简介

​AI-Infra-Guard​（简称AIG）是腾讯朱雀实验室开发的一款综合性AI红队测试平台，专注于AI基础设施安全检测和风险评估。该平台集成了AI基础设施漏洞扫描、MCP服务器风险扫描和越狱评估等核心能力，为企业用户提供全面、智能、易用的AI安全风险自检解决方案。

🔗 ​GitHub地址​：

https://github.com/Tencent/AI-Infra-Guard

🚀 ​核心价值​：

AI安全测试 · 基础设施扫描 · 红队评估 · 企业级解决方案

​项目背景​：

  • ​AI安全需求​：响应AI技术快速发展带来的安全挑战

  • ​企业级需求​：满足企业对AI基础设施的安全检测需求

  • ​技术领先​：基于腾讯朱雀实验室的安全研究积累

  • ​开源精神​：遵循开源理念，促进AI安全生态发展

​技术特色​：

  • 🔍 ​全面检测​：覆盖AI基础设施多个层面的安全检测

  • 🤖 ​智能评估​：AI驱动的安全风险评估和漏洞识别

  • 🛡️ ​企业级​：面向企业环境的完整安全解决方案

  • 🔧 ​易于集成​：支持多种部署方式和集成方案

  • 📊 ​可视化报告​：详细的安全评估报告和修复建议

​设计理念​：

  • ​安全第一​：以安全检测和防护为核心目标

  • ​用户友好​：简洁的界面和操作流程设计

  • ​全面覆盖​：覆盖AI系统各个层面的安全风险

  • ​持续更新​：跟随AI技术发展持续更新检测能力

  • ​社区驱动​：开源社区共同维护和增强功能

主要功能

1. ​核心功能体系​

2. ​功能详情​

​AI基础设施扫描​：

  • ​组件识别​：精确识别30+种AI框架和组件

  • ​漏洞检测​：覆盖近400个已知CVE漏洞

  • ​平台支持​：支持Ollama、ComfyUI、vLLM等主流平台

  • ​深度扫描​：深度组件依赖和配置分析

  • ​版本检测​：精确识别组件版本和关联漏洞

​MCP服务器风险扫描​：

  • ​AI驱动​：基于AI代理的智能风险检测

  • ​风险分类​：检测9大类MCP安全风险

  • ​扫描方式​：支持源代码和远程URL扫描

  • ​协议分析​：深度协议分析和漏洞挖掘

  • ​配置检查​：服务器配置安全审计

​越狱评估​：

  • ​快速评估​：快速评估Prompt安全风险

  • ​数据集​：包含多个精选越狱评估数据集

  • ​报告生成​：快速生成越狱评估报告

  • ​风险评级​：安全风险等级评估和分类

  • ​修复指导​：提供具体修复建议和方案

​安全管理​：

  • ​项目管理​：多项目安全检测管理

  • ​团队协作​：团队成员和权限管理

  • ​任务调度​：定期自动安全检测任务

  • ​历史记录​：检测历史记录和对比分析

  • ​通知提醒​：安全风险和漏洞通知

​报告和分析​：

  • ​详细报告​：生成详细的安全评估报告

  • ​可视化​：安全数据可视化展示

  • ​导出功能​：支持多种格式报告导出

  • ​趋势分析​：安全态势趋势分析

  • ​合规检查​：合规性检查和报告

​扩展能力​：

  • ​插件框架​：可扩展的插件架构

  • ​规则引擎​：自定义检测规则和策略

  • ​API接口​：丰富的API集成接口

  • ​数据导入​：支持外部数据导入和分析

  • ​自定义检测​：用户自定义检测场景

3. ​技术规格​

​系统要求​：

# 基础要求
操作系统: Linux, Windows, macOS
Docker: 20.10+ 版本
内存: 4GB+ RAM (推荐8GB+)
存储: 10GB+ 可用空间
网络: 互联网连接(更新和扫描需要)

# 生产环境
CPU: 4核+ 处理器
内存: 8GB+ RAM
存储: 50GB+ 可用空间
网络: 稳定高速网络连接

# 扫描目标
支持扫描: 本地网络、云环境、混合架构
协议支持: HTTP/HTTPS, SSH, RDP, 数据库协议等
认证支持: 多种认证方式支持

​检测能力​：

# 漏洞库
CVE漏洞: 400+ 已知AI相关CVE漏洞
组件覆盖: 30+ AI框架和组件
规则数量: 1000+ 检测规则和策略
更新频率: 每日规则库更新

# 扫描性能
并发扫描: 支持多目标并发扫描
扫描速度: 优化扫描算法和性能
资源占用: 智能资源管理和分配
断点续扫: 支持扫描中断恢复

​集成支持​：

