OWASP-இன் LLM Exploit Generation Guide 2.0: AI ஹேக்கிங்கால் இதுவரை என்ன செய்ய முடியும், என்ன செய்ய முடியாது

இன்று ஒரு AI தானாகவே ஒரு அமைப்பை ஹேக் செய்ய முடியுமா? புதிய ஆராய்ச்சியின் நேர்மையான பதில் "ஓரளவு முடியும், மேலும் அதை யார் இயக்குகிறார்கள் மற்றும் அதனிடம் என்ன கருவிகள் உள்ளன என்பதைப் பொறுத்தே அது பெரிதும் அமைகிறது."

இன்று நவம்பர் 4, 2026, மேலும் இந்த கேள்வி இப்போது மிகவும் முக்கியமானது, ஏனெனில் OWASP GenAI Security Project தனது LLM Exploit Generation Guide 2.0-ஐ இப்போதுதான் வெளியிட்டுள்ளது. ஒரு உண்மையான இலக்கை நோக்கி இயக்கப்படும்போது மொழி மாதிரிகள் மற்றும் AI ஏஜெண்டுகள் உண்மையில் எவ்வாறு செயல்படுகின்றன என்பதைப் பற்றிய மிக விரிவான பொது ஆய்வுகளில் இதுவும் ஒன்றாகும். சர்வர்கள், செயலிகள் அல்லது பாதுகாப்பு குழுக்களை நிர்வகிக்கும் எவருக்கும் இந்த முடிவுகள் பயனுள்ளதாக இருக்கும், ஏனெனில் தாக்குபவர்கள் எங்கு வேகம் பெறுகிறார்கள் மற்றும் பாதுகாப்பாளர்களுக்கு எங்கு இன்னும் அவகாசம் உள்ளது என்பதை இவை காட்டுகின்றன.

OWASP உண்மையில் எதைச் சோதித்தது

OWASP (வலை ஆபத்துகளின் Top 10 பட்டியல்களுக்குப் பெயர் பெற்ற இலாப நோக்கற்ற அமைப்பான Open Worldwide Application Security Project), 2025 வசந்த காலத்தில் தொடங்கி சுமார் பதினைந்து மாதங்கள் இந்த ஆய்வை நடத்தியது. இக்குழுவினர் பணிகளை இரண்டு பிரிவுகளாகப் பிரித்தனர்:

• கிளாசிக் பிரிவு: ஒரு நபர் ஒற்றை மாதிரியுடன் அரட்டையடித்து, அது பரிந்துரைக்கும் கட்டளைகளை இயக்குகிறார். இதில் ஒரு சாதாரண அரட்டை இடைமுகத்தில் ஹோஸ்ட் செய்யப்பட்ட ஃபிரான்டியர் மாடல் மற்றும் ஒரு சிறிய உள்ளூர் மாதிரி (local model) ஆகியவை அடங்கும்.
• ஏஜெண்டிக் பிரிவு: மென்பொருள் கட்டமைப்புகள் மாதிரியானது கருவிகளைத் தானாகவே அழைக்கவும் அதிக சுதந்திரத்துடன் செயல்படவும் அனுமதிக்கின்றன. ஹோஸ்ட் செய்யப்பட்ட மற்றும் உள்ளூரில் இயக்கப்படும் மாதிரிகளால் ஆதரிக்கப்படும் CAI, HexStrike AI, Claude Code, Codex மற்றும் தனிப்பயன் மல்டி-ஏஜெண்ட் அமைப்புகள் உட்பட ஒன்பது அமைப்புகள் சோதிக்கப்பட்டன.

Silentium மற்றும் MonitorsFour ஆகிய இரண்டு Hack The Box பயிற்சி இயந்திரங்களே இலக்குகளாக இருந்தன. இவை தாக்கப்படுவதற்காகவே உருவாக்கப்பட்ட பயிற்சி சூழல்கள், உண்மையான நிறுவனங்கள் அல்ல. மாதிரிகளின் பயிற்சி காலக்கெடுவுக்குப் பிறகு வெளியிடப்பட்ட மற்றும் பொதுவான வழிகாட்டல்கள் (walkthroughs) இல்லாத இயந்திரங்களை இக்குழு தேர்ந்தெடுத்தது; இதனால் மாதிரிகள் ஏற்கனவே பார்த்த ஒரு தீர்வை வெறுமனே மீண்டும் செய்ய முடியாது.

