如何使用 Google Cloud 工具保护 Vertex AI 管道

云云众生s
3 阅读6分钟

本文介绍如何使用 Google Cloud 工具保护 Vertex AI 管道，通过分层防御策略，利用 IAM、DLP 等工具，防范数据泄露、模型窃取等风险，确保 AI 模型安全。

译自：How to secure Vertex AI pipelines with Google Cloud tools

作者：Advait Patel

AI 模型如今为许多行业的关键系统提供动力。你会在医疗保健、银行、网络安全和国防领域发现它们。当你在 Vertex AI 上将这些模型投入生产时，攻击面会迅速扩大。你的数据、模型权重、管道和 API 都面临风险。

在本指南中，你将学习如何使用 Google Cloud 中已有的工具来保护使用 Vertex AI 构建的模型，包括数据源、模型文件、管道和端点。这些工具包括身份和访问管理 (IAM)、VPC Service Controls、数据丢失防护、Artifact Registry 和 Cloud Audit Logs。每个工具都会为你的防御策略添加一个新层。它们共同帮助为你的机器学习工作负载构建零信任保护。

为什么保护 Vertex AI 管道很重要

AI 管道是攻击者的诱人目标。一旦被攻破，它们可能会影响模型、系统，甚至最终用户。下面是关键的威胁向量及其如何影响实际系统。

威胁向量实际影响
数据中毒操纵训练数据 → 有偏见/不准确的模型
模型窃取（数据外泄）专有 LLM 或分类器的 IP 泄露
不安全的管道执行未经授权的访问或横向移动
未受保护的推理 API提示注入、模型滥用或 DoS 攻击

这些威胁会影响你的机器学习 (ML) 工作流程的各个部分。如果没有正确的安全措施，这些风险可能会导致数据泄露、系统故障，甚至信任丧失。因此，及早了解每一个威胁有助于你构建更安全、更强大的 AI 系统。

Vertex AI 工作负载的安全层

每一层都必须单独加固并持续监控。

分步指南：在 GCP 上保护 Vertex AI 模型

1. 对数据集和管道强制执行 IAM

首先，管理谁可以访问你的数据和管道。使用 Google Cloud 中的身份和访问工具来设置明确的规则。只向每个人或服务授予他们真正需要的访问权限。

例如，如果某人只需要读取数据，则不要允许他们运行训练作业。这可以防止错误，并阻止攻击者在你的系统中移动。

严格的访问控制可以保护你的数据并确保你的机器学习项目安全。


gcloud projects add-iam-policy-binding genai-project \
  --member="user:ml-engineer@example.com" \
  --role="roles/aiplatform.user"

限制对训练数据集的访问：


gcloud projects add-iam-policy-binding genai-project \
  --member="serviceAccount:training-sa@genai-project.iam.gserviceaccount.com" \
  --role="roles/bigquery.dataViewer"

2. 使用 DLP 扫描训练数据中的 PII

在训练模型之前，审查数据中是否存在敏感或个人身份信息 (PII)。使用 Google Cloud 的数据丢失防护工具来识别并移除不应包含的任何内容。


gcloud dlp inspect bigquery \
  --dataset-id=training_dataset \
  --table-id=users_raw \
  --min-likelihood=LIKELY \
  --info-types=EMAIL_ADDRESS,PHONE_NUMBER,NAME

在敏感数据进入你的管道之前自动进行标记。

3. 使用 VPC Service Controls 隔离 ML 项目

将你的机器学习项目与公共互联网隔离。设置 VPC Service Controls 以在你的数据和服务周围创建安全边界。这有助于阻止来自网络外部的未经授权的访问。


gcloud access-context-manager perimeters create genai-perimeter \
  --resources=projects/genai-project \
  --restricted-services=aiplatform.googleapis.com,bigquery.googleapis.com

