# infrastructure
83 artikelengetagd met “infrastructure”
Beoordeling infrastructuurbeveiliging
Assessment covering model serving, container security, API gateway hardening, and deployment pipeline threats.
Beoordeling infrastructuurbeveiliging (beoordeling)
Test your knowledge of AI infrastructure security including model serving, API security, deployment architectures, and supply chain risks with 10 intermediate-level questions.
Beveiligingsassessment van AI-infrastructuur
Assessment covering model serving, API gateways, container security, and GPU isolation.
Vaardigheidsverificatie: infrastructuurbeveiliging
Hands-on verification of cloud and infrastructure security assessment skills for AI deployments.
Studiegids infrastructuurbeveiliging
Study guide for AI infrastructure security covering cloud, container, and deployment pipeline topics.
Juni 2026: cloud-AI-beveiligingsuitdaging
Find and document vulnerabilities in a cloud-deployed AI service covering API security, model serving infrastructure, authentication, and data handling.
Red team-infrastructuur en tooling
AI red team C2-frameworks, geautomatiseerde aanvalspipelines, ontwikkeling van eigen scanners en integratie met Cobalt Strike, Mythic en Sliver.
Evaluatieharnassen bouwen
Ontwerp en implementeer evaluatieharnassen voor AI-red-teaming: architectuurpatronen, selectie van judge-modellen, beheer van prompt-datasets, scoringspijplijnen en reproduceerbare evaluatie-infrastructuur.
AI-API-misbruik detecteren
Het detecteren en mitigeren van API-misbruikpatronen gericht op AI-inference-endpoints, waaronder prompt-extractie en modeldiefstal.
Penetratietestmethodologie voor AI-infrastructuur
Een gestructureerde methodologie voor het penetratietesten van AI/ML-systemen, met verkenning, kwetsbaarheidsbeoordeling, exploitatie en rapportage
Dreigingsmodellering voor AI-infrastructuur met STRIDE
Systematische dreigingsmodelleringsmethodologie voor AI/ML-systemen met STRIDE, dataflowdiagrammen en aanvalsbomen toegesneden op machine learning-pijplijnen
Zero Trust-architectuur voor AI-infrastructuur
Zero trust-principes implementeren en aanvallen over ML-trainingspijplijnen, inferentie-endpoints en modelregisters
Service Mesh-beveiliging voor AI-microservices
Beveiligen van inter-servicecommunicatie in AI-systemen met Istio, Linkerd en Envoy, met focus op inferentiepijplijnen en model serving-architecturen
Isolatie van AI-workloads
Isolatietechnieken voor AI-workloads met VM's, containers en trusted execution environments (TEE's).
Aanvallen op AI-workloadschedulers
Slurm, Kubernetes en custom schedulers misbruiken om GPU-resources te kapen, trainingstaken te vergiftigen en laterale beweging in AI-clusters te bereiken
API Gateway-beveiliging voor AI-services
API-gateways beveiligen voor AI-services, inclusief authenticatie, rate limiting en validatie van verzoeken.
Beveiligingstesten van LLM-API's
Beveiligingstestmethodologie voor LLM-API's, met aandacht voor authenticatie, rate limiting, invoervalidatie, uitvoerfiltering en LLM-specifieke API-kwetsbaarheden.
Aanvallen op cloud-AI-infrastructuur
Beveiligingsbeoordeling van cloud-gehoste AI/ML-platforms zoals AWS SageMaker, Azure ML en GCP Vertex AI -- IAM-misconfiguraties, modeldiefstal en datablootstelling.
Containerbeveiliging voor ML-workloads
Het beveiligen van gecontaineriseerde ML-workloads, waaronder Docker-images, Kubernetes-pods en GPU-isolatie.
Aanvallen op AI-deployments
Beveiligingsbeoordeling van AI-deployment-infrastructuur, waaronder container escapes, GPU-side-channels, kwetsbaarheden in inference-servers en resource-uitputtingsaanvallen.
Disaster recovery voor ML-systemen
Disaster recovery implementeren voor ML-systemen, waaronder strategieën voor modelback-ups, failover-procedures en recovery time objectives.
Beveiliging van gedistribueerde training
Beveiligingsoverwegingen voor gedistribueerde modeltraining over meerdere nodes en datacenters.
DNS-rebinding-aanvallen tegen AI-services
DNS rebinding misbruiken om netwerkcontroles te omzeilen en toegang te krijgen tot interne AI-model-serving-endpoints, trainingsdashboards en GPU-managementinterfaces
Beveiliging van edge-AI-deployments
Beveiligingsuitdagingen en mitigaties voor het uitrollen van AI-modellen aan de edge op apparaten met beperkte resources.
Beveiliging van edge-ML-deployments
Beveiligingsuitdagingen bij het uitrollen van ML-modellen aan de edge, waaronder modelextractie, manipulatie van updates en aanvallen via fysieke toegang.
