隨著AI大模型的快速發(fā)展普及，其自身也成為攻擊者的重要目標對象。在近期DeepSeek遭遇的攻擊事件中，攻擊者利用多種手段，如僵尸網(wǎng)絡、UDP洪水攻擊等，向服務器發(fā)送海量數(shù)據(jù)包，耗盡網(wǎng)絡帶寬和系統(tǒng)資源。

　　此類資源消耗型攻擊的核心在于，攻擊者無需直接竊取數(shù)據(jù)或破壞模型，而是通過污染或消耗目標系統(tǒng)的資源，如計算資源、訓練數(shù)據(jù)等，來達到資源耗盡、癱瘓系統(tǒng)，以及損害系統(tǒng)性能，致使模型失效的目的。這類攻擊隱蔽性強、破壞性大，已成為AI大模型面臨的主要網(wǎng)絡威脅之一，給AI技術的發(fā)展和應用帶來嚴峻挑戰(zhàn)。

　　通過對相關攻擊事件的梳理，我們總結了4類最為典型、常見的針對AI大模型的資源消耗型攻擊，包括API接口調用攻擊 、惡意注冊攻擊、大模型供應鏈投毒攻擊、大模型循環(huán)占用算力資源攻擊。

　　資源消耗型攻擊手段概覽圖

　　本文將深入剖析這4類攻擊的攻擊特征、具體手段以及防御建議等，為企業(yè)高效構建AI大模型的網(wǎng)絡安全防線提供參考意義。

　　一、大模型API接口調用攻擊

　?。ㄒ唬┕籼攸c

　　● 低成本高破壞：通過高頻API調用消耗算力資源。

　　● 隱蔽性強：偽裝成正常用戶請求，難以實時識別。

　　● 造成直接經(jīng)濟損耗：按調用量付費的商業(yè)模式下直接增加運營成本。

　?。ǘ┕羰侄?/p>

　　1. 高頻請求攻擊：使用腳本或分布式節(jié)點發(fā)起每秒數(shù)千次請求(如Python requests庫自動化調用)。

　　假設一個在線AI繪畫平臺，攻擊者使用上述類似腳本，通過自動化工具不斷向平臺的生成圖片接口發(fā)送請求，每秒發(fā)送數(shù)千次。這會導致平臺服務器資源被大量占用，正常用戶的請求無法及時處理，甚至可能使服務器崩潰。

　　2. 復雜查詢攻擊: 發(fā)送需高算力處理的復雜Prompt(如長文本摘要、多輪推理任務)。

　　對于一個提供自然語言處理服務的AI大模型，攻擊者發(fā)送大量包含幾萬字的長文本摘要請求，或者復雜的多輪推理任務(如要求模型對一個復雜的邏輯問題進行多次推理和修正)。由于這些任務需要大量的計算資源和時間來處理，會導致服務器性能下降，影響其他用戶的正常使用。

　　3. 異步調用濫用: 利用異步API接口發(fā)起大量長時間占用資源的任務。

　　例如，一個AI語音合成平臺提供了異步API接口，攻擊者如利用上述代碼，不斷發(fā)起大量長時間的語音合成任務(如合成很長的音頻文件)。這些異步任務會一直占用服務器資源，導致平臺資源耗盡，無法及時響應其他用戶的正常請求。

　?。ㄈ┕袅鞒?/p>

　　[攻擊者] → 自動化腳本 → 高頻/復雜API請求 → [大模型服務端] → 算力過載 → 服務降級/成本飆升

　?。ㄋ模┓烙ㄗh

　　● 限流策略(如Token Bucket算法)

　　● 請求復雜度分析(基于Prompt長度/邏輯深度)

　　● 用戶行為畫像(檢測異常調用模式)

