OWASP 框架,对 neocloud 和 AI 数据中心基础设施中的十大安全风险进行编目,涵盖硬件、网络、隔离、管理平面和供应链。

加固模型之下的硬件底座。
🌐 项目页面: owasp.org/projects/top-10-neocloud-and-ai-data-center-security-risks
AI 工作负载依赖于复杂的基础设施,涵盖加速器、高速网络、存储、编排平台、身份系统、管理平面、固件以及物理设施。在 neocloud 和 AI 数据中心中,这些层次承载着高价值工作负载,并且可能在多个客户之间共享,这使得隔离、配置和运营控制方面的弱点尤为关键。
OWASP 十大 Neocloud 与 AI 数据中心安全风险提供了一个实用、厂商中立的框架,用于理解和降低这些环境中最重大的安全风险。它帮助提供商、运营商、客户和安全团队评估架构、评估安全控制、确定改进优先级,并为 AI 基础设施安全建立共同语言。
本框架聚焦于 AI 基础设施及承载它的数据中心的安全性:即 AI 工作负载所运行的物理硬件、网络架构、管理平面、编排系统、存储系统和运营环境。
它不聚焦于 AI 模型本身或应用层风险,例如提示注入、不安全的智能体行为、模型滥用或模型层面的评估。这些风险由聚焦于 AI 技术栈其他部分的框架来处理,包括 OWASP Top 10 for LLM Applications、MITRE ATLAS、NIST AI Risk Management Framework 和 ISO/IEC 42001。这些资源共同为从业者提供了更完整的 AI 安全图景,从治理和应用层风险一直延伸到底层计算基础设施。
本文档中的某些风险同样存在于传统数据中心和云环境中。之所以将其纳入,是因为 AI 基础设施使这些风险在实质上更为严重:共享的高价值计算资源、复杂的加速器集群、密集的管理层次以及多租户运营,可能将普通的基础设施弱点转变为更严重的安全风险,因为任何事件的可能性和影响都远高于传统企业级软件和服务部署。
Neocloud 提供商和数据中心运营商可将本框架作为实用指南,用于了解 AI 基础设施威胁态势、审查攻击面、加固环境、确定安全优先级以及展示成熟度。
Neocloud 客户可将本框架作为实用指南,用于采购、安全审查、合同要求、提供商比较,以及评估针对现实场景中租户到基础设施被攻陷的抵御能力。
混合云安全团队可将本框架作为实用指南,用于配置、维护和保护其本地部署环境以抵御现代攻击,因为现代攻击可能在不同环境之间快速横向转移。
本框架旨在随该领域的发展而演进,并保持开放,以便整个 AI 与安全社区能够使用、质疑和改进它。
我们谨向所有参与审阅和验证本文档的专家致以感谢与认可。
有反馈或想参与贡献?请提交 GitHub issue,或在 OWASP Slack 的 #project-neocloud-ai-infrastructure 频道加入讨论。请参阅 CONTRIBUTING.md 了解如何开始——贡献者将在每个新版本发布时获得署名。
风险按严重程度从高到低排列。下表展示了每项风险的可能性、影响和检测难度。
| ID | 风险 | 风险等级 | 可能性 | 影响 | 检测难度 |
|---|---|---|---|---|---|
| 风险 01 | 硬件与固件完整性受损 | 严重 | 中 | 严重 | 高 |
| 风险 02 | 网络与互连漏洞 | 严重 | 中 | 严重 | 高 |
| 风险 03 | 不安全的多租户隔离与资源复用 | 严重 | 低 | 严重 | 极高 |
| 风险 04 | 不安全的带外管理平面 | 严重 | 中 | 高 | 极高 |
| 风险 05 | AI 基础设施供应链受损 | 严重 | 高 | 高 | 高 |