Federated Learning Security
Beveiligingsaanvallen op federated-learning-systemen, waaronder modelvergiftiging, data-inferentie en exploitatie van Byzantijnse fouten.
GPU Cluster Attack Surface
Analyse van aanvalsoppervlakken specifiek voor GPU-clusters die worden gebruikt voor ML-training en -inferentie, waaronder geheugenisolatie, driver-kwetsbaarheden en side channels.
GPU Cluster Security
Het beveiligen van GPU-clusters die worden gebruikt voor modeltraining en -inferentie tegen ongeautoriseerde toegang en datalekkage.
GPU-geheugen side-channelaanvallen
Side-channelaanvallen die GPU-geheugentoewijzing, timing en elektromagnetische emanatie uitbuiten om gevoelige data te onttrekken aan AI-workloads.
Security van GPU-sharing en -isolatie
Beveiligingsimplicaties van GPU-sharing in multi-tenant AI-infrastructuur en isolatiestrategieën.
Hardwaresecurity voor ML-accelerators
Beveiligingsoverwegingen op hardwareniveau voor ML-accelerators, waaronder side-channelaanvallen, firmwarekwetsbaarheden en geheugenbescherming.
AI Infrastructure Security
Overzicht van beveiligingszorgen in AI-infrastructuur, met aandacht voor model-supplychains, API-beveiliging, deployment-architectuur en de unieke aanvalsoppervlakken van ML-systemen.
Inference Endpoint Hardening
Het harden van model-inferentie-endpoints tegen adversariële inputs, DoS en informatielek.
AI Infrastructure Exploitation
Methodologie voor het exploiteren van GPU-clusters, model-serving-frameworks (Triton, vLLM, Ollama), Kubernetes ML-platforms, cloud-AI-services en cost-amplification-aanvallen.
Kubeflow Security
Beveiligingsbeoordeling en hardening van Kubeflow ML-pijplijndeployments op Kubernetes.
Kubernetes ML Security Hardening
Uitgebreide gids voor het harden van Kubernetes-clusters die ML-workloads draaien, waaronder pod-beveiliging, netwerkbeleid en GPU-isolatie.
LLM-proxy-beveiliging
Beveiligingsbeoordeling van LLM-proxy- en gateway-oplossingen waaronder LiteLLM, Portkey en custom API-gateways.
ML Data Lake-beveiliging
Het beveiligen van data lakes die worden gebruikt voor ML-trainingsdata, waaronder toegangscontroles, encryptie, lineage-tracking en preventie van vergiftiging.
ML Experiment Infrastructure-beveiliging
Het beveiligen van ML-experimentatie-infrastructuur waaronder notebookservers, experiment-trackers en gedeelde ontwikkelomgevingen.
ML Pipeline CI/CD Security
Securing ML training and deployment pipelines including GitHub Actions, Kubeflow, and MLflow.
ML Pipeline Supply Chain-beveiliging
Het beveiligen van de ML-pijplijn-supply-chain, van trainingsframework-dependencies tot serving-infrastructuurcomponenten.
MLflow-beveiligingshardening
Het beveiligen van MLflow-deployments tegen ongeautoriseerde toegang, experimentmanipulatie en vergiftiging van de model-registry.
Integriteitsverificatie van modelartefacten
Het implementeren van integriteitsverificatie voor modelartefacten via checksums, handtekeningen en provenance-tracking.
Modelartefactbeveiliging
Het beveiligen van modelartefacten gedurende de levenscyclus, waaronder ondertekening, verificatie, opslagencryptie en tamperdetectie.
Beveiliging van modelcompressie
Beveiligingsimplicaties van model-pruning, kwantisatie en knowledge distillation op de robuustheid van AI-systemen.
Beveiliging van dynamisch modelladen in productie
Analyse van de risico's van hot-swapping, dynamisch laden en A/B-testen van ML-modellen in productie-serving-infrastructuur
Model Registry Security
Securing model registries and artifact stores against tampering, poisoning, and unauthorized access.
Model Serialization Attacks
Pickle, SafeTensors, and ONNX deserialization attacks targeting ML model files for arbitrary code execution.
Model Serving Autoscaling Attacks
Exploiting autoscaling mechanisms in model serving infrastructure to cause resource exhaustion, cost amplification, or denial of service.
Security Comparison of Model Serving Frameworks
In-depth security analysis of TorchServe, TensorFlow Serving, Triton Inference Server, and vLLM for production AI deployments
Model Serving Infrastructure Attacks
Attacking model serving infrastructure including inference servers, load balancers, and GPU schedulers.
Model Weight Encryption
Encryption at rest and in transit for ML model weights, protecting intellectual property and preventing unauthorized model access.
Multi-Cloud ML Security
Security architecture for ML workloads spanning multiple cloud providers including identity federation, data sovereignty, and policy consistency.
Network Security for AI Deployments
Network security architecture for AI deployments including segmentation, encryption, and traffic analysis.
Observability voor AI-infrastructuur
Observability inbouwen in AI-infrastructuur voor security-monitoring en incidentdetectie.