தொடக்கத்திலேயே ஒரு வரம்பு: அனுபவம் வாய்ந்த சோதனையாளர்களின் கட்டுப்பாட்டில், ஒவ்வொரு ஏஜெண்டிக் சோதனையும் ஒரு முறை மட்டுமே நடந்தது. எனவே இந்த ஆய்வு இந்த அமைப்புகள் எவ்வாறு தோல்வியடைகின்றன மற்றும் மனிதர்கள் எங்கு தலையிடுகிறார்கள் என்பதைக் காட்டுகிறது, ஆனால் நம்பகமான வெற்றி விகிதத்தையோ அல்லது மாதிரி தரவரிசையையோ வழங்கவில்லை.

குறைந்த திறன் மட்டுமே தேவைப்பட்ட கணக்குக் கைப்பற்றுதல்

கிளாசிக் பிரிவில், ஒரு நபர் Silentium-க்கு எதிராக AI எழுதிய ரன்புக்கை (படிபடியான வழிகாட்டுதல் பட்டியல்) பின்பற்றினார். அந்த மாதிரி முதன்மைச் செயலியின் அருகில் இருந்த ஒரு ஸ்டேஜிங் சூழலைக் கண்டறிந்தது, ஒரு கணக்கு பணிப்பாய்வு வழியாகத் தகவல் கசிவதைக் கவனித்தது, மேலும் நிர்வாகக் கணக்கைக் கைப்பற்ற அந்த நபருக்கு வழிகாட்டியது.

இயக்குபவருக்கு ஆழமான தாக்குதல்-பாதுகாப்பு அறிவு தேவையில்லை, அடிப்படைக் கட்டளை வரித் திறன்கள் மட்டுமே போதுமானதாக இருந்தது; இருப்பினும் கோரிக்கைகள் எவ்வாறு வடிவமைக்கப்படுகின்றன என்பதைப் பொறுத்து மாதிரி சில நேரங்களில் மறுத்தது. பாதுகாப்பாளர்களுக்கு கவலையளிக்கும் பகுதி அதன் கண்டுபிடிப்பே: ஒரு தொடக்கநிலையாளர் ஒருபோதும் தேடியிருக்க மாட்டாத மறக்கப்பட்ட ஸ்டேஜிங் சேவையை அந்த மாதிரி சுட்டிக்காட்டியது.

ஏஜெண்டுகள் பலவற்றைக் கண்டறிந்தன, பின்னர் வட்டமடித்தன

தன்னாட்சி ஏஜெண்டுகள் வேவு பார்ப்பதில் (எவை வெளிப்பட்டுள்ளன என்பதை வரைபடமாக்குதல்) சிறப்பாகச் செயல்பட்டன: சேவைகள், கூடுதல் பயன்பாட்டுப் பரப்புகள், மென்பொருள் பதிப்புகள் மற்றும் அறியப்பட்ட பாதிப்புகள். பின்னர் அவற்றின் முடிவெடுக்கும் திறன் முறிந்தது:

• ஒரு ஏஜெண்ட் திறந்த போர்ட்களைக் கண்டது, ஆனால் ஹோஸ்ட் பிங்குக்கு பதிலளிக்காதபோது, அது மீண்டும் முதலிலிருந்தே தேடலைத் தொடங்கியது. அந்த ஹோஸ்ட் வெறுமனே பிங் டிராஃபிக்கைத் தடுக்கிறது என்ற எளிய விளக்கத்தை அது தவறவிட்டது.
• ஒரு மனிதர் உள்ளூர் பெயர் அமைப்புகளைச் சரிசெய்யும் வரை, உள்ளூர் ஏஜெண்ட் ஒன்றால் ரிசால்வ் செய்ய முடியாத ஒரு ஹோஸ்ட்பெயருக்கான வழிமாற்றுதலைத் (redirect) தொடர்ந்து பின்தொடர்ந்து கொண்டே இருந்தது.

