隨著OpenAI、Anthropic、Google和微軟等公司的生成式AI及大語言模型(LLM)用戶量呈指數級增長，企業IT安全決策者正努力跟上AI技術的快速發展步伐。非營利組織OWASP最新發布的《LLM AI網絡安全與治理清單》(PDF)正是為此而生。
LLM威脅分類體系
鑒于AI領域涉及面廣泛，OWASP清單主要幫助管理者快速識別生成式AI和大語言模型的關鍵風險并采取補救措施，確保企業具備基本安全控制能力來安全使用相關工具和服務。OWASP強調該清單將隨技術成熟度持續更新，其專家團隊將LLM威脅劃分為以下類別：
制定LLM戰略時，企業需重點應對生成式AI帶來的獨特風險，通過組織治理和安全控制加以緩解。OWASP建議采用六步法構建有效的LLM部署策略：
針對不同類型的LLM部署方案，OWASP也提供了詳細考量框架：
OWASP AI安全清單詳解
(1) 對抗性風險
涵蓋競爭對手和攻擊者雙重維度，包括分析競對如何運用AI提升業務表現，以及更新事件響應計劃等內部流程以防范AI相關安全事件。
(2) 威脅建模
基于"安全設計"原則，需考慮攻擊者如何利用LLM加速漏洞利用、企業如何檢測惡意AI行為，以及如何實施系統防護措施。
(3) AI資產清點
遵循"未知即不可保護"原則，需全面記錄自研解決方案和第三方工具，明確責任歸屬。建議將AI組件納入軟件物料清單(SBOM)，按敏感度分類數據源，并建立工具準入退出機制。
(4) AI安全與隱私培訓
通過系統化培訓使員工理解AI/LLM技術原理與安全挑戰，培育信任透明的組織文化，從根本上杜絕"影子AI"現象。
(5) 商業價值論證
避免跟風炒作，需建立清晰的AI商業用例，如同當年云計算推廣時的戰略規劃。
(6) 治理框架
通過RACI矩陣明確AI項目權責，制定企業級政策和流程，實現可問責的管理體系。
(7) 法律合規
需法律團隊介入評估產品擔保條款、最終用戶許可協議(EULA)和知識產權風險等關鍵法律議題。
(8) 監管應對
密切關注歐盟《人工智能法案》等新興法規，識別適用的合規要求。
(9) LLM方案實施
具體控制措施包括：實施訪問控制、保護訓練管道、映射數據流、識別LLM及供應鏈漏洞，建議定期進行第三方審計、滲透測試和代碼審查。
(10) 測試評估驗證(TEVV)
參照NIST AI框架建議，持續開展功能測試、安全驗證及可靠性評估，覆蓋AI模型全生命周期。
(11) 模型與風險卡片
通過標準化文檔披露模型架構、訓練方法和性能指標，提升系統透明度，主動應對偏見、隱私等倫理問題。
(12) 檢索增強生成(RAG)
通過優化預訓練模型和增量訓練，提升LLM在特定數據源的檢索能力，最大化企業應用價值。
(13) AI紅隊演練
通過模擬攻擊檢驗防御體系有效性，但需明確演練邊界要求，避免引發合規風險。