# CI/CD集成
Jenkins: 完整Jenkins流水线集成
GitLab CI: GitLab CI/CD支持
GitHub Actions: GitHub Actions工作流
其他: 支持常见CI/CD工具

# 安全工具集成
SIEM系统: 安全信息和事件管理集成
漏洞管理: 与漏洞管理系统集成
监控系统: 与监控告警系统集成
报表系统: 与报表和BI系统集成

​合规标准​：

# 标准符合
等保2.0: 符合网络安全等级保护要求
ISO27001: 信息安全管理体系标准
NIST框架: 美国国家标准技术研究院框架
GDPR: 通用数据保护条例符合性

# 行业标准
金融行业: 金融行业安全标准
医疗健康: 医疗卫生行业要求
政府机构: 政府安全合规要求
教育科研: 教育和科研机构标准

安装与配置

1. ​环境准备​

​系统要求​：

# 硬件要求
内存: 最小4GB，推荐8GB+
存储: 最小10GB，推荐50GB+
CPU: 最小2核，推荐4核+
网络: 稳定互联网连接

# 软件要求
操作系统: Linux Ubuntu 18.04+, CentOS 7+
Docker: 20.10+ 版本
Docker Compose: 1.29+ 版本
网络: 开放必要端口(8088等)

# 权限要求
Docker权限: 需要docker和docker-compose权限
网络权限: 需要网络访问权限
存储权限: 需要文件系统读写权限

​网络要求​：

# 端口要求
Web界面: 8088 端口
API服务: 8080 端口
数据库: 3306 端口(内部)
扫描服务: 多种扫描端口

# 网络访问
出站连接: 访问漏洞库和更新服务
入站连接: 管理界面访问和API调用
扫描连接: 到目标系统的网络连接

​安全考虑​：

# 安全配置
防火墙: 配置适当的防火墙规则
访问控制: 限制管理界面访问权限
加密传输: 使用HTTPS加密通信
日志审计: 启用详细日志记录
备份策略: 定期备份配置和数据

2. ​安装步骤​

​一键安装脚本（推荐）​​：

# 使用官方一键安装脚本
# 此脚本会自动安装Docker并启动AIG
curl https://raw.githubusercontent.com/Tencent/AI-Infra-Guard/main/docker.sh | bash

# 安装过程包括
1. 检查系统环境
2. 安装Docker（如需要）
3. 下载AIG镜像
4. 启动所有服务
5. 验证安装结果

# 访问管理界面
安装完成后访问: http://localhost:8088
默认账号: admin
默认密码: admin（首次登录需修改）

​使用预构建镜像​：

# 克隆仓库
git clone https://github.com/Tencent/AI-Infra-Guard.git
cd AI-Infra-Guard

# 使用预构建镜像启动
docker-compose -f docker-compose.images.yml up -d

# 此方法的优势
快速启动: 使用Docker Hub预构建镜像
稳定可靠: 官方测试和验证的镜像
易于管理: 完整的容器编排配置

​从源码构建​：

# 克隆源码
git clone https://github.com/Tencent/AI-Infra-Guard.git
cd AI-Infra-Guard

# 从源码构建和启动
docker-compose up -d

# 构建过程
1. 构建自定义Docker镜像
2. 配置所有服务依赖
3. 启动完整服务栈
4. 初始化数据库和配置

# 适用场景
开发测试环境
自定义修改需求
特定环境适配

​验证安装​：

# 检查服务状态
docker ps # 查看所有容器运行状态
docker logs aig-web # 查看Web服务日志

# 服务健康检查
访问 http://localhost:8088/health
访问 http://localhost:8080/api/health

# 登录测试
使用默认凭证登录管理界面
验证各功能模块正常可用

3. ​配置说明​

​初始配置​：

# 首次登录配置
1. 修改默认管理员密码
2. 配置系统基本设置
3. 设置网络和代理配置
4. 配置邮件通知设置
5. 更新漏洞库和规则库

# 系统设置
{
  "system": {
    "name": "AIG Security Platform",
