近日，云安全提供商 Wiz 发现上传到 Hugging Face 的生成式 AI 模型存在两个关键的架构缺陷。
在最新发表的一篇博文中，Wiz Research 描述了这两个缺陷及其可能给 AI 即服务提供商带来的风险。
共享推理基础设施接管风险
在分析上传到 Hugging Face 上的几个 AI 模型时，Wiz 的研究人员发现其中一些模型在共享推理基础设施。
在生成式 AI 中，推理指的是根据先前训练的模型和输入数据进行预测或决策的模型。
推理基础设施允许执行 AI 模型，可以是 "边缘"（如 Transformers.js）、通过应用编程接口（API）或按照推理即服务（Inference-as-a-Service）模式（如 Hugging Face 的推理端点）。
Wiz 研究人员发现，推理基础设施经常运行使用 'pickle' 格式的不受信任的、潜在恶意的模型。'pickle' 格式的 AI 模型是使用 Python pickle 模块保存的训练模型的序列化压缩版本，比存储原始训练数据更紧凑、占用空间更少。
但是，恶意的 pickle 序列化模型可能包含远程代码执行有效载荷，使攻击者的权限升级并跨租户访问其他客户的模型。
共享持续集成和持续部署（CI/CD）接管风险
持续集成和持续部署（CI/CD）管道是一种自动化软件开发工作流程，可简化应用程序的构建、测试和部署过程。
它实质上是将原本需要手动完成的步骤自动化，从而加快发布速度并减少错误。
Wiz 研究人员发现，攻击者可能会试图接管 CI/CD 管道本身，并发起供应链攻击。
AI基础设施风险的潜在利用方式
在这篇博文中，Wiz 还描述了攻击者可能利用这两种风险的一些方法，包括：
Wiz 研究人员还通过利用 Hugging Face 上的已命名基础设施漏洞展示了对云中使用的生成式AI模型的攻击。
Wiz 研究人员发现，Hugging Face 平台上的生成式 AI 模型在收到恶意预设关键词（后门）时会执行命令。
缺乏检查 AI 模型完整性的工具
Wiz 解释称，目前只有极少数工具可用于检查特定模型的完整性，并验证其确实没有恶意行为。不过，Hugging Face 提供的 Pickle Scanning 可以帮助验证 AI 模型。
另外，开发人员和工程师在下载模型时必须非常谨慎。使用不受信任的 AI 模型可能会给应用程序带来完整性和安全风险，相当于应用程序中包含不受信任的代码。
Wiz 研究人员强调，这些风险并非 Hugging Face 所独有，它们代表了许多 AI 即服务公司将面临的租户分离挑战。考虑到这些公司运行客户代码和处理大量数据的模式，它们的增长速度超过以往任何行业，安全界应该与这些公司密切合作，确保建立安全基础设施和防护措施，同时不会阻碍公司迅速增长。