作者 | JFrog大中华区总经理董任远

随着AI应用的年亟规模不断扩大以及大语言模型（LLM）的商品化 ，开发者越来越多地承担起将人工智能（AI）和机器学习（ML）模型与软件更新或新软件一起打包的需解任务。虽然AI/ML在创新方面大有可为 ，决的件开但同时也加剧了人们的引擎担忧
，因为许多开发人员没有足够的和软带宽来安全地管理其开发 。

安全漏洞可能无意中将恶意代码引入 AI/ML 模型，发安从而使威胁行为者有了可乘之机，全问引诱开发者使用开放源码软件模型变种 ，年亟渗透企业网络并对组织造成进一步损害。需解甚至还有开发者越来越多地使用生成式AI来创建代码
，决的源码库件开却不知道自己生成的引擎代码是否受到威胁的情况，这同样会导致安全威胁长期存在 。和软因此，发安必须自一开始就对代码进行适当的全问审查 ，以主动降低软件供应链受到损害的年亟威胁。

由于威胁行为者会想方设法利用AI/ML 模型 ，威胁将持续困扰着安全团队。随着安全威胁的数量不断增加，规模不断扩大，在2024 年开发者将更加重视安全性，亿华云并部署必要的保障措施，以确保其企业的弹性  。

开发者的角色演变

对于开发者来说，在软件生命周期初始阶段就考虑到安全性是一种相对较新的做法。通常情况下，二进制级别的安全性被认为只是“锦上添花”的存在
。而威胁行为者会利用这种疏忽 ，寻找将ML模型武器化以对抗组织的源码下载途径 ，找出将恶意逻辑注入最终二进制文件的方法 。

同样
，许多开发者由于没有接受过必要的培训，无法在开发的初始阶段就将安全性嵌入到代码中 。由此造成的主要影响在于，由AI生成并在开源存储库上训练的代码通常没有经过适当的漏洞审查，且缺乏整体安全控制来保护用户及其组织免受利用
。尽管这可能会节省工作职能中的时间和其他资源 ，云计算但开发者却在不知不觉中将其组织暴露在众多风险之下 。一旦这些代码在AI/ML 模型中实现
，这些漏洞利用就会造成更严重的影响 ，而且有可能不会被发现
。

随着AI的广泛应用，传统的开发者角色已不足以应对不断变化的安全环境。步入 2024 年 ，开发者也必须成为安全专业人员 ，从而巩固 DevOps 和 DevSecOps 不能再被视为独立工作职能的理念。通过从一开始就构建安全解决方案  ，开发者不仅能确保关键工作流的高防服务器最高效率 ，还能增强对组织安全性的信心
。

通过“左移”，自始就安装保障措施

如果安全团队要在新的一年里对威胁保持警惕
，那么 ML 模型的安全性就必须持续发展演进。然而 ，随着AI的大规模应用，团队不能在软件生命周期的后期才确定必要的安全措施
，因为到那时，可能就真的服务器租用为时已晚了。

组织内部负责安全方面的高层必须以“左移”的方式进行软件开发。通过坚持此方法，即能够自一开始就确保软件开发生命周期中所有组成部分的安全 ，并从整体上改善组织的安全情况。当应用到AI/ML时，左移不仅能确认外部AI/ML系统中开发的代码是否安全，还能确保正在开发的AI/ML模型不含恶意代码
，且符合许可要求 。

展望 2024 年及以后，围绕AI和 ML 模型的威胁将持续存在
。如果团队要持续抵御来自威胁行为者的攻击并保护组织及其客户
，确保自软件生命周期之始就考虑到安全性将是至关重要的。