　　二、惡意注冊攻擊

　?。ㄒ唬┕籼攸c

　　● 資源搶占:通過虛假賬號占用免費額度或試用資源。

　　● 身份偽造:利用臨時郵箱/虛擬手機號繞過注冊限制。

　?。ǘ┕羰侄?/p>

　　1. 自動化注冊工具:如使用Selenium或Headless Browser批量注冊賬號。

　　例如，攻擊者利用自動化注冊工具批量注冊大量虛假賬號，然后使用這些賬號大量生成圖像，導致平臺資源被過度占用，正常用戶在使用時出現(xiàn)響應緩慢甚至無法使用的情況，同時也增加了平臺的運營成本。

　　2. API密鑰盜用:通過撞庫攻擊獲取有效API密鑰(如GitHub泄露密鑰掃描)。

　　攻擊者通過掃描這些公開倉庫獲取了大量可能的 API 密鑰，然后使用撞庫的方式嘗試找出有效的密鑰。一旦獲取到有效密鑰，攻擊者就可以免費調用該大模型的服務，可能會造成數(shù)據(jù)泄露和平臺服務的濫用。

　　3. 資源耗盡攻擊: 利用免費賬戶發(fā)起持續(xù)推理請求。

　　攻擊者注冊大量免費賬戶，使用上述腳本不斷向平臺發(fā)起推理請求，使得平臺服務器的計算資源和帶寬被大量占用。導致正常用戶在與模型對話時出現(xiàn)卡頓、無響應等問題，影響平臺的正常服務。

　　（三）攻擊流程

　　[攻擊者] → 注冊腳本 → 生成虛假身份 → 獲取API Key → 發(fā)起資源消耗請求 → 服務配額耗盡

　?。ㄋ模┓烙ㄗh

　　● 多因素認證(如手機/郵箱驗證)

　　● 設備指紋識別(檢測虛擬機/代理IP)

　　● 使用資源分層控制

　　三、大模型供應鏈投毒攻擊

　　(一)攻擊特點

　　● 長期潛伏性:污染訓練數(shù)據(jù)或依賴庫后延遲觸發(fā)。

　　● 擴散性強:通過開源社區(qū)傳播含毒組件(如PyPI惡意包)。

　?。ǘ┕羰侄?/p>

　　1. 訓練數(shù)據(jù)投毒: 在公開數(shù)據(jù)集中插入誤導性樣本，這些樣本會影響模型的學習過程，使其在某些情況下做出錯誤的預測或決策。

　　例如攻擊者可以插入錯誤標注的圖文對，如將貓的圖片標注為狗，這樣模型在學習過程中就會將貓和狗的概念混淆。當模型部署后，遇到類似的貓圖片時，可能會錯誤地識別為狗。

　　2. 依賴庫劫持:篡改模型依賴的第三方庫(如修改 transformers 庫的權重加載邏輯)。

　　在深度學習中，很多模型依賴于第三方庫來實現(xiàn)各種功能，如模型的加載、訓練和推理。攻擊者可以通過修改這些庫的代碼，使得模型在加載權重或執(zhí)行其他操作時出現(xiàn)異常，從而達到攻擊的目的。例如，攻擊者可以修改權重加載邏輯，使得模型加載錯誤的權重，導致模型的性能下降或產生錯誤的輸出。

　　3. 后門植入: 在微調階段注入特定觸發(fā)詞響應邏輯。

　　在微調過程中，模型會根據(jù)新的數(shù)據(jù)集進行調整，攻擊者可以在這個過程中插入一些特殊的規(guī)則，當輸入包含特定的觸發(fā)詞時，模型會返回錯誤的結果。例如，攻擊者可以在一個安全檢測模型中植入后門，當輸入包含 “安全檢測”這個觸發(fā)詞時，模型返回錯誤的檢測結果， 從而繞過正常的安全檢測機制。

　?。ㄈ┕袅鞒?/p>

　　[攻擊者] → 污染訓練數(shù)據(jù)/依賴庫 → 模型訓練/部署 → 用戶調用含毒模型 → 觸發(fā)惡意行為(如資源泄露)

　?。ㄋ模┓烙ㄗh

　　● 數(shù)據(jù)來源可信驗證(如哈希校驗)

