7 天免费试用；无需信用卡
多因素身份验证 (MFA) 是安全大语言模型 (LLM) 系统的关键。这些系统拥有关键数据，面临诸如 API 薄弱环节之类的特殊风险，需要严格检查谁进入。微软表示，MFA可以阻止超过99.9％的帐户攻击，这使其成为保护LLM区域安全的必备条件。
通过将MFA放在首位并使用这些步骤，团体可以构建安全的大型LLM系统，从而降低风险并遵守规则。
为了确保大型语言模型 (LLM) 系统中每种方式的安全，关键是在用户屏幕、API、工具和网络链接等各个环节使用多因素身份验证 (MFA)。此步骤确保 LLM 设置具有完全的安全性。
在 LLM 系统中，每条入口都必须是安全的。使用强大的 MFA 和更多步骤来确保 AI 工作地点、用户信息、管理工具和网络链接等内容的安全。例如，这些 AI 景点可以使用 API 密钥、OAuth 或 JWT 代币，这样只有被允许的人才能进入。
具有高访问权限的管理工具需要更多关注。使用这些工具制定规则，检查谁通过，并保存所有用户和应用程序的日志。限制可以访问这些系统的次数，并注意奇怪的事情发生。使用 Zero Trust，每一次行动都需要检查和编码，从而使其更加安全。
使用具有基于角色的访问权限 (RBAC) 的 MFA 可以提高 LLM 工作的安全性。这种组合会检查某人的身份，同时确保他们只能去角色允许的地方。
为所有人（开发人员、工程师、API 用户和老板）设定明确的角色。继续检查谁能做什么，确保他们只能做他们需要做的事情。关闭那些不使用账户的用户的访问权限，以降低风险。
观察登录和其他操作是如何发生的，对于发现和应对可能的危险非常重要。保留详细的访问日志，寻找奇怪的模式。
日志应显示登录有效和失败的时间，这有助于发现诸如奇怪的提示以进行更多调查之类的问题。设置快速提醒，以便在发生奇怪情况时提醒。此外，为人工智能特定问题做好计划，并使用专为观察LLM系统中的奇怪模式或网络奇怪点而设计的工具。高级程序，例如 Azure Sentinel 可以查看来自 LLM 系统的海量数据，发现安全问题的隐藏迹象。
当你在大型系统中使用多因素身份验证 (MFA) 时，你需要确保它既强大又易于使用。目的是在不使用户感到困难的情况下使您的系统更安全。
云工具有助于在大型设置中轻松管理 MFA。像这样的工具 Azure 活动目录、AWS IAM 和 谷歌云身份 允许您一次性登录所有部分，确保每个条目都安全且可以很好地组合在一起。
当你设置谁可以进入什么时，使用 “需要最少的访问权限” 规则。例如，让创作者只接触他们需要的部分，而管理工作的团队成员可能需要看到更多内容。别忘了： “随处开启 MFA！”
使用云日志来关注 API 的使用情况和用户的行为。这些日志可帮助您的安全工具快速发现奇怪的行为。确保与您的大型系统的所有对话都是秘密的，这样任何人都无法获取提示和答案等重要数据。这个 三星 故事是一个警告——工作人员偶然通过输入敏感代码泄露了关键信息 ChatGPT，使公司停止使用它。
对于有许多集装箱的地方，有一种方法可以检查谁进来是关键。
带有容器的系统需要服务之间的安全通信。使用 MFA 可减少 99.9% 的机器人攻击，使其成为确保设置安全的关键举措。
API 网关是观察谁进入和谁不进入的主要地点。网关不是让每个小型服务处理安全问题，而是确保只有正常的请求才能通过，从而在整个设置中保持安全。
像这样的工具 Kubernetes 帮助制定规则，例如需要MFA才能进入容器。在容器设置中设置角色可以将不必要的输入减少60％以上。查看您的容器设置，找到 MFA 的关键点，尤其是关键数据的去向或做出重大决策的地方。