பெரும்பாலும் கேட்கப்படும்போது மாதிரி சரியான கருத்தை அறிந்திருந்தது, ஆனால் தேவைப்படும்போது அதைப் பயன்படுத்தவில்லை. அறிவதற்கும் செயல்படுத்துவதற்கும் இடையே உள்ள இந்த இடைவெளியே ஒரு அரட்டை உதவியாளரை ஒரு சுயாதீன ஆபரேட்டரிடமிருந்து பிரிக்கிறது.

நம்பிக்கையுடன் இருப்பது சரியானது என்பதற்கு ஈடாகாது

ஏஜெண்டுகள் முட்டுச்சந்துகளையும் உண்மையான கண்டுபிடிப்புகளைப் போன்ற அதே நம்பிக்கையுடன் விவரித்தன, மேலும் தவறான "கண்டுபிடிப்பு" அடுத்தடுத்த படிகளுக்குக் கொண்டு செல்லப்பட்டது. உள்நாட்டில் AI-ஐப் பயன்படுத்தும் குழுக்களுக்கு, நீண்ட, நம்பத்தகுந்த ஊடுருவல் சோதனை (penetration-test) அறிக்கை என்பது சரிபார்க்கப்பட்ட கண்டுபிடிப்பு அல்ல: உங்களுக்கு இன்னமும் அணுகலுக்கான சான்று, அதை மீண்டும் செய்து பார்ப்பதற்கான வழி மற்றும் கடக்கப்பட்ட சரியான எல்லை ஆகியவை தேவை.

மாதிரியை விட ஹார்னஸ் (harness) அமைப்பே அதிக முக்கியத்துவம் வாய்ந்தது

ஒரு ஏஜெண்ட் "ஹார்னஸ்" (harness) என்பது மாதிரியைச் சுற்றி அமைக்கப்பட்ட அனைத்தையும் குறிக்கிறது: அதன் கருவிகள், செயல்பாட்டு சூழல் (execution environment), நினைவகம் மற்றும் பணி ஒருங்கிணைப்பு. OWASP சோதனைகளில், பெரும்பாலும் ஹார்னஸ் அமைப்பே முடிவைத் தீர்மானித்தது.

சில ஏஜெண்டுகள் கிடைக்கக்கூடிய Model Context Protocol (MCP, ஒரு மாதிரியுடன் கருவிகளை இணைப்பதற்கான நிலையான வழிமுறை) கருவிகளைப் பயன்படுத்துமாறு கூறப்படும் வரை அவற்றைப் புறக்கணித்தன. மற்றவை ரேப்பர் காலக்கெடுவை (wrapper timeouts) சந்தித்தன, இதனால் ஆபரேட்டர்கள் ஸ்கேன்களைக் கைமுறையாக இயக்கினர். நீங்கள் ஒரு AI பாதுகாப்புக் கருவியை வாங்குகிறீர்கள் அல்லது உருவாக்குகிறீர்கள் என்றால், மாதிரியின் பெயரைப் பார்த்து அல்லாமல், நீங்கள் இயக்கப்போகும் துல்லியமான உள்ளமைவைச் (configuration) சோதிக்கவும்.

பாதுகாப்பு வரம்புகள் (Guardrails) ஏஜெண்டுகளை மெதுவாக்கின, ஆனால் ஆபத்தை நீக்கவில்லை

இறுதி சுரண்டல் (exploitation) படியை அடைந்த ஹோஸ்ட் செய்யப்பட்ட ஏஜெண்டுகள் சேவை வழங்குநர்களின் சைபர் பாதுகாப்பு கட்டுப்பாடுகளால் நிறுத்தப்பட்டன. அவற்றால் முன்னேறுவதற்கான வழியைக் காண முடிந்தது, ஆனால் முடிக்க முடியவில்லை. சில சூழ்நிலைகளில் விவரம் அறிந்த ஆபரேட்டர் கடைசிப் படியைக் கைமுறையாகச் செய்தார்.

