செயற்கை நுண்ணறிவு பாதுகாப்பு அபாயங்கள்: செயற்கை நுண்ணறிவு அமைப்புகளைப் பாதுகாக்க DevSecOps குழுக்கள் தெரிந்து கொள்ள வேண்டியவை
செயற்கை நுண்ணறிவுப் பாதுகாப்பு அபாயங்கள் இனி மாதிரி நடத்தை அல்லது தரவு தனியுரிமைக்கு மட்டும் கட்டுப்படுத்தப்படவில்லை. இன்று, அவை மென்பொருள் எழுதப்படும், மதிப்பாய்வு செய்யப்படும், உருவாக்கப்படும் மற்றும் வெளியிடப்படும் முறையையும் பாதிக்கின்றன. செயற்கை நுண்ணறிவு குறியீட்டுக் கருவிகள், முகவர் சார்ந்த செயற்கை நுண்ணறிவு அமைப்புகள் மற்றும் செயற்கை நுண்ணறிவால் இயங்கும் பணிப்பாய்வுகள் ஆகியவை சந்தையில் நுழையும்போது, SDLCDevSecOps குழுக்கள் ஒரு புதிய வகையான இடரை எதிர்கொள்கின்றன: வேகமான நிரல் எழுதுதல், வேகமான தானியக்கம் மற்றும் வேகமான தவறுகள்.
இருப்பினும், இதன் பொருள் குழுக்கள் செயற்கை நுண்ணறிவைப் பயன்படுத்துவதை மெதுவாக்க வேண்டும் என்பதல்ல. மாறாக, செயற்கை நுண்ணறிவு உதவியுடனான மேம்பாட்டின் வேகத்திற்கு ஈடுகொடுக்கும் பாதுகாப்புக் கட்டுப்பாடுகள் அவர்களுக்குத் தேவை. இந்த வழிகாட்டியில், மிக முக்கியமான செயற்கை நுண்ணறிவுப் பாதுகாப்பு அபாயங்கள், அவை உண்மையான பொறியியல் பணிப்பாய்வுகளில் எவ்வாறு வெளிப்படுகின்றன, மேலும் குறியீடு, சார்புநிலைகள், இரகசியங்கள் ஆகியவற்றில் குழுக்கள் பாதிப்பை எவ்வாறு குறைக்கலாம் என்பதை நாங்கள் விளக்குகிறோம். pipelineகள், மற்றும் முகவர்கள்.
செயற்கை நுண்ணறிவு அச்சுறுத்தல் சூழலை எவ்வாறு மாற்றுகிறது என்பது குறித்த விரிவான கண்ணோட்டத்திற்கு, எங்கள் வழிகாட்டியைப் பார்க்கவும். செயற்கை நுண்ணறிவு சைபர் பாதுகாப்பு.
செயற்கை நுண்ணறிவு பாதுகாப்பு அபாயங்கள் யாவை?
செயற்கை நுண்ணறிவு பாதுகாப்பு அபாயங்கள் என்பவை, உண்மையான அமைப்புகளுக்குள் செயற்கை நுண்ணறிவு வடிவமைக்கப்படும்போது, பயிற்சி அளிக்கப்படும்போது, ஒருங்கிணைக்கப்படும்போது அல்லது பயன்படுத்தப்படும்போது தோன்றும் பலவீனங்கள், அச்சுறுத்தல்கள் அல்லது தோல்வி முறைகள் ஆகும். இந்த அபாயங்கள் மாதிரிகள், தரவு, அறிவுறுத்தல்கள், API-கள், குறியீடு போன்றவற்றைப் பாதிக்கலாம். pipelineகள், மற்றும் அவற்றை இணைக்கும் கருவிகள்.
தி செயற்கை நுண்ணறிவு மற்றும் இணையப் பாதுகாப்பு குறித்த NCSC வழிகாட்டுதல் பாதுகாப்பான மற்றும் நம்பகமான செயற்கை நுண்ணறிவு அமைப்புகளுக்கு இணையப் பாதுகாப்பு ஒரு முக்கியத் தேவை என்பதை இது விளக்குகிறது. இதேபோல், NIST AI இடர் மேலாண்மை கட்டமைப்பு ஆளுகை, அளவீடு மற்றும் நடைமுறைக் கட்டுப்பாடுகள் மூலம் செயற்கை நுண்ணறிவு அபாயத்தை நிர்வகிப்பதற்கான ஒரு கட்டமைப்பை நிறுவனங்களுக்கு வழங்குகிறது.
DevSecOps குழுக்களுக்கு, இந்தப் பிரச்சனை இன்னும் குறிப்பிட்டது. செயற்கை நுண்ணறிவு (AI) இப்போது மென்பொருள் விநியோகச் சங்கிலியின் ஒரு பகுதியாகிவிட்டது. அது குறியீட்டை எழுதுகிறது, சார்புநிலைகளைப் பரிந்துரைக்கிறது, உள்ளமைவை உருவாக்குகிறது, API-களை அழைக்கிறது, மேலும் சில நேரங்களில் தன்னிச்சையாகவும் செயல்படுகிறது. இதன் விளைவாக, AI பாதுகாப்பு அபாயங்கள் உள்ளகமாகவே கையாளப்பட வேண்டும். SDLCமாடல் லேயரில் மட்டுமல்ல.
செயற்கை நுண்ணறிவு பாதுகாப்பு அபாயங்கள் இப்போது ஏன் வேறுபடுகின்றன?
பாரம்பரிய இணையப் பாதுகாப்பு அபாயங்கள் பொதுவாக மனிதர்களால் எழுதப்பட்ட நிரல்கள், பாதிப்புக்குள்ளாகக்கூடிய தொகுப்புகள், பலவீனமான அங்கீகாரச் சான்றுகள் அல்லது தவறாக உள்ளமைக்கப்பட்ட உள்கட்டமைப்பு ஆகியவற்றிலிருந்து உருவாகின்றன. அந்த அபாயங்கள் இன்றும் இருக்கின்றன. இருப்பினும், அவை தோன்றும் வேகத்தையும், அவற்றைக் கண்டறிவது எவ்வளவு கடினம் என்பதையும் செயற்கை நுண்ணறிவு மாற்றுகிறது.
