Lasso Security 以基于上下文的访问控制设立 LLM 安全新标准

为支持企业长期 AI 战略扩展大语言模型（LLM），企业依赖需要更强上下文安全性的检索增强生成（RAG）框架以满足集成需求。

一、保护 RAG 需上下文智能

传统 RAG 访问控制技术无法提供上下文控制。RAG 缺乏原生访问控制，对企业有安全风险，可能让未经授权用户获取敏感信息。基于角色的访问控制（RBAC）缺乏灵活性，基于属性的访问控制（ABAC）可扩展性有限且维护成本高。

Lasso Security 针对这些问题开发了基于上下文的访问控制（CBAC），其能动态评估 LLM 访问请求的上下文，评估访问、响应、交互、行为和数据修改请求，确保安全性，防止未经授权访问并维持高安全标准，目标是让授权用户访问特定信息，且有助于防止聊天机器人泄露 LLM 敏感信息。

Lasso Security 联合创始人兼首席产品官 Ophir Dror 表示，CBAC 聚焦知识层面，比传统方法更精确安全，能让组织在保持严格访问控制的同时利用 RAG 力量。

（AI 注释：文中提到的 LLM 是大语言模型，RAG 是检索增强生成，CBAC 是基于上下文的访问控制，这些技术都与 AI 相关，涉及到对 AI 模型的数据访问控制和安全性保障。）

二、检索增强生成（RAG）的定义

2020 年相关研究人员定义了检索增强生成（RAG），Gartner 也在报告中提到 RAG 是克服通用大语言模型局限性的实用方法。

（AI 注释：RAG 对于 AI 应用中的数据利用和处理有重要作用࿰