    "language": "zh-CN",
    "timezone": "Asia/Shanghai",
    "auto_update": true
  }
}

​扫描配置​：

# 扫描器配置
{
  "scanner": {
    "concurrency": 10,
    "timeout": 300,
    "retries": 3,
    "rate_limit": 100,
    "exclude_patterns": []
  }
}

​网络配置​：

# 网络设置
{
  "network": {
    "proxy": "",
    "dns_servers": ["8.8.8.8", "1.1.1.1"],
    "scan_ports": "1-10000",
    "exclude_ranges": []
  }
}

​通知配置​：

# 通知设置
{
  "notifications": {
    "email": {
      "enabled": true,
      "smtp_server": "smtp.example.com",
      "port": 587,
      "username": "alert@example.com",
      "password": "password"
    },
    "webhook": {
      "enabled": false,
      "url": "https://hook.example.com/alert"
    }
  }
}

​存储配置​：

# 数据存储
{
  "storage": {
    "reports_retention": 365,
    "logs_retention": 90,
    "scan_data_retention": 30,
    "backup_enabled": true,
    "backup_schedule": "0 2 * * *"
  }
}

使用指南

1. ​基本工作流​

使用AI-Infra-Guard的基本流程包括：系统部署 → 目标配置 → 扫描执行 → 结果分析 → 修复验证。整个过程设计为系统化、自动化，帮助企业建立完整的安全检测闭环。

2. ​基本使用​

​系统初始化​：

# 首次使用设置
1. 登录管理界面 http://localhost:8088
2. 修改默认密码和系统设置
3. 更新漏洞库和检测规则
4. 配置通知和集成设置
5. 创建扫描目标和策略

# 用户管理
管理员: 创建和管理用户账号
权限分配: 分配适当的操作权限
审计日志: 查看用户操作日志

​目标管理​：

# 添加扫描目标
1. 定义扫描目标（IP、域名、URL）
2. 配置目标属性和标签
3. 设置认证凭据（如需要）
4. 定义扫描范围和排除规则
5. 保存目标配置

# 目标类型
单个主机: 指定IP或域名
网络范围: CIDR格式网络范围
URL列表: 多个Web地址
云环境: 云平台资源扫描

​扫描执行​：

# 启动扫描
1. 选择扫描目标和策略
2. 配置扫描参数和选项
3. 立即执行或计划任务
4. 监控扫描进度和状态
5. 查看实时结果和日志

# 扫描类型
全面扫描: 完整的深度扫描
快速扫描: 快速安全评估
合规扫描: 特定合规要求扫描
自定义扫描: 自定义检测项目

​结果分析​：

# 漏洞分析
漏洞列表: 查看所有发现的漏洞
风险评级: 按风险等级分类查看
影响分析: 分析漏洞业务影响
修复优先级: 基于风险的修复优先级

# 报告生成
详细报告: 生成详细的安全评估报告
导出格式: PDF, HTML, CSV等多种格式
定制报告: 自定义报告内容和格式
比较报告: 多次扫描结果对比

​修复管理​：

# 漏洞修复
修复建议: 详细的修复步骤和建议
责任分配: 分配修复任务给团队成员
进度跟踪: 跟踪修复进度和状态
验证测试: 修复后验证扫描

# 集成工作流
工单系统: 与ITSM系统集成
项目管理: 与项目管理工具集成
通信工具: 与团队通信工具集成

3. ​高级用法​

​API集成​：

# RESTful API使用
获取扫描结果: GET /api/scans/{id}/results
创建扫描任务: POST /api/scans
管理目标: GET/POST /api/targets
获取报告: GET /api/reports/{id}