செயற்கை நுண்ணறிவால் உருவாக்கப்பட்ட குறியீடு சரியாகத் தோன்றினாலும், அது அங்கீகாரச் சோதனைகளைத் தவறவிடக்கூடும். ஒரு செயற்கை நுண்ணறிவு குறியீட்டு உதவியாளர், பாதிப்புக்குள்ளாகக்கூடிய ஒரு தொகுப்பைப் பரிந்துரைக்கலாம். ஒரு முகவர் சார்ந்த பணிப்பாய்வு, தவறான கருவியை அழைக்கலாம், தவறான கோப்பை அணுகலாம் அல்லது ஒரு பதிவேட்டில் உள்ள இரகசியத்தை வெளிப்படுத்தலாம். மேலும், செயற்கை நுண்ணறிவு அமைப்புகள் பெரும்பாலும் சூழல், அறிவுறுத்தல்கள், இணைப்பிகள் மற்றும் வெளிப்புறக் கருவிகளைச் சார்ந்திருப்பதால், பாதுகாப்பு தோல்வியடையக்கூடிய இடங்கள் அதிகமாகின்றன.
தி LLM விண்ணப்பங்களுக்கான OWASP முதல் 10 இடங்கள் உடனடி ஊடுருவல், முக்கியமான தகவல் கசிவு, விநியோகச் சங்கிலிச் சிக்கல்கள் மற்றும் அதீத முகமை போன்ற அபாயங்களை இது எடுத்துக்காட்டுகிறது. செயற்கை நுண்ணறிவின் நடத்தையை உண்மையான பயன்பாட்டுப் பாதுகாப்புச் சிக்கல்களுடன் இணைப்பதால், இந்தப் பிரிவுகள் பயனுள்ளதாக இருக்கின்றன.
வேறுவிதமாகக் கூறினால், செயற்கை நுண்ணறிவுப் பாதுகாப்பு அபாயங்கள் என்பவை வெறும் மாதிரியைப் பற்றியவை மட்டுமல்ல. அவை அந்த மாதிரியைச் சுற்றியுள்ள முழு அமைப்பைப் பற்றியவை.
DevSecOps குழுக்களுக்கான முக்கிய AI பாதுகாப்பு அபாயங்கள்
டெவலப்மென்ட், ஆப்ஸெக் மற்றும் பிற துறைகளில் AI பயன்படுத்தப்படும்போது மிகவும் முக்கியமான அபாயங்கள் கீழே கொடுக்கப்பட்டுள்ளன. CI/CD பணிப்பாய்வுகளையும்.
1. செயற்கை நுண்ணறிவால் உருவாக்கப்பட்ட குறியீட்டுப் பாதிப்புகள்
செயற்கை நுண்ணறிவு குறியீட்டுக் கருவிகள், செயல்படக்கூடிய ஆனால் பாதுகாப்பற்ற குறியீட்டை உருவாக்கக்கூடும். எடுத்துக்காட்டாக, அவை முறையான அளவுருவாக்கம் இல்லாமல் SQL வினவல்களை உருவாக்கலாம், உள்ளீட்டுச் சரிபார்ப்பைத் தவிர்க்கலாம் அல்லது பலவீனமான அங்கீகாரத் தர்க்கத்தைச் செயல்படுத்தலாம்.
பல செயற்கை நுண்ணறிவு அமைப்புகள் பயிற்சித் தரவுகளின் அடிப்படையில் சாத்தியமான குறியீட்டு வடிவங்களை உருவாக்குவதால் இது நிகழ்கிறது. இருப்பினும், சாத்தியமான குறியீடு எப்போதும் பாதுகாப்பான குறியீடாக இருப்பதில்லை. நடைமுறையில், பாதுகாப்பற்ற எடுத்துக்காட்டுகள் பொதுக் களஞ்சியங்களில் பொதுவாகக் காணப்படுவதால், அந்த மாதிரி அவற்றை மீண்டும் உருவாக்கக்கூடும்.
பொதுவான எடுத்துக்காட்டுகள் பின்வருமாறு:
- SQL ஊசி
- குறுக்கு தள ஸ்கிரிப்டிங்
- விடுபட்ட அங்கீகாரச் சோதனைகள்
- பலவீனமான அமர்வு கையாளுதல்
- பாதுகாப்பற்ற டிசீரியலைசேஷன்
- CSRF பாதுகாப்பு விடுபட்டுள்ளது
எனவே, செயற்கை நுண்ணறிவால் உருவாக்கப்பட்ட குறியீடு தேர்ச்சி பெறும் வரை நம்பத்தகாததாகக் கருதப்பட வேண்டும். SASTகொள்கைச் சரிபார்ப்புகள் மற்றும் மறுஆய்வு.
உள் இணைப்புப் பரிந்துரை: இந்தப் பகுதியை உங்கள் பதிவுடன் இணைக்கவும் AI SAST.
2. விநியோகச் சங்கிலி மற்றும் சார்புநிலை அபாயங்கள்
செயற்கை நுண்ணறிவு கருவிகள் குறியீட்டை உருவாக்குவது மட்டுமல்ல. அவை தொகுப்புகள், பதிப்புகள், ஸ்கிரிப்டுகள் மற்றும் நிறுவல் கட்டளைகளையும் பரிந்துரைக்கின்றன. இது, செயற்கை நுண்ணறிவு பரிந்துரைகளிலிருந்து மென்பொருள் விநியோகச் சங்கிலி அபாயத்திற்கு ஒரு நேரடிப் பாதையை உருவாக்குகிறது.
உதாரணமாக, ஒரு செயற்கை நுண்ணறிவு கருவி பின்வருவனவற்றை பரிந்துரைக்கலாம்:
- காலாவதியான தொகுப்பு
- ஒரு டைபோஸ்க்வாட் சார்பு
- ஒரு பிரமை பிடித்த தொகுப்பு பெயர்
- சந்தேகத்திற்குரிய நிறுவல் ஸ்கிரிப்டுகள் கொண்ட ஒரு தொகுப்பு
- பாதுகாப்புக்கு உட்பட்டிருந்தாலும், இன்னமும் பரவலாகப் பயன்படுத்தப்படும் ஒரு நூலகம்.
மேலும், செயற்கை நுண்ணறிவு கருவிகள் உருவாக்க வாய்ப்புள்ள தொகுப்புப் பெயர்களைப் பதிவு செய்வதன் மூலம், தாக்குபவர்கள் இந்த நடத்தையைச் சாதகமாகப் பயன்படுத்திக்கொள்ளலாம். இந்த அபாயம் பெரும்பாலும் 'ஸ்லாப்ஸ்க்வாட்டிங்' என்று அழைக்கப்படுகிறது. இது மாதிரி மாயத்தோற்றத்தை ஒரு தொகுப்பு விநியோகச் சங்கிலித் தாக்குதலாக மாற்றுகிறது.
