随着OpenAI、Anthropic、Google和微软等公司的生成式AI及大语言模型(LLM)用户量呈指数级增长，企业IT安全决策者正努力跟上AI技术的快速发展步伐。非营利组织OWASP最新发布的《LLM AI网络安全与治理清单》(PDF)正是为此而生。
LLM威胁分类体系
鉴于AI领域涉及面广泛，OWASP清单主要帮助管理者快速识别生成式AI和大语言模型的关键风险并采取补救措施，确保企业具备基本安全控制能力来安全使用相关工具和服务。OWASP强调该清单将随技术成熟度持续更新，其专家团队将LLM威胁划分为以下类别：
制定LLM战略时，企业需重点应对生成式AI带来的独特风险，通过组织治理和安全控制加以缓解。OWASP建议采用六步法构建有效的LLM部署策略：
针对不同类型的LLM部署方案，OWASP也提供了详细考量框架：
OWASP AI安全清单详解
(1) 对抗性风险
涵盖竞争对手和攻击者双重维度，包括分析竞对如何运用AI提升业务表现，以及更新事件响应计划等内部流程以防范AI相关安全事件。
(2) 威胁建模
基于"安全设计"原则，需考虑攻击者如何利用LLM加速漏洞利用、企业如何检测恶意AI行为，以及如何实施系统防护措施。
(3) AI资产清点
遵循"未知即不可保护"原则，需全面记录自研解决方案和第三方工具，明确责任归属。建议将AI组件纳入软件物料清单(SBOM)，按敏感度分类数据源，并建立工具准入退出机制。
(4) AI安全与隐私培训
通过系统化培训使员工理解AI/LLM技术原理与安全挑战，培育信任透明的组织文化，从根本上杜绝"影子AI"现象。
(5) 商业价值论证
避免跟风炒作，需建立清晰的AI商业用例，如同当年云计算推广时的战略规划。
(6) 治理框架
通过RACI矩阵明确AI项目权责，制定企业级政策和流程，实现可问责的管理体系。
(7) 法律合规
需法律团队介入评估产品担保条款、最终用户许可协议(EULA)和知识产权风险等关键法律议题。
(8) 监管应对
密切关注欧盟《人工智能法案》等新兴法规，识别适用的合规要求。
(9) LLM方案实施
具体控制措施包括：实施访问控制、保护训练管道、映射数据流、识别LLM及供应链漏洞，建议定期进行第三方审计、渗透测试和代码审查。
(10) 测试评估验证(TEVV)
参照NIST AI框架建议，持续开展功能测试、安全验证及可靠性评估，覆盖AI模型全生命周期。
(11) 模型与风险卡片
通过标准化文档披露模型架构、训练方法和性能指标，提升系统透明度，主动应对偏见、隐私等伦理问题。
(12) 检索增强生成(RAG)
通过优化预训练模型和增量训练，提升LLM在特定数据源的检索能力，最大化企业应用价值。
(13) AI红队演练
通过模拟攻击检验防御体系有效性，但需明确演练边界要求，避免引发合规风险。
