本篇博文是AI数据交付系列的第7篇，也是最后一篇。
保护AI数据管道安全势在必行，这一点毋庸置疑。但如何将安全防护做到位，却远没有那么明确，也更具挑战性。
必须保护AI管道免受安全漏洞、违反监管要求和长期密码学威胁的影响。同时，保护措施不能过于僵化、昂贵或耗费算力，以免影响性能或阻碍创新。导致吞吐量大幅下降或基础设施成本攀升的安全措施，最终会像防护不足一样，给业务带来失败。
在实践中，AI数据管道安全必须做到精细权衡。这需要在保护与性能、当前风险与未来未知因素，以及监管确定性与监管变化之间取得微妙平衡。
作为AI数据交付系列的收官篇，本文将探讨组织如何设计稳健、灵活且具有韧性的安全策略，同时不减缓AI创新步伐。
AI数据管道为何会改变安全格局
AI数据管道与传统应用工作流存在根本差异。它们将海量敏感数据（包括客户记录、专有内容和知识产权）集中到统一的训练、微调和检索工作流中。这些数据集并非临时存在，通常会保留数年，并在收集后很长时间内持续影响模型。
与此同时，AI管道本质上是分布式的。数据会跨混合云和多云环境、不同区域和司法管辖区，以及承担不同运营职责的团队流动。规模、长期持续性和复杂性叠加，使风险进一步加剧。AI管道中的安全故障不仅会暴露单笔交易，还可能在未来数年内危及模型、数据集和竞争优势。
纵深防御：切实可行的模式
任何单一控制措施都无法独立保障AI数据管道的安全。仅靠加密并不足够，仅靠网络隔离也不充分，仅靠访问控制同样不够。AI管道需要采用纵深防御方法，通过多层保护协同降低风险并限制影响范围。
纵深防御将安全责任分散到整个架构中，而不是让任何单一系统承担全部负担。组织可以在控制措施最有效的位置加以部署，根据不同环境调整防护措施，并在增强整体安全态势的同时保持性能。
最重要的是，它能够增强韧性，使管道在发生故障、遭受攻击或策略变更时仍能保持运行。
监管压力和数据主权要求使风险进一步加剧
AI数据管道同样受现有隐私和数据保护制度的约束。如今，数据所有权、处理和驻留相关法规与AI的交集比传统工作负载更复杂，影响也更为深远。训练和微调数据集规模更大、异构程度更高，也更有可能跨越多个监管领域，从而扩大合规范围并增加风险。
尤其是，数据主权已不再只是理论层面的考量，而是实际运营要求。组织必须能够控制并证明AI数据的存储和处理位置、责任归属，以及相关选择如何符合地区法规。
随着监管框架不断演变，且不同地区的演变往往并不均衡，AI安全架构必须具备足够的灵活性，以便在无需进行成本高昂且会中断业务的管道重新设计的情况下适应变化。
加密策略：保护长期存储的高价值数据
加密是保障AI数据管道安全的基础。训练和微调数据集通常包含组织最敏感的信息，而且其生命周期较长，因此尤其容易受到“先收集、后解密”攻击。如今截获的数据目前可能无法读取，但未来可能会被解密。
这一现实意味着，任何严肃的AI安全讨论都必须涵盖后量子密码学（PQC）。这并不是因为量子威胁迫在眉睫，而是因为AI数据如今已面临切实存在的后量子威胁。
与此同时，PQC和高强度密码算法会带来显著的计算开销。如果不加区分地将其应用于管道中的每一跳，可能会降低性能并增加成本。
因此，明智的加密策略并非在所有环节都采用最高强度的加密，而是在适当的位置采用适当的加密方式。
成本、性能与“全面加密”的局限性
加密必然会带来成本。尤其是存储系统，其优化目标是高效传输和持久化数据，而非执行高负载的加密运算。在整个AI管道中统一采用强度尽可能高的加密算法，可能会增加延迟、降低吞吐量，并占用原本可用于其他任务的计算资源。
忽视这些现实因素的安全措施可能会造成瓶颈。在AI环境中，性能和规模会直接影响业务成果，因此加密设计必须既能保护数据，又不影响管道本身。这种经济约束并非弱点，而是一项促使架构设计遵循严格规范的设计参数。