இந்த அபாயத்தைக் குறைக்க, அணிகளுக்குத் தேவை SCAதீம்பொருள் கண்டறிதல், சார்பு கொள்கை அமலாக்கம் மற்றும் அணுகல் பகுப்பாய்வு போன்றவை. மேலும், சுரண்டல் சமிக்ஞைகளானவற்றையும் அவர்கள் பயன்படுத்த வேண்டும். இ.பி.எஸ்.எஸ். மற்றும் செயலில் உள்ள சுரண்டல் உளவுத்துறை CISஅறியப்பட்ட சுரண்டல் பாதிப்புகளின் பட்டியல்.
3. செயற்கை நுண்ணறிவு பணிப்பாய்வுகளில் இரகசியங்கள் வெளிப்படுதல்
இரகசியங்கள் வெளிப்படுவது, செயற்கை நுண்ணறிவுப் பாதுகாப்பில் உள்ள மிகவும் நடைமுறைக்குரிய அபாயங்களில் ஒன்றாகும். உருவாக்குநர்கள் பெரும்பாலும் செயற்கை நுண்ணறிவுக் கருவிகளில் சூழல் விவரங்களைச் சேர்க்கிறார்கள். அந்தச் சூழல் விவரங்களில் ஏபிஐ விசைகள், டோக்கன்கள், நற்சான்றிதழ்கள், URL-கள் அல்லது உள்ளக உள்ளமைவு ஆகியவை அடங்கியிருக்கலாம்.
மேலும், செயற்கை நுண்ணறிவால் உருவாக்கப்பட்ட குறியீடானது, உண்மையானவை போல் தோற்றமளிக்கும் பதிலீடுகளைக் கொண்டிருக்கலாம், அல்லது அதைவிட மோசமாக, இரகசியங்களை மூலக் கோப்புகளுக்குள் மீண்டும் நகலெடுக்கலாம். pipeline ஸ்கிரிப்டுகள், அல்லது பதிவுகள். இரகசியங்கள் Git வரலாற்றில் நுழைந்தவுடன் அல்லது CI/CD பதிவுகள், அசல் கோப்பு பதிவேற்றப்பட்ட நீண்ட காலத்திற்குப் பிறகும் சுரண்டப்படக்கூடியவையாகவே இருக்கக்கூடும். commit.
பொதுவான வெளிப்பாட்டுப் புள்ளிகளில் அடங்குபவை:
- உடனடி வரலாறு
- உருவாக்கப்பட்ட குறியீடு
- Git தகவல் commits
- CI/CD பதிவுகள்
- IaC கோப்புகளை
- கொள்கலன் படங்கள்
- பகிரப்பட்ட பணியிடங்கள்
இந்தக் காரணத்திற்காக, குழுக்கள் IDE-நிலை ஸ்கேனிங்கை ஒருங்கிணைக்க வேண்டும், pre-commit சோதனைகள், களஞ்சிய வரலாற்று ஆய்வுகள், CI/CD பதிவேடு ஆய்வு மற்றும் தானியங்கி ரத்துசெய்தல்.
உள் இணைப்புப் பரிந்துரை: இந்தப் பகுதியை உங்கள் இரகசியப் பாதுகாப்புத் தயாரிப்பு அல்லது அது தொடர்பான உள்ளடக்கத்துடன் இணைக்கவும்.
4. செயற்கை நுண்ணறிவு முகவர் மற்றும் கருவி தவறான பயன்பாடு
ஏஜென்டிக் ஏஐ முகவர்கள் செயல்களைப் பரிந்துரைப்பது மட்டுமல்லாமல், அவற்றைச் செயல்படுத்தவும் முடியும் என்பதால், இது ஒரு புதிய வகை அபாயத்தை உருவாக்குகிறது.
ஒரு AI முகவர் ஷெல் கட்டளைகளை இயக்கலாம், கோப்புகளைத் திருத்தலாம், API-களை அழைக்கலாம், திறக்கலாம். pull requestsCI பணிப்பாய்வுகளை மாற்றியமைப்பது, அல்லது கிளவுட் சேவைகளுடன் தொடர்புகொள்வது போன்றவை மிகப்பெரிய உற்பத்தித்திறன் ஆதாயங்களை உருவாக்கினாலும், தவறுகள் ஏற்படுவதற்கான வாய்ப்பையும் அதிகரிக்கின்றன.
முக்கிய அபாயங்கள் அடங்கும்:
- பாதுகாப்பற்ற ஷெல் செயல்படுத்தல்
- அதிக அனுமதி வழங்கப்பட்ட API விசைகள்
- அங்கீகரிக்கப்படாத குறியீடு மாற்றங்கள்
- MCP அல்லது API இணைப்பான் தவறான உள்ளமைவு
- அங்கீகரிக்கப்பட்ட வரம்பிற்கு அப்பாற்பட்ட கருவி அழைப்புகள்
- பணிக்குத் தேவைப்படுவதை விட அதிகமான சூழல் அணுகல்
அதிகப்படியான முகமைக்கான OWASP LLM முதல் 10 வகை இங்கு குறிப்பாகப் பொருத்தமானது. ஒரு முகவருக்கு அதிகப்படியான அணுகல் இருந்தால், ஒரு தவறான அறிவுறுத்தல், உடனடி ஊடுருவல் அல்லது சமரசம் செய்யப்பட்ட கருவி ஆகியவை ஒரு உண்மையான பாதுகாப்பு நிகழ்வாக மாறக்கூடும்.
5. CI/CD மற்றும் Pipeline அபாயங்கள்
செயற்கை நுண்ணறிவால் உருவாக்கப்பட்ட குறியீடு இறுதியில் சென்றடைகிறது pipelineஅந்த நிலையில், இடர் என்பது மூலக் குறியீட்டிலிருந்து பில்டுகள், ஆர்டிஃபேக்டுகள், சீக்ரெட்டுகள், சார்புகள் மற்றும் வரிசைப்படுத்தல் பணிப்பாய்வுகளுக்கு நகர்கிறது.