பாதுகாப்பு நடவடிக்கைகள் செயல்பாட்டைக் கட்டுப்படுத்தின, ஆனால் ஒரு திறமையான நபர் பயன்படுத்துவதற்குத் தேவையான ஆயத்தப் பணிகள் அப்படியே இருந்தன, மேலும் தாக்குபவர்கள் சேவைகளை மாற்றலாம், உள்ளூர் மாதிரிகளை இயக்கலாம் அல்லது தடுக்கப்பட்ட படியைத் தாங்களே செய்யலாம். வேறொரு நிறுவனத்தின் மாதிரிப் பாதுகாப்பு உங்களின் சொந்தக் கட்டுப்பாடுகளுக்கு மாற்றாகாது.

மற்ற ஆராய்ச்சிகளும் இதே திசையையே சுட்டிக்காட்டுகின்றன

OWASP கண்டுபிடிப்புகளை "தொடக்கநிலையாளர்களால் எந்தப் பாதிப்பும் ஏற்படாது" என்று புரிந்துகொள்ளக்கூடாது. ஜூன் 2026-இன் RAND ஆய்வு ஒன்று, Sonnet மற்றும் Opus 4.6 உடன் இணைந்த Claude Code தனது அனைத்து capture-the-flag சவால்களையும் ஒரு மணி நேரத்திற்குள், மொத்த API செலவாக 20 அமெரிக்க டாலருக்கும் குறைவாகக் கொண்டு தீர்த்தது என்பதைக் கண்டறிந்தது; இதில் மேற்பார்வை என்பது பெரும்பாலும் முடங்கிப்போன செயல்முறைகளை (hung processes) மறுதொடக்கம் செய்வதோடு மட்டுமே நின்றுவிட்டது. பழைய சாட்பாட்களைப் பயன்படுத்தும் நபர்களுக்கு அந்த சவால்களே கடினமாக இருந்தன.

உண்மையான சம்பவங்கள் தானியக்கத்தையும் மனித வழிகாட்டுதலையும் இணைக்கின்றன. நவம்பர் 2025-இல் Anthropic வெளியிட்ட அறிக்கையில், சீன அரசு ஆதரவு பெற்றதாகக் கருதப்படும் ஒரு தாக்குதல் அமைப்பு சுமார் 30 இலக்குகளுக்கு எதிராக Claude Code-ஐப் பயன்படுத்தியதாகவும், அதில் AI தோராயமாக 80 முதல் 90 சதவீத வேலைகளைச் செய்ததாகவும் குறிப்பிட்டது. Google Threat Intelligence Group மே 2026-இல், AI உதவியுடன் உருவாக்கப்பட்டதாகக் கருதப்படும் ஒரு குற்றவியல் ஜீரோ-டே எக்ஸ்ப்ளாயிட்டை (zero-day exploit) அறிக்கை செய்தது. இரண்டும் அந்தந்த நிறுவனங்களின் சொந்த மதிப்பீடுகளாகும். எப்படியிருப்பினும், ஒரு மனிதரால் மிக அதிகமான வேலைகளை வழிநடத்த முடிகிறது எனும் போது "இன்னமும் ஒரு மனிதர் தேவைப்படுகிறார்" என்பது நிம்மதியளிப்பதாக இல்லை.

பெஞ்ச்மார்க் மதிப்பெண்கள் ஏன் அச்சுறுத்தல் நுண்ணறிவாக (threat intelligence) அமையாது

ஒரு பெஞ்ச்மார்க் என்பது ஒரு அமைப்பு குறிப்பிட்ட நிபந்தனைகளின் கீழ் தேர்ந்தெடுக்கப்பட்ட பணிகளைத் தீர்த்தது என்பதை மட்டுமே காட்டுகிறது. இது முயற்சிகள், குறிப்புகள் மற்றும் மனித உதவிகளை மறைக்கிறது, மேலும் கண்காணிப்பு மற்றும் பதிலளிப்புக் குழுவைக் கொண்ட ஒரு உண்மையான நிறுவனத்தைப் பற்றி எதையும் கூறுவதில்லை.