使用双向 TLS（mTL）也确实降低了中间人攻击的风险——各团体认为，通过这种方式，风险降低了70％。这在服务必须相互保证的情况下效果很好。
随着大型系统的发展，自动添加和删除用户的方式有助于保持 MFA 的正常运行。手动执行此操作需要花费大量时间，并且可能存在风险。例如，不到十分之一的公司会自动为新用户添加应用程序，而超过80％的公司使用电子邮件和表格等简单方式来管理入职情况。
坚持旧的方法可能会带来很大的安全漏洞。例如，当人们离开时，如果你阻止他们访问的速度很慢，他们的账户可能会保持开放时间过长。实际上，60％的公司认为手动添加、调动或移除人员是一件很麻烦的事。
机器可以通过将人力资源工具与身份证护理站点混合使用来解决这些问题。当新员工进来时，他们将获得账户设置，MFA 会立即启动。而且，当一个人离开时，他们的进出路很快就会被切断。使用计算机执行 JML 任务可以将辛勤工作的需求减少多达 70%。
确保您的 HR 工具是 ID 变更的主要场所。使用像 SCIM 这样的简单规则来顺利设置和关闭帐户，并使用诸如 IT 帮助工具之类的 ServiceNo 负责从创建账户到找回设备的整个过程。
人工智能运营的身份证空间可以通过观察用户的行为、看到冒险的进入尝试以及告知降低风险的步骤来更好地保护事物的安全。
“安全不是一次性事件。这是一个持续的过程。”-约翰·马洛伊
从简单的任务开始，然后慢慢发展您的自动化工作。首先，处理日常工作，然后处理稀有任务和特殊情况。这种循序渐进的方式不仅使您的安全任务变得简单，而且随着时间的推移，还可以更好地保护您的LLM系统。
将 MFA 放入 LLM 设置可能很困难。许多群组面临着会减慢使用速度和惹恼用户的屏障。但是，有了好的计划，你可以很好地解决这些问题。
对于 MFA 的一大抱怨是它阻止了工作流程。经常要求检查可能会打破注意力，主要是在快速访问模型和 API 是关键的地方。
自适应 MFA 可以通过根据用户的行为、所处位置或使用的设备调整安全步骤来帮助解决这个问题。手指触摸或面部检查等生物识别方式允许快速检查，躲避与短信验证码相关的滞留信息，而短信代码可以切入。例如，混合 单点登录 (SSO) 使用智能支票可以减少MFA的任务，同时保持安全。
关键是不要只依赖短信代码。由于SIM卡更换或切断等危险，它们不那么安全。选择应用程序中的密码、安全钥匙或生物识别精选等选项，以提高安全性和便捷性。
密钥设置必须始终启用 MFA。选择它可能会使您的团队面临很大的风险。
“MFA 的处理方式应改善身份验证流程，并使您的员工能够顺畅地进行身份验证。做到这一点的一种方法是整合自适应 MFA。” — Strata.io 作者 Heidi King
一旦我们为用户简化了操作，下一步就是将 MFA 很好地添加到您的 LLM 工作的所有部分中。
LLM 步骤通常需要机器人、API 调用和多种工作——如果你添加了错误的身份验证步骤，所有这些都会中断。关键是在不停止系统工作的情况下将 MFA 放入您的系统。
对于需要快速 API 对话的步骤， 服务账号 和 强大的代币护理 无需动手 MFA 即可确保物品安全。这对于机器人和 API 聊天非常有用。此外，MFA 应与容器领导者、版本检查和 CI/CD 流程等工具很好地结合使用，以保持顺畅运行。
在 prompts.ai 等以付费模式处理代币和直播工作的网站上，MFA 应通过模特猜测或制作内容等步骤检查用户快速停止拖延行为。