# 自动化集成
CI/CD流水线: 集成到开发流水线
自动化运维: 与运维自动化平台集成
监控告警: 与监控系统集成
数据分析和BI: 与数据分析平台集成

​自定义规则​：

# 规则开发
指纹规则: 在data/fingerprints/添加YAML规则
漏洞规则: 在data/vuln/添加漏洞检测规则
MCP规则: 在data/mcp/添加MCP安全规则
越狱数据集: 在data/eval添加评估数据集

# 规则语法
基于YAML的规则定义
支持多种检测条件和模式
可扩展的规则引擎
社区规则共享和导入

​大规模部署​：

# 分布式部署
多个扫描器节点: 分布式扫描能力
负载均衡: 扫描任务负载均衡
高可用: 关键服务高可用部署
水平扩展: 根据需求水平扩展

# 企业级特性
多租户支持: 支持多个团队或项目
审计合规: 完整的审计日志记录
性能优化: 大规模环境性能优化
备份恢复: 企业级备份和恢复方案

​合规扫描​：

# 合规框架
等保2.0: 网络安全等级保护合规扫描
ISO27001: 信息安全管理体系合规检查
PCI DSS: 支付卡行业数据安全标准
GDPR: 通用数据保护条例合规评估

# 自定义合规
自定义合规框架定义
合规要求映射和检查
合规报告生成
持续合规监控

应用场景实例

案例1：企业AI基础设施安全评估

​场景​：企业部署了多个AI平台和框架，需要全面安全评估

​解决方案​：使用AI-Infra-Guard进行全面的AI基础设施安全扫描。

​实施流程​：

# 环境发现
1. 识别所有AI相关系统和组件
2. 包括开发、测试、生产环境
3. 覆盖Ollama、vLLM、ComfyUI等平台
4. 包括相关依赖和服务

# 安全扫描
全面扫描: 对所有识别系统进行深度扫描
漏洞检测: 检测已知CVE漏洞和安全风险
配置审计: 检查安全配置和最佳实践
风险评估: 评估整体安全风险状况

# 修复加固
优先级修复: 基于风险等级制定修复计划
配置加固: 按照安全最佳实践加固配置
持续监控: 建立持续安全监控机制
定期评估: 定期进行安全重新评估

​企业价值​：

  • ​风险可视化​：全面了解AI基础设施安全状况

  • ​合规保障​：满足安全合规和审计要求

  • ​预防性安全​：提前发现和修复安全漏洞

  • ​成本优化​：减少安全事件导致的损失

  • ​信任建立​：增强客户和合作伙伴信任

案例2：MCP服务器安全检测

​场景​：企业使用多个MCP服务器，需要检测安全风险

​解决方案​：使用AIG的MCP服务器风险扫描功能。

​检测实施​：

# MCP服务器清单
列出所有MCP服务器实例
包括开发和生产环境
记录版本和配置信息
确定网络访问权限

# 风险扫描
协议分析: 深度分析MCP协议实现
配置检查: 检查服务器安全配置
漏洞检测: 检测已知安全漏洞
访问控制: 评估访问控制机制

# 安全加固
漏洞修复: 修复发现的安全漏洞
配置优化: 优化安全配置设置
访问加固: 加强访问控制措施
监控告警: 部署安全监控和告警

​实施效果​：

  • ​全面覆盖​：覆盖9大类MCP安全风险

  • ​深度检测​：AI驱动的深度安全分析

  • ​风险量化​：量化的安全风险评估

  • ​​ actionable​：具体的修复建议和指导

  • ​持续保障​：建立持续安全检测机制

案例3：AI应用越狱风险评估

​场景​：企业开发AI应用，需要评估Prompt安全风险

​解决方案​：使用AIG的越狱评估功能进行安全测试。

​评估过程​：

# 应用分析
分析AI应用架构和组件
识别Prompt处理逻辑
确定用户输入处理流程
评估潜在攻击面

# 越狱测试
数据集测试: 使用精选越狱数据集测试