这可以防止数据从 AI 工作负载外泄到未经授权的服务。

4. 在 Artifact Registry 中保护模型工件

使用 Artifact Registry 安全地存储你的模型。此工具允许你跟踪模型版本和管理访问。它降低了被盗或被篡改的风险。


gcloud artifacts repositories create genai-models \
  --repository-format=docker \
  --location=us-central1 \
  --description="Private AI Model Store"

仅限于授权服务账户的访问：


gcloud artifacts repositories add-iam-policy-binding genai-models \
  --location=us-central1 \
  --member="serviceAccount:ci-cd@genai-project.iam.gserviceaccount.com" \
  --role="roles/artifactregistry.writer"<strong>5. 使用工作负载身份强化 Vertex AI 管道</strong>

使用与 Google Cloud 身份关联的 Kubernetes 服务账户。这样，每个管道组件都有其自己的安全身份。这可以防止未经授权的操作并确保你的管道安全。


gcloud iam service-accounts add-iam-policy-binding \
  pipeline-sa@genai-project.iam.gserviceaccount.com \
  --member="serviceAccount:genai-project.svc.id.goog[ml-pipelines/pipeline-runner]" \
  --role="roles/aiplatform.customCodeServiceAgent"

这可以防止 Kubeflow 或 Cloud Build 作业中出现硬编码凭据。

6. 使用 IAP 和速率限制保护推理端点

使用 Cloud Endpoints 和 Identity-Aware Proxy 保护你的模型端点。这可以控制谁可以访问你的模型。添加速率限制以阻止滥用并降低攻击风险。


gcloud compute backend-services update genai-inference \
  --iap=enabled,oauth2-client-id=CLIENT_ID,oauth2-client-secret=SECRET

添加配额限制以防止滥用：


Quota:
  limits:
    - name: predict-requests
      metric: "ml.googleapis.com/predict"
      unit: "1/min/{project}"
      values:
        STANDARD: 100

7. 启用审计日志以实现全面的可观测性

启用审计日志以跟踪你的 AI 资源上的所有操作。这有助于你快速发现异常活动并在问题扩大之前解决它们。


gcloud logging sinks create vertex-logs-sink \
  bigquery.googleapis.com/projects/genai-project/datasets/audit_logs \
  --log-filter='resource.type="aiplatform.googleapis.com/PipelineJob"'

使用 Looker Studio 或 BigQuery 进行可视化：

管道执行

  • 使用 BigQuery 查询执行日志
  • 使用 Looker Studio 从这些日志创建图表

模型部署事件

  • 使用 BigQuery 查询部署事件数据
  • 使用 Looker Studio 可视化部署时间线和状态

数据访问日志

  • 使用 BigQuery 查询访问日志
  • 使用 Looker Studio 构建显示访问模式的仪表板

Vertex AI 安全清单

安全控制GCP 工具/层
管道和数据的 IAMCloud IAM + 条件
敏感数据检测Cloud DLP + BigQuery
工件完整性Artifact Registry + 签名镜像
网络隔离VPC Service Controls
管道身份验证Workload Identity Federation
推理访问控制IAP + 配额 + OAuth2
审计和漂移检测Cloud logging + Security Command Center + Recommender

此表列出了关键的安全控制及其相关的 GCP 工具。它涵盖了访问管理、数据保护、工件安全和网络隔离。Cloud IAM、Cloud DLP、Artifact Registry、VPC Service Controls 和 Workload Identity 等工具有效地实施了这些控制。

结论

保护 AI 模型不仅仅关乎基础设施。它更关乎维护系统信任。你可以使用 Vertex AI 部署强大的机器学习模型。然而，如果没有正确的控制措施，你将面临数据泄露、IP 盗窃和攻击的风险。采用分层防御方法有助于保护你的 AI 工作负载，从原始数据到部署。关键工具包括 IAM、DLP、VPC Service Controls 和 Artifact Registry。

到 2026 年，AI 安全就是云安全。如果你在 Google Cloud 上部署 ML 管道，请将你的模型视为宝贵资产。构建强大的防御措施以确保它们安全。

avatar
文章
阅读
粉丝