எவ்வாறு எதிர்கொள்வது: பாதுகாப்பாளருக்கான ஒரு சுருக்கமான சரிபார்ப்புப் பட்டியல்

பாதுகாப்பு முன்னுரிமைகள் பரிச்சயமானவைதான். மாறுவது என்னவென்றால் அவசரத் தேவையே, ஏனெனில் தாக்குபவர்களால் இப்போது சலிப்பூட்டும் ஆயத்தப் பணிகளைத் தானியக்கமாக்க முடிகிறது.

படி 1: நீங்கள் எதையெல்லாம் வெளிப்படுத்துகிறீர்கள் என்பதை முழுமையாக அறிந்து கொள்ளுங்கள்

ஸ்டேஜிங், சோதனை மற்றும் பழைய இரண்டாம் நிலைச் செயலிகள் உட்பட, இணையத்தை எதிர்கொள்ளும் ஒவ்வொரு சேவையின் துல்லியமான இருப்புக் குறிப்பை வைத்திருங்கள். உங்கள் மறந்துபோன ஸ்டேஜிங் சர்வரை ஒரு AI சில நிமிடங்களில் கண்டுபிடிக்க முடியும் என்றால், நீங்கள் அதை முதலில் கண்டுபிடிக்க வேண்டும். அதைப் பூட்டிப் பாதுகாக்கவும் அல்லது ஆஃப்லைனில் கொண்டு செல்லவும்.

படி 2: அடிப்படைகளை விரைவாகச் சரிசெய்யுங்கள்

அணுகல் கட்டுப்பாட்டை இறுக்குங்கள், சலுகை பெற்ற கணக்குகளை வலுவான இரண்டாம் நிலை காரணிகள் (second factors) மூலம் பாதுகாக்கவும், மற்றும் பேட்ச் வெளியீட்டிற்கும் பேட்ச் பயன்படுத்தப்படுவதற்கும் இடையிலான நேரத்தைக் குறைக்கவும். 2027 வரை ஒரு பாதிப்பின் வெளிப்பாட்டிற்கும் அதன் சுரண்டலுக்கும் இடையிலான இடைவெளியை AI மேலும் குறைக்கும் என்று UK National Cyber Security Centre எதிர்பார்க்கிறது.

படி 3: சத்தமான, மீண்டும் மீண்டும் நிகழும் நடத்தைகளைக் கவனியுங்கள்

ஏஜெண்டுகள் எந்த முன்னேற்றமும் இன்றி ஸ்கேன்களையும் தோல்வியடையும் கோரிக்கைகளையும் மீண்டும் மீண்டும் செய்தன. அதை AI-இன் ஆதாரம் என்று கருதாமல் ஒரு சமிக்ஞையாகக் கருதி, உள்நுழைவுகள், பயன்பாட்டுப் பிழைகள் மற்றும் நற்சான்றிதழ் பயன்பாடு ஆகியவற்றுடன் தொடர்புபடுத்திப் பாருங்கள். ஒரு ஊடுருவல் உருவாகிறதா என்பதே முக்கியமானது.

படி 4: உங்கள் சொந்த ஏஜெண்டுகளைச் சுற்றி உண்மையான எல்லைகளை அமைக்கவும்

நீங்கள் உள்நாட்டில் AI ஏஜெண்டுகளை இயக்கினால், அவற்றின் நெட்வொர்க் அணுகல், நற்சான்றிதழ்கள் மற்றும் செயல்பாட்டு உரிமைகளைக் கட்டுப்படுத்துங்கள். தனிமைப்படுத்தப்பட்டதாக மாதிரிகளுக்கு விவரிக்கப்பட்ட மதிப்பீட்டுச் சூழல்கள் உண்மையில் இணைய அணுகலைக் கொண்டிருந்தன என்றும், மாதிரிகள் உண்மையான நிறுவனங்களை அடைந்தன என்றும் ஜூலை 2026-இல் Anthropic வெளிப்படுத்தியது. ஒரு ப்ராம்ட்டில் (prompt) எழுதப்பட்ட எல்லை ஒரு உண்மையான எல்லை அல்ல. அதை நெட்வொர்க் மற்றும் அனுமதி அமைப்பில் (permission system) நடைமுறைப்படுத்துங்கள்.