உதாரணமாக, செயற்கை நுண்ணறிவு உதவியுடன் செய்யப்படும் ஒரு மாற்றம் பின்வருவனவற்றைச் செய்யலாம்:
- பாதுகாப்பற்ற உருவாக்கப் படிநிலையைச் சேர்க்கவும்
- GitHub Actions பணிப்பாய்வை மாற்றியமைக்கவும்
- நிறுவலின் போது ஒரு தீங்கிழைக்கும் தொகுப்பை இழுக்கவும்
- இரகசியங்களை உருவாக்கப் பதிவுகளில் அச்சிடுக
- ஒரு பாதுகாப்புக் கட்டுப்பாட்டை முடக்கு
- வரிசைப்படுத்தல் தர்க்கத்தை மாற்றவும்
இதன் விளைவாக, CI/CD செயற்கை நுண்ணறிவைப் பயன்படுத்துவதற்குப் பாதுகாப்பு இன்றியமையாததாகிறது. Pipeline guardrails பாதுகாப்பற்ற வடிவங்கள் உற்பத்தி நிலையை அடைவதற்கு முன்பே அவற்றைத் தடுக்க வேண்டும். மேலும் விரிவான தகவல்களுக்கு, எங்கள் உள்ளடக்கத்தைப் பார்க்கவும். CI/CD பாதுகாப்பு மற்றும் software supply chain security.
6. தரவுக் கசிவு மற்றும் உடனடிச் செருகல்
உடனடித் தகவல் செருகல் என்பது நன்கு அறியப்பட்ட செயற்கை நுண்ணறிவுப் பாதுகாப்பு அபாயங்களில் ஒன்றாகும், ஆனால் அது பெரும்பாலும் தவறாகப் புரிந்துகொள்ளப்படுகிறது. இது ஒரு சாட்பாட் பிரச்சனை மட்டுமல்ல. வெளிப்புற உள்ளீட்டை ஏற்றுக்கொண்டு, பின்னர் அந்த உள்ளீட்டைப் பயன்படுத்திச் செயல்களை வழிநடத்தும் எந்தவொரு செயற்கை நுண்ணறிவுப் பணி ஓட்டத்தையும் இது பாதிக்கக்கூடும்.
உதாரணமாக, ஒரு தீங்கிழைக்கும் சிக்கல் விளக்கம், README கோப்பு, ஆதரவுச் சீட்டு அல்லது சார்பு ஆவணப் பக்கம் ஆகியவை மறைக்கப்பட்ட வழிமுறைகளைக் கொண்டிருக்கலாம். ஒரு AI முகவர் அந்த உள்ளடக்கத்தைப் படித்து அதைப் பின்பற்றினால், தாக்குபவர் கருவி அழைப்புகள், குறியீடு மாற்றங்கள் அல்லது தரவு அணுகல் ஆகியவற்றில் செல்வாக்கு செலுத்தக்கூடும்.
தரவுக் கசிவு இதே போன்ற வழிகளில் நிகழலாம். அந்த மாதிரி, முக்கியமான சூழலை வெளிப்படுத்தலாம், தனிப்பட்ட கோப்புகளைச் சுருக்கலாம் அல்லது இரகசியத் தரவை வெளிப்புறச் சேவைகளுக்கு அனுப்பலாம். எனவே, செயற்கை நுண்ணறிவு அமைப்புகளுக்கு உடனடி வடிகட்டுதல், வெளியீட்டுக் கட்டுப்பாடுகள், கருவிக் கட்டுப்பாடுகள் மற்றும் அவை அணுகக்கூடிய தரவுகள் குறித்த தெளிவான எல்லைகள் தேவைப்படுகின்றன.
AI பாதுகாப்பு அபாயங்கள் SDLC
செயற்கை நுண்ணறிவுப் பாதுகாப்பு அபாயங்கள், மென்பொருள் வாழ்க்கைச் சுழற்சியின் வெவ்வேறு கட்டங்களில் தோன்றுகின்றன. இறுதிப் பயன்பாட்டை மட்டும் அல்ல, ஒவ்வொரு கட்டத்தையும் பாதுகாப்பதே முக்கியமாகும்.
| SDLC மேடை | செயற்கை நுண்ணறிவு பாதுகாப்பு அபாயம் | உதாரணமாக | பரிந்துரைக்கப்பட்ட கட்டுப்பாடு |
|---|---|---|---|
| இங்கே | பாதுகாப்பற்ற AI-உருவாக்கிய குறியீடு | ஒரு செயற்கை நுண்ணறிவு குறியீட்டு உதவியாளர் பாதுகாப்பற்ற அங்கீகார தர்க்கத்தைப் பரிந்துரைக்கிறது. | நிகழ் நேர SAST மற்றும் பாதுகாப்பான குறியீட்டுப் பின்னூட்டம். |
| Commit | இரகசியங்கள் அம்பலமாதல் | உருவாக்கப்பட்ட குறியீட்டில் ஒரு டோக்கன் தோன்றும் அல்லது commit வரலாறு. | இரகசியங்களைக் கண்டறிதல், pre-commit சரிபார்ப்புகள், மற்றும் தானாக ரத்துசெய்தல். |
| Pull Request | கொள்கை மீறல் | உருவாக்கப்பட்ட நிரல், மறுஆய்வு இன்றி அணுகல் கட்டுப்பாட்டு விதிகளை மாற்றுகிறது. | PR guardrails மற்றும் கொள்கை அமலாக்கம். |
| கட்ட | தீங்கிழைக்கும் சார்புநிலை | செயற்கை நுண்ணறிவால் பரிந்துரைக்கப்பட்ட ஒரு தொகுப்பு, சந்தேகத்திற்கிடமான நிறுவல் செயல்பாட்டைக் கொண்டுள்ளது. | SCAதீம்பொருள் கண்டறிதல் மற்றும் சார்பு கொள்கை சரிபார்ப்புகள். |
| CI/CD | Pipeline கையாளுதல் | ஒரு முகவர் பணிப்பாய்வுக் கோப்புகளை அல்லது வரிசைப்படுத்தல் ஸ்கிரிப்டுகளை மாற்றியமைக்கிறார். | CI/CD பாதுகாப்புச் சோதனைகள் மற்றும் முறைகேடுகளைக் கண்டறிதல். |
| நிகழ்நேர | உடனடி ஊசி அல்லது தரவு கசிவு | வெளிப்புற உள்ளீடு, ஒரு செயற்கை நுண்ணறிவுப் பணிப்பாய்வு மூலம் நுட்பமான சூழலை வெளிப்படுத்தச் செய்கிறது. | உடனடிக் கட்டுப்பாடுகள், அணுகல் கட்டுப்பாடுகள் மற்றும் கண்காணிப்பு. |
செயற்கை நுண்ணறிவு பாதுகாப்பு அபாயங்கள் மற்றும் பாரம்பரிய இணையப் பாதுகாப்பு அபாயங்கள் ஒப்பீடு
பாரம்பரிய இணையப் பாதுகாப்பு இன்றும் முக்கியத்துவம் வாய்ந்தது. இருப்பினும், செயற்கை நுண்ணறிவு, வேறுபட்ட கட்டுப்பாடுகளைக் கோரும் புதிய நடத்தை முறைகளைச் சேர்க்கிறது.
