и организационный контроль
• ISO 27001: Управление информационной безопасностью
• FIPS 140-2: Валидация криптографических модулей
• HIPAA: Защита медицинских данных
• GDPR: Защита данных в ЕС

Документация

• 📦 PyPI Package - Официальный пакет на PyPI
• 🚀 Quick Start Guide - Начните работу за 5 минут
• 📚 Installation Guide - Инструкция по установке
• 📖 Usage Guide - Подробная документация по использованию
• 🔒 Watermarking Features - Руководство по внедрению водяных знаков в модель
• 🛡️ Threat Model - Анализ безопасности и ограничения
• 🔗 OpenSSF Integration - Интеграция с OpenSSF Model Signing

Примеры

Модель 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]")

Модель 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]")