SSL/TLS卸载：精准权衡，而非妥协
SSL/TLS卸载使组织能够精准应用加密技术，而非依赖蛮力。通过在信任边界（例如客户端流量入口点）实施强加密，同时将加密工作负载从后端系统卸载，组织可以在维持安全保障的同时，避免存储和计算基础设施不堪重负。
与分段和基于安全区的设计结合使用时，SSL/TLS卸载将成为纵深防御中的重要一环。它既能维持端到端保护，又能让各系统专注于自身最擅长的任务。这并非降低安全性，而是对安全措施进行优化，将加密资源投入到最能发挥价值的环节。
合规感知型数据路由：面向变化进行设计
监管要求将持续变化。将合规逻辑硬编码到应用或存储平台中，会导致应对这些变化的成本高昂，并对业务造成干扰。具备合规感知能力的数据路由提供了一种更敏捷的方法。
通过在交付层执行数据驻留和处理策略，组织无需重新设计管道即可适应新的法规。策略可以独立于应用和基础设施进行调整，从而降低调整成本，并增强组织在多变监管环境中的韧性。在充满不确定性的AI管道中，这种灵活性是一项战略优势。
F5如何保护AI数据管道
F5 BIG-IP产品通过在多个层级（全局、特定站点、平台级和应用邻近层）实施策略驱动的控制，帮助组织在AI数据管道中构建纵深防御。
F5通过智能流量管理、包括SSL/TLS卸载在内的加密策略以及兼顾合规要求的路由，为安全架构提供支持，帮助兼顾防护、性能和适应性。
F5并不规定采用单一安全模型，而是帮助组织在混合云和多云环境中的适当位置实施适当控制，从而支持AI管道在威胁、法规和工作负载不断变化时保持安全。
保障AI安全，不影响运行速度
保护AI数据管道，并不意味着在所有环节都采用最严格的控制措施，而是要设计能够灵活适应变化的架构。纵深防御、密码敏捷性和策略驱动的控制措施，可帮助组织保护敏感的AI数据，同时保持性能、控制成本，并为充满不确定性的未来做好准备。
AI要取得成功，离不开周全的基础设施设计，安全也不例外。在AI时代，韧性更强的管道不会让安全成为阻碍，而是将其作为推动因素。
打通AI数据交付闭环
在本系列博客中，我们探讨了如何实现大规模AI数据交付，包括利用现代存储为数据管道提供支持、突破性能瓶颈、跟踪从摄取到交付的整个数据流程，以及重新思考面向AI工作负载的负载均衡和基础设施优化。
最后，我们通过安全性讨论将上述主题串联起来。保护AI数据管道并非一项孤立的工作，而是与数据的存储、传输、观测和治理方式密不可分。
如果将安全设计为交付架构中分层且可灵活调整的一部分，而不是后期附加功能，安全就能为性能、合规性和韧性提供支持。
从这个意义上说，高效的AI数据交付与有效的AI数据安全并非相互冲突的目标，而是同一架构原则的两个方面。
F5可在任何位置交付和保护AI应用
要详细了解F5的AI数据交付解决方案，请访问F5的“AI数据交付和基础设施解决方案”网页。
F5对AI的关注不止于数据交付。了解F5如何在各种环境中保障AI应用安全并实现应用交付。
欢迎阅读AI数据交付系列的往期博文：
关于作者
Mark Menger是F5解决方案架构师，专注于AI和安全技术合作伙伴关系。他负责开发F5的AI参考架构，推动安全且可扩展的AI解决方案。Mark曾担任全球解决方案架构师和解决方案工程师，参与构建F5安全云架构，并共同开发其分布式四层架构。他是《Solving IT Complexity》的合著者，在应对IT挑战方面拥有丰富经验。此前，他曾担任应用开发人员和企业架构师，专注于现代应用、自动化，以及加快实现AI投资价值。
Mark Menger 的更多博客文章相关博客文章
WAF和API发现技术在保护智能体AI应用中的作用
智能体AI系统的功能和集成会在运行时快速变化。要以同样的速度保障其安全，需要通过API发现和Web应用防火墙（WAF）实施切实可行的控制措施。