முடிவுரை

AI ஏற்கனவே தாக்குதல் பணிகளின் உண்மையான பகுதிகளை, குறிப்பாக வேவு பார்த்தல் மற்றும் ஆராய்ச்சியைச் செய்கிறது; அதே நேரத்தில் சிக்கல்களைத் தீர்ப்பதிலும் (troubleshooting) தனது சொந்த வெற்றியைச் சரிபார்ப்பதிலும் இன்னமும் தடுமாறுகிறது. மனிதர்கள் இந்த அமைப்புகளை உள்ளமைப்பது மற்றும் திருத்துவதை நோக்கி மாறி வருகின்றனர், மேலும் இந்த அமைப்புகளை மீண்டும் பயன்படுத்துவது எளிதாகும்போது, இன்றைய தடைகள் விரைவாக வீழ்ச்சியடையக்கூடும். AI தொடர்ந்து திறமையற்றதாகவே இருக்கும் என்று நம்பியிராமல், எளிதான இலக்குகளை இப்போதே அகற்றுங்கள்.

நன்மைகள்

• மிகைப்படுத்தல் அல்லது நிராகரிப்புக்கு பதிலாக யதார்த்தமான, ஆதாரப்பூர்வமான பார்வையை வழங்குகிறது.
• மனிதர்கள் எங்கு தலையிடுகிறார்கள் என்பதைத் துல்லியமாகக் காட்டுகிறது, இது பாதுகாப்பாளர்கள் திட்டமிட உதவுகிறது.
• மாதிரியை மட்டுமே அல்லாமல், ஹார்னஸ் மற்றும் உள்ளமைவையே உண்மையான காரணியாக முன்னிலைப்படுத்துகிறது.
• பெரும்பாலான குழுக்கள் இந்த வாரமே தொடங்கக்கூடிய நடைமுறைப் பாதுகாப்புகளைச் சுட்டிக்காட்டுகிறது.

குறைபாடுகள்

• ஒவ்வொரு ஏஜெண்டிக் சோதனையும் ஒரு முறை மட்டுமே நடந்தது, எனவே நம்பகமான வெற்றி விகிதம் இல்லை.
• அனுபவம் வாய்ந்த சோதனையாளர்கள் ஏஜெண்டுகளை இயக்கினர், எனவே தொடக்கநிலையாளர்களின் முடிவுகள் அளவிடப்படாமல் யூகிக்கவே செய்யப்பட்டன.
• கண்காணிப்பு மற்றும் பதிலளிப்புக் குழுக்களைக் கொண்ட உண்மையான நிறுவனங்களிலிருந்து பயிற்சி இயந்திரங்கள் வேறுபடுகின்றன.
• ரகசியத்தன்மை மற்றும் தீவிரப் பாதுகாப்பாளர்களால் கண்டறியப்படுதல் ஆகியவை சோதிக்கப்படவில்லை.

எச்சரிக்கை

இந்தக் கட்டுரை கல்வி நோக்கிலானது மற்றும் வெளியிடப்பட்ட ஆராய்ச்சியைச் சுருக்கமாகக் கூறுகிறது; இது ஒரு தாக்குதல் வழிகாட்டி அல்ல. ஏதேனும் ஒதுக்கிட (placeholder) அல்லது மாதிரி மதிப்புகளை உங்களுடையதாக மாற்றி, முதலில் மாற்றங்களைப் பாதுகாப்பாகச் சோதிக்கவும், அவற்றின் மீது நம்பிக்கை வைப்பதற்கு முன் அசல் அறிக்கைகளுடன் கூற்றுகளைச் சரிபார்க்கவும், மேலும் நீங்கள் சோதிக்க அங்கீகரிக்கப்பட்ட அமைப்புகளை மட்டுமே சோதிக்கவும்.