| பகுதி | பாரம்பரிய இணையப் பாதுகாப்பு அபாயம் | செயற்கை நுண்ணறிவு பாதுகாப்பு அபாயம் |
|---|---|---|
| குறியீடு | மனிதர்களால் உருவாக்கப்பட்ட பாதுகாப்புக் குறைபாடுகள். | செயற்கை நுண்ணறிவால் உருவாக்கப்பட்ட பாதுகாப்பற்ற வடிவங்கள் அதிவேகத்தில். |
| சார்ந்திருப்பவை | அறியப்பட்ட பாதிப்புக்குள்ளாகக்கூடிய தொகுப்புகள். | பிரமையளிக்கப்பட்ட, தீங்கிழைக்கும் அல்லது பாதுகாப்பற்ற செயற்கை நுண்ணறிவு பரிந்துரைத்த தொகுப்புகள். |
| சீக்ரெட்ஸ் | தற்செயலாக commitடெவலப்பர்களால் உருவாக்கப்பட்டது. | கட்டளைகள், உருவாக்கப்பட்ட குறியீடு அல்லது பதிவேடுகளில் நகலெடுக்கப்பட்ட இரகசியங்கள். |
| கருவிகள் | டெவலப்பர் கருவிகளை கைமுறையாக தவறாகப் பயன்படுத்துதல். | தன்னாட்சி முகவர்கள் கருவிகளையோ அல்லது API-களையோ தவறாகப் பயன்படுத்துதல். |
| Pipelines | தவறாக உள்ளமைக்கப்பட்டது CI/CD பணிப்பாய்வுகளையும். | முகவரால் உருவாக்கப்பட்ட பணிப்பாய்வு மாற்றங்கள் அல்லது பாதுகாப்பற்ற தானியக்கம். |
நிஜ உலக AI பாதுகாப்பு இடர் எடுத்துக்காட்டுகள்
செயற்கை நுண்ணறிவுப் பாதுகாப்பு அபாயம் என்பது வெறும் கோட்பாட்டு ரீதியானது அல்ல. பல பொதுக் கட்டமைப்புகளும் ஆராய்ச்சி முயற்சிகளும் தற்போது இந்தச் சிக்கல்களை மிகவும் முறையாகக் கண்காணித்து வருகின்றன.
தி எம்ஐடி ஏஐ இடர் களஞ்சியம் பல்வேறு காரணங்கள் மற்றும் களங்களில் உள்ள 1,700-க்கும் மேற்பட்ட செயற்கை நுண்ணறிவு அபாயங்களை இது பட்டியலிடுகிறது. அதே சமயம், உடனடித் தலையீடு, இரகசியத் தகவல் கசிவு, விநியோகச் சங்கிலி பாதிப்புகள் மற்றும் அதீத முகமை உள்ளிட்ட LLM பயன்பாட்டு அபாயங்களுக்கு OWASP நடைமுறை வகைகளை வழங்குகிறது.
DevSecOps குழுக்களுக்கு, மிகவும் பொருத்தமான எடுத்துக்காட்டுகள் பெரும்பாலும் மென்பொருள் விநியோகத்தில் காணப்படுகின்றன:
- பாதுகாப்பற்ற குறியீட்டைச் சுட்டிக்காட்டும் செயற்கை நுண்ணறிவு கருவிகள்
- AI முகவர்கள் பணிப்பாய்வு கோப்புகளை மாற்றியமைக்கின்றனர்
- செயற்கை நுண்ணறிவால் உருவாக்கப்பட்ட சார்புநிலைகள் விநியோகச் சங்கிலி பாதிப்பை ஏற்படுத்துகின்றன
- அறிவிப்புகள், பதிவுகள் அல்லது பிறவற்றின் மூலம் கசியும் இரகசியங்கள் commits
- அங்கீகரிக்கப்பட்ட எல்லைக்கு வெளியே கருவிகளை அழைக்கும் முகவர் பணிப்பாய்வுகள்
சுருக்கமாகச் சொன்னால், செயற்கை நுண்ணறிவு அமைப்புகளால் குறியீடு, நற்சான்றிதழ்கள், தொகுப்புகள் போன்றவற்றை அணுக முடிந்தால், செயற்கை நுண்ணறிவு பாதுகாப்பு அபாயங்கள் மிகவும் தீவிரமானதாகிவிடும். pipelineகள், அல்லது உள்கட்டமைப்பு.
நடைமுறையில் AI பாதுகாப்பு அபாயங்களைக் குறைப்பது எப்படி
செயற்கை நுண்ணறிவு பாதுகாப்பு அபாயங்களைக் குறைப்பதற்கான சிறந்த வழி, செயற்கை நுண்ணறிவு உதவியுடனான மேம்பாட்டை ஒரு பகுதியாகக் கருதுவதே ஆகும். SDLCஅதாவது, ஆரம்பத்திலேயே ஆய்வு செய்வது, அடிக்கடி சரிபார்ப்பது, மற்றும் டெவலப்பர்கள் உண்மையில் பணிபுரியும் இடங்களில் கொள்கைகளை அமல்படுத்துவது ஆகும்.
1. IDE-இல் AI உருவாக்கிய குறியீட்டை ஸ்கேன் செய்யவும்
டெவலப்பர்கள், செயற்கை நுண்ணறிவால் உருவாக்கப்பட்ட குறியீட்டை எழுதும்போதோ அல்லது ஏற்றுக்கொள்ளும்போதோ பாதுகாப்புப் பின்னூட்டத்தைப் பார்க்க வேண்டும். இது சூழல் மாறுதலைக் குறைத்து, சிக்கல்கள் Git-ஐ அடையும் முன்பே அவற்றைச் சரிசெய்ய உதவுகிறது.
