1.1.1 AI安全的内涵与外延

文档摘要

1.1.1 AI安全的内涵与外延 1.1.1 AI安全的内涵与外延：从模型缓存污染看推理服务的“隐形后门” 你是否曾想过，一个看似无害的AI推理请求，竟能悄悄污染整个服务系统的内部状态？在部署大规模语言模型（LLM）或视觉识别模型时，我们常常将注意力集中在对抗样本、数据投毒、模型窃取等显性威胁上，却忽略了推理引擎自身在高并发、多租户环境下的状态隔离漏洞。这类问题不会触发任何异常日志，也不会导致服务崩溃，但它可能悄无声息地改变后续所有用户的输出结果——这正是AI安全中“外延”部分最容易被忽视的灰色地带。本文聚焦于一个真实生产环境中反复出现的故障案例：模型推理缓存（inference cache）因未做租户隔离而导致的跨请求信息泄露。