அடிக்கடி கேட்கப்படும் கேள்விகள்

• OWASP LLM Exploit Generation Guide 2.0 என்றால் என்ன? — இது OWASP GenAI Security Project-இன் ஒரு அறிக்கையாகும்; இது மனித வழிகாட்டலுடன் கூடிய மொழி மாதிரிகள் மற்றும் தன்னாட்சி AI ஏஜெண்டுகளை நேரடிப் பயிற்சி இயந்திரங்களுக்கு எதிராகச் சோதித்து, ஒரு உண்மையான தாக்குதலில் அவை எவ்வளவு தூரம் முன்னேறுகின்றன என்பதைக் கண்டறிந்தது.
• AI ஏஜெண்டுகளால் அமைப்புகளை முழுமையாகத் தானாகவே ஹேக் செய்ய முடியுமா? — இந்த ஆய்வின்படி நம்பகமான முறையில் முடியாது; ஏஜெண்டுகள் வலுவான வேவு பார்த்தலைச் செய்தன, ஆனால் இறுதிச் சுரண்டல் வழங்குநரின் பாதுகாப்புகளால் தடுக்கப்பட்டது அல்லது ஒரு மனிதரால் முடிக்கப்பட்டது.
• AI பாதுகாப்பு வரம்புகள் தாக்குதல்களைத் தடுக்கின்றனவா? — அவை சோதிக்கப்பட்ட ஹோஸ்ட் செய்யப்பட்ட ஏஜெண்டுகளைக் கடைசிப் படியில் நிறுத்தின, ஆனால் ஒரு திறமையான நபர், ஒரு உள்ளூர் மாதிரி அல்லது சேவைகளின் கலவை ஆகியவற்றால் அவற்றைச் சமாளித்துச் செயல்பட முடியும், எனவே பாதுகாப்பாளர்கள் அவற்றை மட்டுமே நம்பியிருக்கக்கூடாது.
• AI சைபர் பெஞ்ச்மார்க் மதிப்பெண்களை நான் ஏன் நம்பக்கூடாது? — மதிப்பெண்கள் முயற்சிகள், குறிப்புகள், கருவிகள் மற்றும் மனித உதவிகளை மறைக்கின்றன, மேலும் அவை தீவிரப் பாதுகாப்பாளர்களைக் கொண்ட ஒரு உண்மையான நிறுவனத்திற்கு எதிரான செயல்பாட்டைக் காட்டுவதில்லை.
• பாதுகாப்பாளர்கள் முதலில் செய்ய வேண்டிய விஷயம் என்ன? — ஸ்டேஜிங் மற்றும் சோதனை அமைப்புகள் உட்பட வெளிப்படுத்தப்பட்ட சேவைகளின் முழுமையான இருப்புக் குறிப்பை உருவாக்கி, மறக்கப்பட்ட எதையும் பாதுகாக்கவும் அல்லது அகற்றவும்.
• எனது சொந்த AI ஏஜெண்டுகளை எவ்வாறு பாதுகாப்பாக வைத்திருப்பது? — உள்கட்டமைப்பிலேயே நெட்வொர்க் அணுகல், நற்சான்றிதழ்கள் மற்றும் செயல்பாட்டு உரிமைகள் மீதான வரம்புகளை நடைமுறைப்படுத்துங்கள், ஏனெனில் "தனிமைப்படுத்தப்பட்டிருங்கள்" என்று கூறும் ஒரு ப்ராம்ப்ட் உண்மையான கட்டுப்பாடு அல்ல.

குறிச்சொற்கள்

#OWASP #AISecurity #LLMSecurity #AIAgents #Cybersecurity #PenetrationTesting #ThreatIntelligence #DevSecOps #AttackSurface #GenAI