GCRI · هوش مصنوعی و سامانه‌های خودمختار
امنیت سایبری هوش مصنوعی
AI and cybersecurity meet in three ways: AI سامانه‌ها can be attacked, AI can help attackers, and AI can help defenders. Models can be poisoned, stolen, manipulated or made to leak data; their supply chains of data, weights and libraries carry new risks. This page sets out how these threats work, how AI systems are secured, and what evidence serves the security teams and regulators responsible.
AI cyber security on the record.
AI cyber security: how the risk develops.
Adversarial methods and model exposure. The dossier below sets out how the risk develops, what is measured, where the data come from, how it is modelled and who decides.
Models are attack surfaces
Adversarial inputs, prompt injection, data extraction and model theft target the model itself. Classic application vulnerabilities still apply around it.
The AI supply chain is long
Training data, pretrained weights, libraries and plugins come from many sources. Poisoned data or tampered models can introduce hidden behaviour.
AI lowers the cost of some attacks
Generative AI can draft phishing, translate lures and help write code, lowering the skill barrier for some attacks. The size of this effect is studied and debated.
AI assists defence
Machine learning detects anomalies, triages alerts and finds vulnerabilities. Defenders must also secure the AI tools they adopt.
آبشاری در شبکه‌های وابستهٔ متقابل.
A ردپای مخاطره دارایی‌های هم‌مکان را در هر لایه از کار می‌اندازد؛ سپس تکه‌تکه‌شدگی، وابستگی میان لایه‌ها و بار اضافی بر بازماندگان شکست را گسترش می‌دهد. نمای 3D لایه‌ها را بر پایهٔ عمق از هم جدا می‌کند. مدل آموزشی با مقادیر تصویری اعلام‌شده، نه پیش‌بینی.
کنترل‌ها
- دارایی‌ها به‌ازای هر لایه
- 18
- ردپای مخاطره
- 8٪ از مساحت
- دارایی‌های وابسته به لایهٔ دیگر
- 60%
- ظرفیت مازاد (تحمل)
- 30%
خوانش‌ها
- دارایی‌های آسیب‌دیده از مخاطره
- 7%
- دارایی‌های همچنان فعال
- 50%
- تقویت آسیب نخستین
- 6.8 times
- گام‌های تسویه
- 3
رقم‌ها، روش‌ها و منابع
| گام | مراکز داده فعال (٪) | شبکه‌های فعال (٪) | برق در حال کار (%) |
|---|---|---|---|
| 0 | 83 | 94 | 100 |
| 1 | 72 | 78 | 94 |
| 2 | 61 | 67 | 50 |
| 3 | 61 | 67 | 22 |
روش‌ها
- شبکه‌های وابستهٔ متقابل Buldyrev and others (2010), Catastrophic cascade of failures in interdependent networks, Nature 464
- آبشارهای بار اضافی Motter and Lai (2002), Physical Review E 66
- بار میانی‌بودگی Brandes (2001), Journal of Mathematical Sociology 25
- شبکه‌های چندلایه Kivela and others (2014), Journal of Complex Networks 2
- وابستگی‌های متقابل زیرساخت‌ها Rinaldi, Peerenboom and Kelly (2001), IEEE Control Systems 21(6)
- بادبزن عدم قطعیت (مونت‌کارلوی پارامتری) Spiegelhalter, Pearson and Short (2011), Visualising uncertainty about the future, Science 333
- حساسیت‌سنجی تک‌متغیره (تورنادو) Saltelli and others (2008), Global Sensitivity Analysis: The Primer, Wiley
داده
The model runs on the teaching values set by the controls. To calibrate it for a place, read it against these admitted layers and series, which this page’s map can draw:
- جاده‌های اصلی Natural Earth
- راه‌آهن Natural Earth
- بنادر دریایی Natural Earth
- فرودگاه‌ها Natural Earth
- گسترهٔ شهری Natural Earth
- روشنایی شب امشب، قطعی‌ها (VIIRS Day/Night Band) NASA/NOAA VIIRS (Suomi NPP) · register nasa.gibs.context-live-layers
- رویدادهای طبیعی (NASA EONET) NASA EONET · register nasa.eonet.events
در شش رکن، به رهبری Nexus Consortium
- آزمایش‌ها آزمایشگاه‌ها
- ساخته‌شده در هوش مصنوعی و سامانه‌های خودمختار در Foundry
- آزموده‌شده در هوش مصنوعی و سامانه‌های خودمختار در Universe
- مدون‌شده در دیجیتال، سایبری و هوش مصنوعی در Standards
- منتشرشده در هوش مصنوعی و سامانه‌های خودمختار در Reports
- تدریس‌شده در دانشکدهٔ فناوری و سامانه‌های دیجیتال در Academy
AI changes cyber risk in every domain’s control systems.
