# mlflow
7 artikelengetagd met “mlflow”
Experiment-tracking-systemen aanvallen
Technieken voor het misbruiken van experiment-tracking-platforms zoals MLflow, Weights & Biases, Neptune en CometML, waaronder data-exfiltratie, metric-manipulatie, experiment-injectie en het benutten van tracking-metadata voor verkenning.
MLflow-beveiligingshardening
Het beveiligen van MLflow-deployments tegen ongeautoriseerde toegang, experimentmanipulatie en vergiftiging van de model-registry.
Model-registries vergiftigen
Geavanceerde technieken voor het aanvallen van model-registries zoals MLflow, Weights & Biases en Hugging Face Hub, waaronder modelvervangingsaanvallen, metadata-manipulatie, artefactvergiftiging en supply chain-compromittering via registry-infrastructuur.
Beveiliging van experiment-tracking
Security risks in ML experiment tracking systems: what gets logged, what is sensitive, and how tracking platforms become high-value targets for attackers seeking intellectual property and pipeline access.
Aanvalsoppervlak van MLflow
Security analysis of MLflow: tracking server authentication weaknesses, artifact store access control, model registry tampering, SQL injection in tracking queries, and exploitation techniques for both open-source and managed deployments.
Beveiliging van ML-experiment-tracking
Securing experiment tracking systems like MLflow, Weights & Biases, and Neptune.
Audit van Databricks MLflow-deployment
End-to-end walkthrough voor het auditen van MLflow-deployments op Databricks: workspace-enumeratie, beveiliging van het modelregister, testen van serving-endpoints, review van de Unity Catalog-integratie en analyse van auditlogs.