　　● 依賴庫簽名審查

　　● 模型行為動態(tài)監(jiān)控(異常輸出檢測)

　　四、大模型循環(huán)占用算力資源攻擊

　　（一）攻擊特點

　　● 定向打擊：針對容器化架構的彈性擴縮容弱點。

　　● 資源鎖死：通過遞歸Prompt耗盡單容器資源。

　?。ǘ┕羰侄?/p>

　　1. 無限遞歸Prompt: 設計自我引用的提示詞。

　　攻擊者構造包含自我引用的提示詞，讓 AI 不斷重復處理該提示詞，形成無限循環(huán)。例如，“請不斷重復這個問題并給出更詳細的解釋，每次重復都增加新的細節(jié)直到我讓你停止?！?這樣的提示會使 AI 陷入無限循環(huán)，不斷消耗計算資源，無法正常響應其他任務。在這個簡單示例中， recursive_function 函數(shù)調用自身，沒有設置終止條件，導致無限遞歸，最終會耗盡系統(tǒng)棧資源，導致程序崩潰。在 AI 處理中，類似的無限遞歸 Prompt 會使 AI 處理邏輯陷入死循環(huán)，占用大量計算資源。

　　2. GPU顯存爆破: 發(fā)送超大上下文請求。

　　當處理超大文本時，如果 GPU 顯存不足，就會拋出 RuntimeError 提示顯存不足錯誤。在實際攻擊中，攻擊者會利用這種方式不斷發(fā)送類似請求，耗盡系統(tǒng)資源。

　　3. 容器級攻擊: 利用Kubernetes自動擴容特性觸發(fā)資源過載。

　　攻擊者通過向運行AI服務的容器發(fā)送大量請求，利用 Kubernetes 的自動擴容特性，使得集群資源耗盡，最終導致 AI 服務無法正常運行。

　　流程步驟如下:

　　? 攻擊者開始發(fā)起攻擊，向運行AI服務的容器發(fā)送大量請求。

　　? Kubernetes監(jiān)控容器的負載情況。

　　? 判斷容器負載是否過高:如果負載不高，則繼續(xù)發(fā)送請求；如果負載過高，Kubernetes 按照預設策略啟動新的容器實例。

　　? 判斷集群資源是否耗盡:如果資源耗盡，AI 服務無法正常運行，攻擊結束；如果資源未耗盡，則繼續(xù)發(fā)送請求，持續(xù)攻擊。

　?。ㄈ┕袅鞒?/p>

　　[攻擊者] → 構造惡意輸入 → 容器處理超時 → 自動擴容新實例 → 持續(xù)占用資源 → 云成本指數(shù)級增長

　?。ㄋ模┓烙ㄗh

　　● 請求深度限制(如最大Token數(shù)/遞歸層數(shù))

　　● 容器資源硬隔離(CPU/GPU配額)

　　● 彈性擴縮容熔斷機制

　　防御示例代碼

　　當前AI大模型的技術架構和特性，使其不可避免地面臨著多樣安全威脅——API的廣泛暴露可能招致API密鑰盜用和惡意請求攻擊，嚴重影響服務穩(wěn)定性和性能；容器化結構則帶來了容器逃逸和資源過載等新風險；訓練數(shù)據(jù)投毒、數(shù)據(jù)泄露、后門植入及模型逆向工程等，均對模型的安全性和可靠性構成嚴峻挑戰(zhàn)。加強AI大模型的網(wǎng)絡安全防護，實施有效的防御策略，是保障其穩(wěn)健運行和持續(xù)發(fā)展的關鍵。

　　在AI資源消耗型攻擊事件中，企業(yè)需結合實時監(jiān)控系統(tǒng)(如Prometheus+AI異常檢測)和資源熔斷策略(如自動封禁異常IP)進行防御。同時，建議企業(yè)從架構設計階段嵌入安全防護(如Serverless冷啟動隔離)，并通過對抗樣本測試驗證系統(tǒng)魯棒性。除此之外，通過業(yè)內領先的網(wǎng)絡安全服務商的專業(yè)力量加持，多方協(xié)同配合，能夠進一步助力企業(yè)在AIGC和大模型發(fā)展浪潮中穩(wěn)步前行。