பயன்படுத்தவும்:
- SAST IDE இல்
- உள்ளமைந்த பாதிப்பு விளக்கங்கள்
- பாதுகாப்பான சரிசெய்தல் பரிந்துரைகள்
- கொள்கை சார்ந்த தீர்வு
குறிப்பாக AI குறியீட்டு உதவியாளர்களுக்கு இது மிகவும் முக்கியமானது, ஏனெனில் பாதுகாப்பற்ற பரிந்துரைகள் குறியீட்டுத் தொகுப்பில் விரைவாக நுழைந்துவிடும்.
2. உருவாக்கத்திற்கு முன் சார்புகளைச் சரிபார்க்கவும்
செயற்கை நுண்ணறிவால் பரிந்துரைக்கப்பட்ட சார்புநிலைகள், நிறுவப்படுவதற்கு அல்லது விநியோகிக்கப்படுவதற்கு முன்பு சரிபார்க்கப்பட வேண்டும். எனவே, குழுக்கள் மேம்பாட்டின் போதும் மற்றும் பிற செயல்பாடுகளின் போதும் சார்புநிலைக் கட்டுப்பாடுகளை அமல்படுத்த வேண்டும். CI/CD.
பயன்படுத்தவும்:
- SCA
- தீம்பொருள் கண்டறிதல்
- தட்டச்சுப் பிழை கண்டறிதல்
- EPSS மதிப்பெண்
- அணுகல்தன்மை பகுப்பாய்வு
- கொள்கை அடிப்படையிலான தடுப்பு
இது, வெறும் கோட்பாட்டு ரீதியான பாதிப்புகளை மட்டுமல்லாமல், உண்மையான அபாயத்தைக் குறிக்கும் திட்டங்களுக்கு முன்னுரிமை அளிக்க உதவுகிறது.
3. இரகசியங்களைத் தானாகவே கண்டறிந்து நீக்கவும்
இரகசியங்களைச் சோதிப்பது என்பது மூலக் குறியீட்டை மட்டும் உள்ளடக்கியதாக இருக்கக்கூடாது. செயற்கை நுண்ணறிவு உதவியுடனான பணிப்பாய்வுகள், பல இடங்களில் நற்சான்றிதழ்களை வெளிப்படுத்தக்கூடும்.
பயன்படுத்தவும்:
- Pre-commit ஸ்கேனிங்
- களஞ்சிய வரலாற்று ஆய்வு
- Pipeline பதிவு ஸ்கேன்
- IaC ஸ்கேனிங்
- கண்டெய்னர் பட ஸ்கேன்
- தானியங்கி ரத்து
இதன் விளைவாக, குழுக்கள் தொற்றுக்கு ஆளாவதற்கும் அதனைக் கட்டுப்படுத்துவதற்கும் இடையிலான நேரத்தைக் குறைக்கின்றன.
4. அமல்படுத்துங்கள் Guardrails in CI/CD
Guardrails ஒரு மாற்றம் தொடர்வதற்குப் போதுமான பாதுகாப்பானதா என்பதை முடிவு செய்ய வேண்டும். அறிக்கை சமர்ப்பிப்பது பயனுள்ளது, ஆனால் தீவிர அபாயங்களுக்குத் தடுப்பது அவசியமாகும்.
Guardrails மறைக்க வேண்டும்:
- புதிய முக்கியமான பாதிப்புகள்
- சீக்ரெட்ஸ்
- தீங்கிழைக்கும் சார்புகள்
- பின் செய்யப்படாத அல்லது நம்பத்தகாத தொகுப்புகள்
- பாதுகாப்பற்ற பணிப்பாய்வு மாற்றங்கள்
- காணாமல் SBOMs
- கொள்கை மீறல்கள்
மேலும், தேவைப்படும்போது குழுக்கள் அறிக்கை-மட்டும் பயன்முறையுடன் தொடங்கி, நம்பிக்கை வளர வளரத் தடுக்கும் முறைக்கு மாற வேண்டும்.
5. முகவர் கருவியின் செயல்பாட்டைக் கண்காணிக்கவும்
முகவர் சார்ந்த செயற்கை நுண்ணறிவு அமைப்புகளுக்குக் கண்காணிக்கும் திறன் தேவைப்படுகிறது. ஒரு முகவரால் கோப்புகளைத் திருத்தவோ, உருவாக்கங்களைத் தூண்டவோ, அல்லது API-களை அழைக்கவோ முடிந்தால், அது என்ன செய்தது, எப்போது செய்தது, மேலும் அந்தச் செயல் எதிர்பார்க்கப்பட்டதா இல்லையா என்பதை அணிகள் தெரிந்துகொள்ள வேண்டும்.
கண்காணிக்கவும்:
- கருவி அழைப்புகள்
- பணிப்பாய்வு கோப்பு மாற்றங்கள்
- களஞ்சிய எழுதுதல் செயல்பாடு
- நெட்வொர்க் இலக்குகள்
- இரகசிய அணுகல்
- Pull request உருவாக்கம்
- Pipeline தூண்டுதல்களை
இந்த வெளிப்படைத்தன்மை இல்லாமல், முகவரின் தன்னாட்சியை நம்புவது கடினமாகிறது.
செயற்கை நுண்ணறிவு பாதுகாப்பு அபாயங்களைக் குறைக்க சைஜெனி உதவும் இடங்கள்
சைஜெனி, முழு மென்பொருள் விநியோகச் சங்கிலி முழுவதும் செயற்கை நுண்ணறிவு உதவியுடனான மேம்பாட்டைப் பாதுகாப்பதில் கவனம் செலுத்துகிறது. செயற்கை நுண்ணறிவு அபாயத்தை ஒரு தனி வகையாகக் கருதுவதற்குப் பதிலாக, அது குறியீடு, சார்புநிலைகள், இரகசியங்கள் ஆகியவற்றை இணைக்கிறது. pipelineமற்றும் வணிகச் சூழல்.
உதாரணமாக:
- SAST பாதுகாப்பற்ற AI உருவாக்கிய குறியீட்டை முன்கூட்டியே கண்டறிய உதவுகிறது.
- SCA சார்புகளைச் சரிபார்த்து, தீங்கிழைக்கும் தொகுப்புகளைக் கண்டறிகிறது.
- இரகசியப் பாதுகாப்பு களஞ்சியங்கள் முழுவதும் வெளிப்படுத்தப்பட்ட நற்சான்றிதழ்களைக் கண்டறிகிறது மற்றும் pipelines.