一个 分步启动 方法是好的。从 LLM 设置的关键部分开始，例如模型训练点和敏感数据点。慢慢引入更多 MFA，在问题出现时修复问题，而不会弄乱整个系统。
引入 MFA 不只是一次性的事情。随着您的LLM设置的增长，您需要密切关注并保持更新以保持安全。
做 每三个月检查一次 并观察登录位以查看奇怪的动作。为许多登录失败设置警报，以尽早发现不良信息。
当你引入新的模型、API或方法来加入你的LLM清单时， 测试以匹配 是关键。测试每个新添加的登录路径，确保所有部分都匹配良好。
使用最新的安全漏洞让 MFA 保持最新状态，如果您的设置涉及敏感数据或自有模型，则更是如此。经常教用户是关键——新手需要知道如何正确使用 MFA。
另外，保持 清除记录 你的 MFA 设置。这样可以确保您的团队知道如何快速安全地修复和处理问题。
处理这些测试是构建大型安全的 LLM 设置的关键。虽然一开始就投入MFA需要付出努力，但停止糟糕的休息时间所产生的长期好结果比最初的辛勤工作更有价值。
为了确保大语言模型 (LLM) 的安全，使用多因素身份验证 (MFA) 是关键，尤其是当更多群体依赖这些系统来完成重要任务时。现在是增强安全性以保持强大并为即将到来的风险做好准备的时候了。下一部分将讨论有助于在威胁不断变化的世界中保持安全的顶级MFA方法。
为了获得强大的安全性，团体必须在任何地方使用 MFA，从在线电子邮件到运行 LLM 设置的高级系统。在任何地方都这样做可以弥补薄弱环节，并使登录步骤更有力。
通过使用 使用 MFA 进行基于任务的访问控制，公司可以构建适合每个用户需求的安全设置。例如，普通用户可能会在手机上获得密码，但关键区域的老板应该使用硬令牌或扫描面部或手指等东西。
这也是关键 时刻关注和追踪 谁登录和退出。这可以让你查看是否发生了奇怪的事情或者是否有人试图犯错。像这样的指导方针 NIST 比如说至少每年检查和更新访问规则，并要求每隔 30 天对 Web 应用程序进行 MFA 检查，即使在你信任的设备上也是如此。
尽管 MFA 现在可以满足当今的安全需求，但它也必须为新问题做好准备。 自适应身份验证根据风险改变安全性，是明智之举。这已经阻止了超过99.99％的账户攻击。
诸如用于发现威胁的人工智能和无需密码登录的方式等新技术也提高了安全性。诸如与设备相关的密钥和面部扫描之类的东西在大型工作环境中变得越来越普遍，主要用于像 prompts.ai 这样的按即用即付计划进行管理的工具。
使用 零信任的想法 -一直在检查身份和设备-越过了旧的安全限制，使防御能力大大加强。
很好地使用 MFA 不仅可以保证事情的安全，还可以带来更多的信任和信心。这至关重要，因为普通用户现在要处理40多个手机应用程序。这些步骤不仅可以确保LLM设置的安全，而且还使它们易于增长和易于使用。
为未来做好准备意味着现在就采取行动。更新规则，教导团队查看棘手的骗局，并使用可抵御网络钓鱼等网络钓鱼的 MFA FIDO2 是关键举动。现在，向稳健的MFA投入资金意味着，随着LLM使用量的增长，其安全性也随之提高，从而确保未来的人工智能增长。
通过确保人们至少通过两种方式检查自己的身份，使用多个证明来证明自己的身份会使大型人工智能系统更难入侵。这些方法可能包括只有你知道的秘密文字、只有你拥有的特殊物品或身体的一部分，比如指纹。这种支票混合搭建了一堵坚固的隔离墙，将不应该进入的人拒之门外。
通过增加这堵额外的墙，它可以确保重要信息的安全，使人工智能保持应有的运作，并减少不良攻击发生的途径。对于使用需要处理大量数据的大型人工智能系统的团体来说，采取这种防护措施是确保安全性严格和值得信赖的关键步骤。
