影子访问与零信任应对策略
什么是影子访问？
影子访问是指对系统和数据的意外或未经授权的访问。随着云计算、DevOps、云原生架构和数据共享的发展，影子访问问题日益严重。它通常发生在云原生架构中，由于资源授权过程中的错误或意外地允许的账户使用和资源开放。
零信任概述
零信任是一种基于“永不信任、持续验证”的安全策略，强调强身份验证（如多因素身份验证、密码学等）和严格的访问控制（最小特权、基于角色的访问控制、基于属性的访问控制、基于上下文的访问控制）。它还包括网络分割和微隔离、持续认证和监控（用户和实体行为分析）、审查、评估和审计。
为什么存在影子访问？
尽管零信任原则旨在减少影子访问，但在实际应用中，很少有环境能完全实现零信任原则。原因包括：
- 人为错误：人员可能会犯错。
- 技术更新：应用程序不断变化，导致流程和技术不完善。
- 流程差距：IAM流程和应用程序开发实践之间存在差距。
- 合规压力：组织往往希望在审计与合规审查前完成实施。
零信任如何减少影子访问
- 最小特权访问：只提供用户绝对需要的访问权限。
- 持续监控：通过持续监控环境，发现并解决影子访问问题。
- 基于风险的解决方案：优先解决最重要的影子访问问题。
GenAI、LLMs等技术概述
生成式人工智能（GenAI）和大型语言模型（LLMs）引入了新的技术资产，如LLM工具链、数据管道、RAG系统、向量数据库等。这些技术要求企业建立详尽的清单、变更管理和运营控制机制。
数据访问的可见性、可控性和合规性
确保GenAI对数据的透明、受控和合规访问，特别是对RAG的企业数据。数据所有者必须监督数据共享实践，确保符合数据隐私、存储地、主权和法规标准。
授权和治理框架
企业需要建立一个健全的授权和治理框架，确保模型访问策略的安全措施和指导方针，以确保在组织的生态系统中进行负责任且安全地处理、访问和共享敏感信息。
多模态数据的细粒度访问控制
细粒度的授权机制使组织能够有效管理对文本、图像、视频和非结构化数据的访问。向量嵌入等衍生数据也需要新的访问控制策略。
非结构化内容的数据分类
建立数据分类模式，支持基于内容类型、相关性、敏感性和上下文的非结构化数据分类，简化数据处理流程，并确保LLM应用程序能够适当地访问和处理非结构化内容。
身份验证和负责任使用
实施身份验证和负责任使用协议，确保只有授权用户和非人类实体在其指定的责任和问责范围内使用生成式人工智能。
内容适宜性和授权
实施内容适宜性和授权措施，验证和保证生成的内容符合用户期望并被授权分发。
防止个人信息和机密数据泄露
实施保护措施以防止个人身份信息（PII）和机密数据在LLM堆栈中的泄漏，结合强加密、访问控制和数据匿名化技术。
结论
人工智能时代带来了新的挑战，尤其是由大型语言模型访问企业数据所推动的变革性AI应用程序、助手和代理。企业必须迅速适应并强化其监控实践，以应对影子访问的现实存在。未来的研究将深入探讨这些挑战，并提供应对这些挑战的最佳实践。