Geavanceerde rate-limitingstrategieën voor LLM-API-endpoints
Het ontwerpen, aanvallen en verdedigen van rate-limitingsystemen voor LLM-inferentie-API's om misbruik, modelextractie en resource-uitputting te voorkomen
Secrets Management voor AI-applicaties
Het beheren van API-sleutels, modelgegevens en gevoelige configuratie in AI-applicatie-implementaties.
Serverless ML-security
Securityoverwegingen voor serverless ML-implementaties, waaronder cold-start-aanvallen, function injection en risico's van efemere opslag.
Opslagsystemen voor trainingsdata beveiligen
Aanvals- en verdedigingsstrategieën voor S3, GCS, HDFS en objectopslagsystemen die AI-trainingsdatasets en modelartefacten bevatten
AI-supply-chain: een diepe duik
Diepgaande analyse van security-dreigingen in de AI-supply-chain, waaronder sleeper agents, slopsquatting, kwaadaardige modeluploads, pickle-deserialisatie-exploits en uitdagingen bij de verificatie van modelherkomst.
Supply-chain-security voor ML-afhankelijkheden
Het beveiligen van de ML-supply-chain van afhankelijkheden, waaronder PyTorch, transformers en het downloaden van modelgewichten.
Trusted Execution Environments voor AI-workloads
Beveiligingsanalyse van Intel SGX, AMD SEV en ARM TrustZone voor het beschermen van AI-modelinferentie en -training in onvertrouwde omgevingen
Data-exfiltratie via AI-telemetrie en logging
Using AI system telemetry, logging pipelines, and observability infrastructure as covert channels for data exfiltration
Netwerkbeveiliging van het trainingscluster
Network security for distributed ML training clusters including NCCL, RDMA, and InfiniBand protection.
Beveiliging van de Triton Inference Server
Security hardening for NVIDIA Triton Inference Server deployments including model repository protection and API security.
Beveiliging van de vectordatabase
Security hardening for vector databases including Pinecone, Weaviate, Chroma, and pgvector.
Beveiligingsconfiguratie van vLLM
Security hardening for vLLM serving deployments including API authentication, resource limits, and input validation.
Lab: cloud-AI-beoordeling
Hands-on lab for conducting an end-to-end security assessment of a cloud-deployed AI system including infrastructure review, API testing, model security evaluation, and data flow analysis.
Lab: breakout uit een gecontaineriseerd model
Explore techniques for escaping from containerized AI applications to the host system, testing container isolation boundaries in ML deployment environments.
Lab: misbruik van inference-servers
Attack vLLM, TGI, and Triton inference servers to discover information disclosure vulnerabilities, denial-of-service vectors, and configuration weaknesses in model serving infrastructure.
Lab: aanvallen op model serving-frameworks
Exploit vulnerabilities in TensorFlow Serving, TorchServe, and Triton Inference Server, targeting model loading, API endpoints, and management interfaces.
Beveiligingsassessment van een DevOps AI-assistent
Assess a DevOps AI assistant with access to CI/CD pipelines, cloud infrastructure, and deployment systems.
Aanvallen op KV-cache en prompt-caching
Hoe KV-cache-poisoning, misbruik van prefix-caching, side channels via cache-timing en falende isolatie in multi-tenant-omgevingen aanvalsvectoren creëren in de serving-infrastructuur van LLM's.
Een AI-red team-labomgeving opzetten
Practical guide to designing and building a lab environment for AI red team testing, from hardware selection through tool configuration.
Aanvalsoppervlak van distributed training
Beveiligingskwetsbaarheden in multi-GPU, multi-node LLM-training: aanvallen op gradiëntdeling, compromittering van parameterservers, insiderdreigingen en trainingsexploits op infrastructuurniveau.
Aanvallen op de trainingsinfrastructuur
Attacking training infrastructure including GPU clusters, distributed training, and orchestration systems.
API rate limit omzeilen
Techniques to bypass API rate limiting on LLM services, including header manipulation, distributed requests, authentication rotation, and endpoint discovery.
Walkthrough: LLM-cache-poisoning
Poison LLM response caches to serve adversarial content to other users without direct injection.
Grondbeginselen van GPU-side-channels
GPU-based side channel attacks on ML inference, exploiting timing, power consumption, and memory access patterns to extract information about models and data.
Misbruik van inference-endpoints
Exploiting inference API endpoints for unauthorized access, data exfiltration, and service abuse through authentication flaws, input validation gaps, and misconfigured permissions.
Supply chain-aanval op de model hub
Attacking the ML model supply chain through hub repositories like Hugging Face, including typosquatting, model poisoning, and repository manipulation techniques.
RCE via modelserialisatie
Remote code execution through malicious model files using pickle deserialization, safetensors manipulation, and other model serialization format vulnerabilities.
Volledige opdracht: DevOps-AI-assistent
End-to-end engagement for a DevOps AI assistant with CI/CD, cloud infrastructure, and monitoring access.