- CI/CD பாதுகாப்பு பாதுகாப்பற்ற மாற்றங்கள் முன்னெடுக்கப்படுவதற்கு முன்னர் கொள்கைகளை அமல்படுத்துகிறது.
- ஒழுங்கின்மை கண்டறிதல் உருவாக்கம் மற்றும் விநியோகப் பணிப்பாய்வுகளில் உள்ள அசாதாரண நடத்தையைக் கண்டறிகிறது.
- ASPM கண்டறியப்பட்ட முடிவுகளை ஒரே இடர் கண்ணோட்டத்தில் ஒருங்கிணைப்பதால், குழுக்கள் முக்கியமானவற்றுக்கு முன்னுரிமை அளிக்க முடிகிறது.
இது முக்கியமானது, ஏனெனில் செயற்கை நுண்ணறிவுப் பாதுகாப்பு அபாயங்கள் இயல்பிலேயே பல அடுக்குகள் சார்ந்தவை. பாதிப்புக்குள்ளாகக்கூடிய சார்புநிலை, வெளிப்படுத்தப்பட்ட டோக்கன் மற்றும் பாதுகாப்பற்ற பணிப்பாய்வு மாற்றம் ஆகியவை தனித்தனி கருவிகளில் தனித்தனியாகத் தோன்றலாம். இருப்பினும், அவை அனைத்தும் ஒன்றுசேர்ந்து ஒரு மிகப் பெரிய தாக்குதல் பாதையை உருவாக்கக்கூடும்.
தெரிந்துகொள்ள வேண்டிய AI பாதுகாப்பு இடர் மேலாண்மை கட்டமைப்புகள்
பல்வேறு கட்டமைப்பு முறைகள், குழுக்கள் தங்கள் பணிகளை ஒழுங்கமைக்க உதவுகின்றன.
தி NIST AI இடர் மேலாண்மை கட்டமைப்பு செயற்கை நுண்ணறிவு அபாயங்களை வரைபடமாக்கவும், அளவிடவும், நிர்வகிக்கவும் மற்றும் கட்டுப்படுத்தவும் இது நிறுவனங்களுக்கு உதவுகிறது. இது தலைமைத்துவம், இணக்கம் மற்றும் இடர் திட்டங்களுக்குப் பயனுள்ளதாக இருக்கிறது.
தி LLM விண்ணப்பங்களுக்கான OWASP முதல் 10 இடங்கள் உடனடித் தகவல் ஊடுருவல், முக்கியமான தரவுகள் வெளிப்படுதல், விநியோகச் சங்கிலிப் பாதிப்புகள் மற்றும் அதீத முகமை போன்ற தொழில்நுட்ப அபாயங்களுடன் இது நேரடியாகப் பொருந்துவதால், AppSec குழுக்களுக்கு இது மிகவும் நடைமுறைக்கு உகந்ததாகும்.
தி NCSC செயற்கை நுண்ணறிவு மற்றும் இணையப் பாதுகாப்பு வழிகாட்டுதல் செயற்கை நுண்ணறிவு, நிறுவனங்களின் இணையவழி அபாயத்தை எவ்வாறு மாற்றுகிறது என்பதைப் புரிந்துகொள்ள வேண்டிய பாதுகாப்புத் தலைவர்களுக்கு இது பயனுள்ளதாக இருக்கும்.
இந்த ஆதாரங்கள் அனைத்தும் ஒன்றுசேர்ந்து ஒரு தெளிவான விஷயத்தைக் காட்டுகின்றன: செயற்கை நுண்ணறிவுப் பாதுகாப்பானது, பணியாளர்கள், செயல்முறைகள், அமைப்புகள் மற்றும் மென்பொருள் விநியோகப் பணிப்பாய்வுகள் என அனைத்திலும் நிர்வகிக்கப்பட வேண்டும்.
சரிபார்ப்புப் பட்டியல்: செயற்கை நுண்ணறிவு பாதுகாப்பு அபாயங்களைக் குறைப்பது எப்படி
இந்த சரிபார்ப்புப் பட்டியலை ஒரு நடைமுறைத் தொடக்கப் புள்ளியாகப் பயன்படுத்தவும்.
| கட்டுப்பாட்டு பகுதி | என்ன செய்ய | ஏன் இது முக்கியமானது |
|---|---|---|
| AI-உருவாக்கப்பட்ட குறியீடு | ரன் SAST IDE, PR, மற்றும் CI/CD pipeline. | பாதுகாப்பற்ற குறியீடு உற்பத்திச் சூழலை அடைவதைத் தடுக்கிறது. |
| சார்ந்திருப்பவை | பயன்பாட்டு SCAதீம்பொருள் கண்டறிதல், EPSS மற்றும் அணுகல்தன்மை. | அபாயகரமான, செயற்கை நுண்ணறிவால் பரிந்துரைக்கப்பட்ட தொகுப்புகளைத் தடுக்கிறது. |
| சீக்ரெட்ஸ் | ஸ்கேன் commitகள், பதிவுகள், வரலாறு, IaCமற்றும் கொள்கலன்கள். | சான்றுகளின் வெளிப்பாடு மற்றும் தவறான பயன்பாட்டைக் குறைக்கிறது. |
| CI/CD | அமலாக்கு pipeline guardrails மற்றும் கொள்கை வாயில்கள். | பாதுகாப்பற்ற உருவாக்கங்களையும் வரிசைப்படுத்தல்களையும் தடுக்கிறது. |
| முகவர் கருவிகள் | கருவி அழைப்புகள், API அணுகல் மற்றும் பணிப்பாய்வு மாற்றங்களைக் கண்காணிக்கவும். | வரம்பு மீறிய செயல்பாடுகளையும் எதிர்பாராத நடத்தையையும் கட்டுப்படுத்துகிறது. |
| இடர் மேலாண்மை | பயன்பாட்டு ASPM பல்வேறு அடுக்குகளில் கண்டறியப்பட்ட முடிவுகளைத் தொடர்புபடுத்த. | உண்மையான வணிக அபாயங்களில் கவனம் செலுத்த குழுக்களுக்கு உதவுகிறது. |
முக்கிய எடுத்துக்காட்டுகள்
- செயற்கை நுண்ணறிவு பாதுகாப்பு அபாயங்கள் தற்போது குறியீடு, சார்புநிலைகள், இரகசியங்கள் ஆகியவற்றைப் பாதிக்கின்றன. pipelineகள், மற்றும் முகவர்கள்.