Findings are designed for the مجموعهٔ Exponential Technology. ISO/IEC 23894 (2023) sets AI risk management guidance; the page publishes no attack techniques.
- Defensive evaluations of AI tools.
- Incident case studies.
How AI cyber security is modelled, measured and tested.
مدل، مفروضات، داده‌ها و عدم قطعیت آن، به شکلی که دانشمند یا مهندس بررسی می‌کند. ساختارها از روش‌های منتشرشده پیروی می‌کنند. مقادیر ترسیم‌شده تبیینی‌اند، نه یافته.
مدل سامانه
The couplings between the systems in AI cyber security: signs of influence, a reinforcing and a balancing loop, and cross-links where stress jumps.
What is measured, and how well.
Each indicator carries its unit, its cadence, the kind of source behind it and the evidence label a value would carry. No values are shown: a programme supplies them under its own authority.
| Indicator | Unit | دورهٔ تکرار | Source type | برچسب |
|---|---|---|---|---|
| Vulnerabilities reported in AI frameworks and libraries | count of CVE entries | monthly | Vulnerability databases | گزارش‌شده |
| Adversarial robustness | accuracy under a stated attack | per evaluation | Robustness testing | مشاهده‌شده |
| Models with signed provenance | percent of deployed models | per inventory | Model registries | DECLARED |
| AI-related security incidents | count by technique | annual | Incident reports | گزارش‌شده |
| Time to detect AI system compromise | hours | per incident | Incident response records | مشاهده‌شده |
| Organisations with AI security policies | percent of surveyed organisations | per survey | Industry surveys | گزارش‌شده |
Where the evidence comes from.
Named public datasets and institutional records, each with its licence class. Sources by agreement are used only under their terms and never republished.
| منبع | What it gives | Licence class |
|---|---|---|
| MITRE ATLAS | Adversarial tactics and techniques against AI سامانه‌ها, with case studies | Public, licence to check |
| NIST adversarial machine learning taxonomy | Terminology and taxonomy of attacks and mitigations | Public domain, US government |
| National Vulnerability Database and CVE records | Vulnerabilities in AI software | Public domain, US government |
| ENISA reports on AI cybersecurity | Threat landscape and good practice for securing AI | Public, ENISA terms |
| Joint guidance from national cyber agencies on secure AI system development | Secure design, development, deployment and operation | Public, terms per agency |
Who decides, and what the evidence serves.
هوش مصنوعی و سامانه‌ها prepares evidence. The decisions below are taken by the authorities named, under their own rules, and never by the platform.
| چه کسی تصمیم می‌گیرد | The question | Evidence this page serves |
|---|---|---|
| Chief information security officers | How to secure AI systems the organisation builds or buys | Threat models; supply chain checklists |
| National cybersecurity agencies | What guidance to issue on AI security | Incident and vulnerability evidence |
| توسعه‌دهندگان | Which defences to build into models and applications | Robustness testing; attack taxonomies |
Outputs this topic produces
- Threat models for AI deployments
- AI supply chain security checklists
- Robustness testing protocols
- Evidence notes on AI-enabled attack trends
What security researchers ask.
- How can inputs be crafted to make a model misbehave, and how robust are defences?
- Can an attacker poison training data or tamper with model weights in the supply chain?
- Can private training data or a model itself be extracted through its outputs?
- How does AI change attackers’ and defenders’ capabilities?
The AI attack surface.
Adversarial examples are inputs altered in ways imperceptible to people that cause models to err. Data poisoning inserts malicious examples into training data to plant backdoors. Membership inference and extraction attacks recover information about training data or replicate a model through repeated queries. For language models, jailbreaks and prompt injection bypass intended restrictions.