边界测试: 测试各种边界情况和输入
绕过测试: 测试安全机制绕过可能性
影响评估: 评估潜在影响和风险

# 安全加固
输入验证: 加强输入验证和过滤
输出过滤: 实施输出内容过滤
监控检测: 部署异常检测和监控
应急响应: 制定应急响应计划

​安全效益​：

  • ​风险识别​：早期识别越狱和安全风险

  • ​预防措施​：实施预防性安全措施

  • ​用户保护​：保护用户免受恶意内容影响

  • ​合规性​：满足内容安全合规要求

  • ​品牌保护​：保护企业品牌和声誉

总结

AI-Infra-Guard作为腾讯朱雀实验室开发的AI红队测试平台，通过其全面的检测能力、企业级的功能设计和易用的操作界面，为企业提供了强大的AI安全检测解决方案。其开源特性和持续更新，使其成为AI安全领域的重要工具。

​核心优势​：

  • 🔍 ​全面检测​：覆盖AI基础设施、MCP服务器、越狱评估

  • 🏢 ​企业级​：面向企业环境的设计和功能

  • 🤖 ​智能驱动​：AI增强的安全检测和评估

  • 🔧 ​易于使用​：简洁的界面和自动化操作

  • 🌐 ​开源开放​：开源模式，社区驱动发展

​适用场景​：

  • 企业AI基础设施安全评估

  • MCP服务器安全检测和加固

  • AI应用越狱风险评估

  • 安全合规和审计要求满足

  • 持续安全监控和管理

​技术特色​：

  • ​多维度检测​：覆盖多个安全检测维度

  • ​可扩展架构​：插件化和可扩展设计

  • ​丰富集成​：支持多种工具和系统集成

  • ​详细报告​：全面的报告和可视化

  • ​持续更新​：活跃的开发和漏洞库更新

🌟 ​GitHub地址​：

https://github.com/Tencent/AI-Infra-Guard

🚀 ​快速部署​：

支持Docker一键部署

💬 ​社区支持​：

通过GitHub和社区获取支持

​立即部署AI-Infra-Guard，提升您的AI安全防护能力！​​

​最佳实践建议​：

  • 🏢 ​企业用户​：建立完整的AI安全检测体系

  • 🔧 ​安全团队​：集成到现有安全运维流程

  • 👨‍💻 ​开发者​：在开发过程中进行安全测试

  • 📊 ​管理者​：基于报告进行安全决策

  • 🤝 ​社区用户​：参与项目贡献和功能开发

​注意事项​：

  • ⚠️ ​合规使用​：遵守法律法规和授权要求

  • 🔒 ​权限控制​：合理控制扫描权限和范围

  • 📋 ​测试授权确保获得适当的测试授权

  • 💾 ​数据安全​：保护扫描结果和敏感数据

  • 🔄 ​定期更新​：保持系统和规则库最新版本

AI-Infra-Guard持续演进和发展，欢迎企业用户和开发者反馈贡献，共同推动AI安全技术的发展！

# github
Logo
北京朝阳AI社区

更多推荐

cover

2025企业级AI Agent（智能体）价值及应用报告，附PDF下载！

avatar 北京朝阳AI社区

MCP 授权机制的现状、问题和解决思路

MCP 服务器（提供 AI 模型上下文的一方）需要一种机制来验证客户端（使用模型的一方）是否有权访问其资源。在该协议的设计中，这一机制是一种基于 OAuth 2.1的标准授权方案。简单来说，MCP 的授权流程是一个标准且安全的 OAuth 2.1 委托授权模式。它没有重新发明轮子，而是复用了业界成熟方案：客户端通过独立可信的授权服务器获取“通行证”（访问令牌），再用该“通行证”访问受保护的 MCP

avatar 北京朝阳AI社区
cover

从零开始学AI原生应用：阿里云白皮书精华解读，收藏学习必备！

avatar 北京朝阳AI社区