GCRI · कृत्रिम बुद्धिमत्ता और स्वायत्त प्रणालियाँ
AI साइबर सुरक्षा
AI and cybersecurity meet in three ways: AI प्रणालियाँ 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.
परस्पर निर्भर नेटवर्कों में एक शृंखला।
A संकट पदचिह्न हर परत में सह-स्थित परिसंपत्तियों को नष्ट कर देता है; फिर विखंडन, परतों के बीच निर्भरता और बचे हुओं का अधिभार विफलता फैलाते हैं। 3D दृश्य परतों को गहराई से अलग करता है। बताए गए उदाहरणात्मक मानों वाला शिक्षण मॉडल, पूर्वानुमान नहीं।
नियंत्रण
- प्रति परत परिसंपत्तियाँ
- 18
- संकट पदचिह्न
- क्षेत्रफल का 8%
- दूसरी परत पर निर्भर परिसंपत्तियाँ
- 60%
- अतिरिक्त क्षमता (सहनशीलता)
- 30%
पाठ्यांक
- संकट से प्रभावित परिसंपत्तियाँ
- 7%
- अब भी काम कर रही परिसंपत्तियाँ
- 50%
- प्रारंभिक क्षति का प्रवर्धन
- 6.8 times
- स्थिर होने के चरण
- 3
संख्याएँ, विधियाँ और स्रोत
| चरण | काम कर रहे डेटा केंद्र (%) | काम कर रहे नेटवर्क (%) | कार्यरत बिजली (%) |
|---|---|---|---|
| 0 | 83 | 94 | 100 |
| 1 | 72 | 78 | 94 |
| 2 | 61 | 67 | 50 |
| 3 | 61 | 67 | 22 |
पद्धतियाँ
- परस्पर निर्भर नेटवर्क Buldyrev और अन्य (2010), Catastrophic cascade of failures in interdependent networks, Nature 464
- अधिभार कैस्केड Motter and Lai (2002), Physical Review E 66
- मध्यवर्तिता भार Brandes (2001), Journal of Mathematical Sociology 25
- बहुस्तरीय नेटवर्क Kivela and others (2014), Journal of Complex Networks 2
- अवसंरचना परस्पर निर्भरताएँ Rinaldi, Peerenboom and Kelly (2001), IEEE Control Systems 21(6)
- अनिश्चितता पंखा (प्राचल मोंटे कार्लो) Spiegelhalter, Pearson and Short (2011), Visualising uncertainty about the future, Science 333
- एक-एक करके संवेदनशीलता (टॉरनेडो) Saltelli and others (2008), Global Sensitivity Analysis: The Primer, Wiley
डेटा
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:
- प्रमुख सड़कें Natural Earth
- रेलवे Natural Earth
- समुद्री बंदरगाह Natural Earth
- हवाई अड्डे Natural Earth
- शहरी विस्तार Natural Earth
- आज रात की रात्रि रोशनी, बिजली कटौती (VIIRS दिन/रात बैंड) NASA/NOAA VIIRS (Suomi NPP) · रजिस्टर nasa.gibs.context-live-layers
- प्राकृतिक घटनाएँ (NASA EONET) NASA EONET · रजिस्टर nasa.eonet.events
छह स्तंभों में, Nexus Consortium के नेतृत्व में
- प्रयोग लैब
- में निर्मित Foundry में कृत्रिम बुद्धिमत्ता और स्वायत्त प्रणालियाँ
- परीक्षण स्थल Universe में कृत्रिम बुद्धिमत्ता और स्वायत्त प्रणालियाँ
- में संहिताबद्ध Standards में डिजिटल, साइबर और AI
- में प्रकाशित Reports में कृत्रिम बुद्धिमत्ता और स्वायत्त प्रणालियाँ
- में पढ़ाया जाता है Academy में प्रौद्योगिकी और डिजिटल प्रणाली संकाय
AI changes cyber risk in every domain’s control systems.
Findings are designed for the चरघातांकी प्रौद्योगिकी शृंखला. 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.
मॉडल, उसकी मान्यताएँ, उसका डेटा और उसकी अनिश्चितता, उस रूप में जिसे कोई वैज्ञानिक या अभियंता जाँचेगा। संरचनाएँ प्रकाशित पद्धतियों का अनुसरण करती हैं। लिए गए मान उदाहरणात्मक हैं, निष्कर्ष नहीं।
प्रणाली मॉडल
The couplings between the systems in AI cyber security: signs of influence, a reinforcing and a balancing loop, and cross-links where stress jumps.