On the other side, AI can help attackers find vulnerabilities, write malware variants and craft convincing phishing at scale, and help defenders triage alerts, analyse code and detect anomalies. The balance between the two is an open research question.
Security engineering for AI.
- 01
Red-teaming
Structured attempts to break a system, combining امنیت سایبری و رمزنگاری and artificial intelligence and machine learning expertise. Red-teaming finds problems but cannot prove their absence.
- 02
Threat modelling
Mapping assets, adversaries and attack paths across data, training, deployment and supply chain.
- 03
Robustness testing
Measuring performance under adversarial perturbation. Robustness to known attacks does not imply robustness to new ones.
- 04
Supply-chain integrity
Provenance of datasets, models and dependencies, with signing and verification. Provenance tooling is still maturing.
How it is studied, and what the methods cannot say.
- 01امنیت سایبری و رمزنگاریThreat modelling AI applications · Model supply chain integrity · Injection defence testingApplied here
- 02مهندسی ارزیابی و اطمینان‌بخشی هوش مصنوعیAssurance cases for AI systems · Structured red teaming · Post-deployment monitoringApplied here
- 03هوش مصنوعی و یادگیری ماشینDistribution shift analysis · Fine-tuning for a specific use · Interpretability methodsApplied here
- 04محاسبات با عملکرد بالا، ابری و لبه‌ایCompute access for public research · Energy measurement of workloadsApplied here
Where this page’s references lead.
نهادها و اسنادی که این صفحه بر پایهٔ آن‌ها خوانده می‌شود. وضعیت و ویراست‌ها تغییر می‌کنند؛ هر پیوند به نهاد صادرکننده می‌رود.
پرسش و پاسخ.
What is data poisoning?
What is MITRE ATLAS?
Does AI make cyberattacks easier?
Does the platform publish attack techniques?
How do I report a vulnerability?
Is open release of model weights a security risk?
Can AI defend against AI-enabled attacks?
شواهد را از همین صفحه ارسال کنید.
گزارش‌ها is the Consortium’s quarterly publication. What you know about this subject can become evidence, a case or a correction in the next edition, credited to you and published under CC BY 4.0 where it is your own work.
- ایمیلدرگاه GW-GCRIاز همین صفحه ارسال کنیدشواهد، یک اصلاحیه، یک مورد، یک روش، یک داوری، یک ترجمه یا ورودی نمایه. با برچسب این صفحه میرسد تا ویراستار مسئول آن را دریافت کند.
- Zenodoسپردهٔ بازآن را واگذار کنید و به جامعه ارائه دهیدسابقهٔ خود را با شناسهٔ ORCID خود در Zenodo منتشر کنید و سپس آن را در همانجا به جامعهٔ Reports ارسال کنید. گزینشگران آن را داوری می‌کنند؛ DOI از آنِ شما میماند.
- گزارش‌هاGCRIهمهٔ راههای مشارکت را ببینیدانواع مشارکت، نحوهٔ بررسی هر یک، اعتباری که دریافت میکنید، مجوز و آنچه هرگز پذیرفته نمیشود.
هرگز داده شخصی، جزئیات حساس زیرساخت یا چیزی را که حق اشتراکش را ندارید نفرستید. هر مشارکت پیش از استفاده داوری می‌شود؛ ارسال آن حق مؤلفی یا ویرایشی نمی‌دهد و حمایت مالی هرگز یافته‌ای را نمی‌خرد.
یک روش، یک مجموعه‌داده یا یک پرسش بیاورید.
اطلاعات و درخواست‌ها امروز باز است. هر درخواست یک شمارهٔ پیگیری می‌گیرد و گام بعدی را مشخص می‌کند؛ درخواست‌های عضویت، پرداخت‌ها، تخصیص رایانش و ثبت‌نام‌ها تنها زمانی باز می‌شوند که تیم، شرایط و ظرفیت داوری آن‌ها فراهم باشد.
اسناد حقوقی.
نقشه‌ها، داده‌ها و ارقام این سایت برای زمینه و اطلاعات عمومی نشان داده می‌شوند. توصیه، پیش‌بینی یا هشدار نیستند؛ حدود این اطلاعات در سلب مسئولیت‌ها و اعلامیه‌های داده بیان شده است.