| 风险 06 | 不安全的设施与数据中心管理系统 | 高 | 低 | 高 | 极高 |
| 风险 07 | 不安全的数据与工件处理 | 高 | 高 | 高 | 中 |
| 风险 08 | 认证缺口与提供商透明度缺失 | 高 | 中 | 高 | 中 |
| 风险 09 | 不安全的运营基础设施服务 | 高 | 高 | 中 | 中 |
| 风险 10 | 供应商禁运缺口与补丁速度不足 | 中 | 中 | 中 | 低 |
每项风险均遵循一致的结构:定义、描述、影响与失效模式、预防与缓解策略(分别面向提供商和客户)、攻击场景以及参考资料。
现代数据中心和 AI 基础设施的建设速度已远远超过对其进行安全防护的能力。当这些基础设施——GPU 集群、训练流水线、高性能网络和推理端点——遭到入侵时,其影响范围与常规计算截然不同。攻击者能够获取价值数亿美元的专有模型、获得污染基础训练数据的能力,并在可用的最高权限环境中建立持久立足点。
这种态势又被一种结构性的市场失衡所强化:GPU 稀缺使 neocloud 提供商获得了过大的议价能力。当对加速计算的需求远远超过供给时,客户往往无法根据安全态势来选择提供商——他们只能接受现有可用的资源。提供商几乎没有市场压力去投资于安全成熟度,而客户则接受了他们在传统云中不会容忍的风险。这种失衡是阅读本文档中每一项风险时应有的背景。
与此同时,AI 赋能的安全研究与漏洞利用能力正在压缩防御者的时间窗口: 过去可能多年不为人所知的弱点,如今可能被更快地发现、串联并武器化。
AI 基础设施处于云计算、高性能计算和物理数据中心运营的交汇点。它使用服务器、存储、网络、调度器、管理平面和身份系统等熟悉的组件,但以改变安全模型的方式将它们组合在一起。
传统 HPC 环境通常是为可信用户、研究社区或内部运营者设计的。现代 AI 基础设施则越来越多地支持来自互不相关客户的高价值、多租户商业工作负载。因此,在可信或单一组织环境中可以接受的假设,一旦应用于共享 AI 基础设施,就可能变成严重的安全风险。
保护 AI 基础设施和数据中心将需要 neocloud、云提供商、硬件和网络供应商、安全公司、系统集成商以及客户之间的协作。这在高性能网络、东西向可见性、分段、管理平面保护和基础设施安全控制等领域尤为重要。
攻击者已经开始瞄准支撑高级 AI 和 HPC 工作负载的基础设施、供应链和数据中心生态系统。在某些情况下,目标是直接窃取敏感研究、模型或工程数据;在另一些情况下,则是间谍活动、预先部署,或破坏具有战略重要性的计算环境的能力。近期报道同时展示了这两种模式:
这些只是早期的案例。随着技术栈的成熟,攻击面很可能会扩大,本文档也将随之演进。
通过审视潜在攻击者,可以最好地理解这一风险。威胁模型远不止经典的“外部攻击者”,本文档中的控制措施是针对以下全部对象进行校准的:
本框架中的风险聚焦于 AI 基础设施特有的或由 AI 基础设施放大的失效模式。它们并不取代对强大企业安全控制措施的需求。在实践中,许多针对 AI 基础设施的攻击可能始于常见的企业沦陷路径,包括 MFA 薄弱或缺失、网络钓鱼、凭据窃取、SaaS 沦陷以及身份控制薄弱。
这些路径应被视为跨领域的初始访问途径。被攻陷的身份、终端、SaaS 账户、CI/CD 系统或管理凭据,都可能为攻击者提供所需的立足点,以触达本框架中描述的若干风险。因此,这些章节重点讨论的是:一旦攻击者到达或能够影响 AI 基础设施环境本身,可能会发生什么。
候选风险来源于:
每个候选风险都依据三个维度进行评估:可能性、影响和检测难度,得分最高的风险被选入。
这是一份持续更新的文档。AI 基础设施正在快速演进,针对它的攻击也是如此。未来的修订将增加新的风险、完善现有风险,并纳入来自实践的经验教训。欢迎从业者提供反馈和建议新增内容,新版本发布时将予以署名。