　　白山云為AI技術發(fā)展保駕護航

　　白山云安全實驗室憑借在網(wǎng)絡安全領域豐富的創(chuàng)新技術探索積累和15+年攻防實戰(zhàn)經(jīng)驗，為AI大模型和AIGC企業(yè)提供專業(yè)安全解決方案，實現(xiàn)AI業(yè)務持續(xù)穩(wěn)健運營。

　　1、云WAF一鍵布防，高效防御攔截各類威脅攻擊

　　?精準識別與過濾攻擊流量

　　白山云WAF產品憑借對攻擊行為模式的深度理解，能夠快速甄別出異常流量。例如，通過分析HTTP請求的頭部信息、請求頻率、請求內容等關鍵要素，WAF可以有效識別出偽裝成正常請求的惡意HTTP代理攻擊流量，并及時進行攔截，阻止其對服務器造成危害。

　　?應用層深度檢測

　　針對暴力破解攻擊等應用層攻擊，白山云WAF產品可以監(jiān)測登錄請求的頻率和模式，一旦發(fā)現(xiàn)某個IP地址在短時間內發(fā)起大量異常的登錄嘗試，便會觸發(fā)防護機制，采取限制該IP訪問、發(fā)送告警信息等措施，有效防止攻擊者獲取系統(tǒng)權限。

　　?實時阻斷與防護

　　在攻擊峰值期間，大量惡意流量如潮水般涌來，白山云WAF產品可以在瞬間對這些攻擊流量進行攔截，確保服務器資源不被惡意消耗，保障正常用戶的服務請求能夠得到及時響應。

　　2、配套安全服務，提供最強安全兜底

　　?模型安全漏洞掃描

　　AI 大模型在開發(fā)和部署過程中可能存在各種安全漏洞，如代碼漏洞、邏輯漏洞等。白山云安全服務提供針對 AI 大模型的專業(yè)漏洞掃描工具和服務，檢測是否存在常見安全漏洞，如緩沖區(qū)溢出、SQL注入、跨站腳本攻擊（XSS）等。同時，還能對模型的訓練和推理過程進行安全性分析，檢查是否存在數(shù)據(jù)泄露風險、模型參數(shù)被篡改的可能性等問題。

　　?數(shù)據(jù)安全監(jiān)測

　　AI 大模型涉及大量的數(shù)據(jù)處理，數(shù)據(jù)安全至關重要。白山云安全服務可以對數(shù)據(jù)的全生命周期進行監(jiān)測，包括數(shù)據(jù)的收集、存儲、傳輸和使用等環(huán)節(jié)。例如，通過對數(shù)據(jù)流量的加密監(jiān)測和數(shù)據(jù)訪問日志的分析，及時發(fā)現(xiàn)數(shù)據(jù)泄露的跡象，并采取相應的措施進行處理。

　　?威脅情報共享

　　白山云威脅情報共享平臺收集和整合來自全球的網(wǎng)絡安全威脅情報信息，這些情報可以幫助安全團隊及時了解最新的攻擊趨勢和針對AI領域的特定威脅，并將其應用到對大模型和AIGC應用的安全防護中。

　　?應急響應服務

　　應急響應服務是安全兜底方案的重要組成部分，一旦發(fā)生安全事件，白山云應急響應團隊將迅速介入，進行事件調查、分析和處理，盡快恢復系統(tǒng)正常運行，減少損失。

免責聲明：以上內容為本網(wǎng)站轉自其它媒體，相關信息僅為傳遞更多信息之目的，不代表本網(wǎng)觀點，亦不代表本網(wǎng)站贊同其觀點或證實其內容的真實性。如稿件版權單位或個人不想在本網(wǎng)發(fā)布，可與本網(wǎng)聯(lián)系，本網(wǎng)視情況可立即將其撤除。