# deployment
標記為「deployment」的 24 篇文章
基礎設施安全評量
以 10 道中級題目測試你對 AI 基礎設施安全的知識，包括模型服務、API 安全、部署架構與供應鏈風險。
CI/CD 管線 AI 風險
將 AI 整合至 CI/CD 管線的安全意涵——涵蓋建構中的 AI 驅動程式碼生成、自動化測試風險、部署決策操控與管線強化。
2026 年 6 月：雲端 AI 安全挑戰
發掘並記錄雲端部署 AI 服務中的漏洞，涵蓋 API 安全、模型服務基礎設施、認證與資料處理。
AI 部署模式與安全意涵
基於 API、自架、邊緣與混合部署模式如何各建立 AI 系統的獨特安全考量與攻擊面。
部署模式與安全
常見大型語言模型部署模式（API、自架、邊緣）及其獨特的安全特性與攻擊面。
大型語言模型部署模式與安全
常見大型語言模型部署模式及其安全意涵，包含直接 API、RAG、代理與管線架構。
常見 AI 部署模式與攻擊面
部署模式之分析——聊天機器人、copilot、自主代理、批次處理與微調模型——及其獨特之攻擊面與安全考量。
紅隊視角的 AI 系統架構
AI 系統如何於生產環境部署——模型 API、提示範本、編排、工具、記憶體與防護機制——並於每一層進行攻擊面分析。
部署後的安全性劣化
已部署模型在一段時間後出現的安全性劣化研究,包括原因分析與緩解策略。
量化與安全對齊
模型量化為何會不成比例地劣化安全對齊:惡意量化攻擊、符元翻轉現象,以及安全感知型量化防禦。
AI 模型治理生命週期
Governance processes for the complete AI model lifecycle from procurement through retirement.
攻擊 AI 部署
AI 部署基礎設施的安全評估，包括容器逃逸、GPU 側通道、推論伺服器漏洞以及資源耗盡攻擊。
邊緣 AI 部署安全
邊緣 AI 部署的安全,包含模型萃取、實體攻擊與受限環境威脅。
邊緣 ML 部署安全
邊緣 ML 系統的安全挑戰,包含裝置安全、模型保護與網路限制。
AI 基礎設施安全
AI 基礎設施安全顧慮的概覽，涵蓋模型供應鏈、API 安全、部署架構，以及 ML 系統的獨特攻擊面。
模型服務基礎設施攻擊
模型服務基礎設施的攻擊,包含推論劫持、請求走私與資源耗盡。
藍綠部署攻擊
利用藍綠與 canary 部署策略以操弄流量路由，強制部署遭入侵的模型版本。
AI 模型的金絲雀部署
Implementing canary deployments that catch security regressions in AI model updates.
部署管線攻擊
完整分析 ML 部署管線中的攻擊向量，包括建置系統入侵、產物篡改與部署操弄。
LLMOps 安全
LLMOps 生命週期各階段安全的完整概覽：從資料準備、實驗追蹤到模型部署與生產監控。涵蓋 ML 營運的攻擊面、威脅模型與防禦策略。
ML CI/CD 安全
ML 持續整合與部署管線的安全概觀：ML CI/CD 與傳統 CI/CD 的差異、訓練工作流程中的獨特攻擊面，以及自動化模型建構與部署的安全意涵。
模型部署安全
將 LLM 部署到生產環境的安全最佳實務。
LLM 蜜罐部署詳解
Deploy LLM honeypots to detect and study attacker behavior patterns and techniques.
LLM Guard 部署與測試
部署 LLM Guard 進行輸入/輸出掃描,並測試其對常見攻擊的成效。