क्या मापा जाता है, और कितनी अच्छी तरह।
प्रत्येक संकेतक अपनी इकाई, आवृत्ति, उसके पीछे के स्रोत का प्रकार और वह साक्ष्य लेबल वहन करता है जो किसी मान पर होगा। कोई मान नहीं दिखाए जाते: कोई कार्यक्रम उन्हें अपने अधिकार के तहत प्रदान करता है।
| संकेतक | इकाई | लय | स्रोत प्रकार | लेबल |
|---|---|---|---|---|
| Vulnerabilities reported in AI frameworks and libraries | count of CVE entries | मासिक | Vulnerability databases | रिपोर्ट किया गया |
| Adversarial robustness | accuracy under a stated attack | per evaluation | Robustness testing | प्रेक्षित |
| Models with signed provenance | percent of deployed models | per inventory | Model registries | घोषित |
| AI-related security incidents | count by technique | वार्षिक | Incident reports | रिपोर्ट किया गया |
| Time to detect AI system compromise | hours | per incident | Incident response records | प्रेक्षित |
| Organisations with AI security policies | percent of surveyed organisations | per survey | Industry surveys | रिपोर्ट किया गया |
साक्ष्य कहाँ से आता है।
नामित सार्वजनिक डेटासेट और संस्थागत अभिलेख, प्रत्येक अपने लाइसेंस वर्ग के साथ। समझौते द्वारा प्राप्त स्रोतों का उपयोग केवल उनकी शर्तों के तहत होता है और कभी पुनः प्रकाशित नहीं किया जाता।
| स्रोत | यह क्या देता है | लाइसेंस वर्ग |
|---|---|---|
| MITRE ATLAS | Adversarial tactics and techniques against AI प्रणालियाँ, 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 |
कौन निर्णय लेता है, और साक्ष्य किसकी सेवा करता है।
कृत्रिम बुद्धिमत्ता और स्वायत्त प्रणालियाँ prepares evidence. The decisions below are taken by the authorities named, under their own rules, and never by the platform.
| निर्णय कौन लेता है | प्रश्न | यह पृष्ठ जिस साक्ष्य की सेवा करता है |
|---|---|---|
| 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 |
| डेवलपर | Which defences to build into models and applications | Robustness testing; attack taxonomies |
इस विषय से उत्पन्न आउटपुट
- 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 साइबर सुरक्षा और कूटलेखन and artificial intelligence and machine learning expertise. Red-teaming finds problems but cannot prove their absence.
- 02
ख़तरा मॉडलिंग
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.
इसका अध्ययन कैसे होता है, और पद्धतियाँ क्या नहीं बता सकतीं।
- 01साइबर सुरक्षा और क्रिप्टोग्राफ़ीAI अनुप्रयोगों का ख़तरा मॉडलिंग · मॉडल आपूर्ति शृंखला की अखंडता · इंजेक्शन रक्षा परीक्षणयहाँ लागू
- 02AI मूल्यांकन और आश्वासन अभियांत्रिकीAI प्रणालियों के लिए आश्वासन प्रकरण · संरचित रेड टीमिंग · परिनियोजन-पश्चात निगरानीयहाँ लागू
- 03कृत्रिम बुद्धिमत्ता और मशीन लर्निंगवितरण परिवर्तन विश्लेषण · किसी विशिष्ट उपयोग के लिए फ़ाइन-ट्यूनिंग · व्याख्येयता पद्धतियाँयहाँ लागू
- 04उच्च-प्रदर्शन, क्लाउड और एज कंप्यूटिंगसार्वजनिक अनुसंधान के लिए कंप्यूट पहुँच · कार्यभारों का ऊर्जा मापनयहाँ लागू
Where this page’s references lead.
वे निकाय और दस्तावेज़ जिनके विरुद्ध यह पृष्ठ पढ़ा जाता है। स्थिति और संस्करण बदलते हैं; हर लिंक जारी करने वाले निकाय तक जाता है।
प्रश्न और उत्तर।
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?
इस पृष्ठ से साक्ष्य का योगदान करें।
रिपोर्ट 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.
- ईमेलगेटवे GW-GCRIइसे इसी पृष्ठ से भेजेंसाक्ष्य, सुधार, मामला, पद्धति, समीक्षा, अनुवाद या प्रोफ़ाइल इनपुट। यह इस पृष्ठ के टैग के साथ पहुँचता है, ताकि इसे सँभालने वाले संपादक को मिल जाए।
- Zenodoखुला जमाइसे जमा करें और समुदाय को प्रस्तुत करेंअपने ORCID iD के साथ Zenodo पर अपना अभिलेख प्रकाशित करें, फिर वहाँ Reports समुदाय को प्रस्तुत करें। संरक्षक उसकी समीक्षा करते हैं; DOI आपका ही रहता है।
- रिपोर्टGCRIयोगदान के सभी तरीके देखेंयोगदान के प्रकार, प्रत्येक की समीक्षा कैसे होती है, आपको क्या श्रेय मिलता है, लाइसेंस और क्या कभी स्वीकार नहीं किया जाता।
व्यक्तिगत डेटा, संवेदनशील अवसंरचना का विवरण या ऐसी कोई भी सामग्री कभी न भेजें जिसे साझा करने का आपको अधिकार नहीं है। उपयोग से पहले योगदान की समीक्षा होती है; इसे भेजने से लेखकत्व या संपादकीय अधिकार नहीं मिलते, और प्रायोजन कभी किसी निष्कर्ष को नहीं खरीदता।
कोई विधि, डेटासेट या प्रश्न लाएँ।
जानकारी और पूछताछ आज से खुली हैं। हर पूछताछ को एक संदर्भ मिलता है और अगला कदम बताया जाता है; आवेदन, भुगतान, कंप्यूट आवंटन और पंजीकरण तभी खुलते हैं जब उनकी टीम, शर्तें और समीक्षा क्षमता मौजूद हों।
कानूनी दस्तावेज़।
इस साइट पर मानचित्र, डेटा और आँकड़े संदर्भ और सामान्य जानकारी के लिए दिखाए जाते हैं। वे सलाह, पूर्वानुमान या चेतावनियाँ नहीं हैं; जानकारी की सीमाएँ अस्वीकरण और डेटा सूचनाओं में बताई गई हैं।