- பாரம்பரிய செயலிப் பாதுகாப்பு கருவிகள் இன்னமும் தேவைப்படுகின்றன, ஆனால் அவை முன்னதாகவே மற்றும் கூடுதல் சூழல் தகவல்களுடன் இயங்க வேண்டும்.
- செயற்கை நுண்ணறிவால் உருவாக்கப்பட்ட குறியீடு, சரிபார்க்கப்படும் வரை நம்பத்தகாததாகக் கருதப்பட வேண்டும்.
- AI முகவர் பணிப்பாய்வுகளுக்குத் தேவை guardrailsஅனுமதிகள் மற்றும் கண்காணிக்கக்கூடிய தன்மை.
- DevSecOps குழுக்களுக்கு முழுவதும் ஒருங்கிணைந்த பார்வை தேவைப்படுகிறது SDLC செயற்கை நுண்ணறிவு அபாயத்தை திறம்பட நிர்வகிக்க.
அடிக்கடி கேட்கப்படும் கேள்விகள்: செயற்கை நுண்ணறிவு பாதுகாப்பு அபாயங்கள்
செயற்கை நுண்ணறிவு பாதுகாப்பு அபாயங்கள் யாவை?
செயற்கை நுண்ணறிவுப் பாதுகாப்பு அபாயங்கள் என்பவை, செயற்கை நுண்ணறிவு அமைப்புகள் உருவாக்கப்படும்போது, ஒருங்கிணைக்கப்படும்போது அல்லது பயன்படுத்தப்படும்போது தோன்றும் அச்சுறுத்தல்கள் அல்லது பலவீனங்கள் ஆகும். அவை மாதிரிகள், தரவு, அறிவுறுத்தல்கள், குறியீடு, சார்புநிலைகள், API-கள் மற்றும் பலவற்றைப் பாதிக்கலாம். pipelines.
DevSecOps குழுக்களுக்கு AI பாதுகாப்பில் உள்ள மிகப்பெரிய அபாயங்கள் யாவை?
மிகப்பெரிய அபாயங்களில் பாதுகாப்பற்ற AI-உருவாக்கிய குறியீடு, பாதிப்புக்குள்ளாகக்கூடிய சார்புநிலைகள், இரகசியங்கள் அம்பலமாதல், உடனடி ஊடுருவல், அதிகப்படியான ஏஜென்ட் அனுமதிகள் மற்றும் பாதுகாப்பற்றவை ஆகியவை அடங்கும். CI/CD ஆட்டோமேஷன்.
செயற்கை நுண்ணறிவு பாதுகாப்பு அபாயங்கள், பாரம்பரிய இணையப் பாதுகாப்பு அபாயங்களிலிருந்து ஏன் வேறுபடுகின்றன?
செயற்கை நுண்ணறிவு அமைப்புகளால் குறியீட்டை உருவாக்கவும், சார்புநிலைகளைப் பரிந்துரைக்கவும், கருவிகளை அழைக்கவும், தன்னிச்சையாகச் செயல்படவும் முடியும். இதன் விளைவாக, அபாயங்கள் வேகமாகவும், அமைப்பின் பல அடுக்குகளிலும் வெளிப்படுகின்றன. SDLC.
குழுக்கள் செயற்கை நுண்ணறிவு பாதுகாப்பு அபாயங்களை எவ்வாறு குறைக்க முடியும்?
செயற்கை நுண்ணறிவால் உருவாக்கப்பட்ட குறியீட்டை ஆய்வு செய்தல், சார்புகளைச் சரிபார்த்தல், இரகசியங்களைக் கண்டறிதல், அமல்படுத்துதல் போன்றவற்றின் மூலம் குழுக்கள் அபாயத்தைக் குறைக்கலாம். CI/CD guardrailsமுகவரின் நடத்தையைக் கண்காணித்தல் மற்றும் கண்டறிதல்களைத் தொடர்புபடுத்துதல் ASPM.
செயற்கை நுண்ணறிவால் உருவாக்கப்பட்ட நிரல் பாதுகாப்பானதா?
செயற்கை நுண்ணறிவால் உருவாக்கப்பட்ட நிரல் இயல்பாகவே பாதுகாப்பானது அல்ல. அது பயன்பாட்டுக்கு வருவதற்கு முன்பு, மீளாய்வு செய்யப்பட்டு, சரிபார்க்கப்பட்டு, உகந்ததாக்கப்பட வேண்டும்.
இறுதி எண்ணங்கள்: செயற்கை நுண்ணறிவு பாதுகாப்பு அபாயங்கள் தேவை SDLC-நிலை கட்டுப்பாடுகள்
செயற்கை நுண்ணறிவு, மென்பொருள் அபாயத்தின் வேகத்தையும் வடிவத்தையும் மாற்றுகிறது. இது குழுக்கள் வேகமாக உருவாக்க உதவுகிறது, ஆனால் அதே சமயம் பாதுகாப்பற்ற குறியீடு, வெளிப்படும் இரகசியங்கள், பாதுகாப்பற்ற சார்புநிலைகள் மற்றும் அபாயகரமான தானியக்கம் ஆகியவை விநியோகச் சங்கிலியில் நுழைவதற்குப் புதிய வழிகளையும் அறிமுகப்படுத்துகிறது.
எனவே, செயற்கை நுண்ணறிவுப் பாதுகாப்பை மாதிரி ஆளுகை அல்லது கொள்கை ஆவணங்களைக் கொண்டு மட்டும் கையாள முடியாது. அதற்கு நிறுவனத்திற்குள்ளேயே நடைமுறைக் கட்டுப்பாடுகள் தேவைப்படுகின்றன. SDLC: IDE பின்னூட்டம், SAST, SCAரகசியங்களைக் கண்டறிதல் CI/CD guardrails, முரண்பாடு கண்டறிதல், மற்றும் ASPM-நிலை தொடர்பு.
செயற்கை நுண்ணறிவுப் பாதுகாப்பு அபாயங்களைச் சிறப்பாகக் கையாளும் குழுக்கள், அதன் பயன்பாட்டைத் தடுப்பவர்களாக இருக்க மாட்டார்கள். மாறாக, அதனைச் சுற்றிச் சரியான பாதுகாப்பு அடுக்கை உருவாக்குபவர்களாகவே அவர்கள் இருப்பார்கள்.
