← πίσω στην αρχική Γνώση Επισκόπηση θεμάτων

Ασφάλεια AI

Άρθρα για τους κινδύνους σε εφαρμογές LLM και pipelines AI. Κάθε θέμα εξηγείται σύντομα και οδηγεί στο αναλυτικό άρθρο.

Εφαρμογές LLM

Κίνδυνοι σε εφαρμογές με γλωσσικά μοντέλα 10 θέματα
  • ΓνώσηLLM01

    Prompt injection

    Κακόβουλες οδηγίες, είτε απευθείας είτε κρυμμένες σε έγγραφα, ιστοσελίδες και e-mails, μπορούν να κάνουν ένα μοντέλο να παρακάμψει τις αρχικές οδηγίες του και να ακολουθήσει εκείνες του επιτιθέμενου.

    Το άρθρο έρχεται σύντομα
  • ΓνώσηLLM02

    Sensitive information disclosure

    Ένα μοντέλο αποκαλύπτει εμπιστευτικά δεδομένα – από τα δεδομένα εκπαίδευσης, το πλαίσιο της συνομιλίας ή συνδεδεμένα συστήματα.

    Το άρθρο έρχεται σύντομα
  • ΓνώσηLLM03

    Excessive agency

    Ένας agent μπορεί να κάνει περισσότερα απ’ όσα χρειάζεται: πάρα πολλά εργαλεία, υπερβολικά δικαιώματα, ανεπαρκής ανθρώπινη έγκριση.

    Το άρθρο έρχεται σύντομα
  • ΓνώσηLLM04

    Supply chain

    Κίνδυνοι που εισάγονται σε μια εφαρμογή μέσω μοντέλων, datasets, plugins και βιβλιοθηκών τρίτων.

    Το άρθρο έρχεται σύντομα
  • ΓνώσηLLM05

    Data and model poisoning

    Παραποιημένα δεδομένα εκπαίδευσης, fine-tuning ή embeddings αλλάζουν σκόπιμα τη συμπεριφορά ενός μοντέλου.

    Το άρθρο έρχεται σύντομα
  • ΓνώσηLLM06

    Unbounded consumption

    Ανεξέλεγκτα αιτήματα αυξάνουν το κόστος και τον φόρτο ή επιτρέπουν τη συστηματική «αντιγραφή» ενός μοντέλου.

    Το άρθρο έρχεται σύντομα
  • ΓνώσηLLM07

    Misinformation

    Πειστικά διατυπωμένες αλλά λανθασμένες απαντήσεις, στις οποίες βασίζονται άνθρωποι ή άλλα συστήματα.

    Το άρθρο έρχεται σύντομα
  • ΓνώσηLLM08

    Hidden context exposure

    Εσωτερικές οδηγίες και πληροφορίες του πλαισίου λειτουργίας, όπως τα system prompts, εκτίθενται και αποκαλύπτουν λογική, κανόνες ή μυστικά.

    Το άρθρο έρχεται σύντομα
  • ΓνώσηLLM09

    Vector and embedding weaknesses

    Αδυναμίες σε συστήματα RAG: ανεπαρκής διαχωρισμός δικαιωμάτων πρόσβασης, παραποίηση ή διαρροή διανυσματικών δεδομένων.

    Το άρθρο έρχεται σύντομα
  • ΓνώσηLLM10

    Improper output handling

    Οι αποκρίσεις του μοντέλου χρησιμοποιούνται χωρίς έλεγχο ως HTML, SQL ή εντολές shell, δημιουργώντας γνωστές ευπάθειες.

    Το άρθρο έρχεται σύντομα

Pipelines AI

Από τα δεδομένα μέχρι το inference endpoint 5 θέματα
  • ΓνώσηPIPE·01

    Δεδομένα & RAG ingestion

    Όποιος μπορεί να εισαγάγει δεδομένα εκπαίδευσης, fine-tuning ή retrieval μπορεί να επηρεάσει τη συμπεριφορά του συστήματος.

    Το άρθρο έρχεται σύντομα
  • ΓνώσηPIPE·02

    Εφοδιαστική αλυσίδα μοντέλων

    Προέλευση και ακεραιότητα μοντέλων, βαρών και εξαρτήσεων – συμπεριλαμβανομένων των registries και των μη ασφαλών μορφών αρχείων.

    Το άρθρο έρχεται σύντομα
  • ΓνώσηPIPE·03

    Agents & πρόσβαση σε εργαλεία

    MCP servers, δικαιώματα εργαλείων και αυτοματοποίηση καθορίζουν τι μπορεί πραγματικά να κάνει ένας χειραγωγημένος agent.

    Το άρθρο έρχεται σύντομα
  • ΓνώσηPIPE·04

    Υποδομή inference

    Οι model servers και τα APIs είναι υπηρεσίες όπως όλες οι άλλες: εκτεθειμένες, συχνά με αδύναμη απομόνωση, σπάνια με όρια πόρων.

    Το άρθρο έρχεται σύντομα
  • ΓνώσηPIPE·05

    Secrets & κλειδιά

    API keys παρόχων μοντέλων και διαπιστευτήρια καταλήγουν εύκολα σε prompts, logs και μεταβλητές pipeline.

    Το άρθρο έρχεται σύντομα

Πηγή των κατηγοριών LLM: OWASP Top 10 for LLM Applications 2026