قم بإنشاء مثيل LangChain LLM

تنفيذ بنية آمنة افتراضيًا لتطبيقات الويب التي تعمل بالذكاء الاصطناعي

مقدمة

مع تزايد انتشار تطبيقات الويب التي تعتمد على الذكاء الاصطناعي، أصبحت الحاجة إلى بنية قوية وآمنة أكثر إلحاحًا من أي وقت مضى. مع ظهور الهجمات التي تعتمد على الذكاء الاصطناعي، من الضروري تنفيذ نهج آمن افتراضيًا يمكنه مقاومة التهديدات المحتملة. في هذه المقالة، سنستكشف كيفية دمج قواعد بيانات Percona الآمنة مفتوحة المصدر مع نهج Chainguard الآمن افتراضيًا والتكامل مع LangChain لتطبيقات الويب التي تدعم الذكاء الاصطناعي.

التهديدات التي تواجه تطبيقات الويب التي تعمل بالذكاء الاصطناعي

تطبيقات الويب التي تعمل بالذكاء الاصطناعي معرضة لتهديدات مختلفة، بما في ذلك:

• تسميم البيانات: يمكن التلاعب بنماذج الذكاء الاصطناعي من خلال تزويدها ببيانات ضارة، مما يؤدي إلى تنبؤات أو قرارات غير صحيحة.
• عكس النموذج: يمكن للمهاجمين استنتاج معلومات حساسة حول نموذج الذكاء الاصطناعي أو بيانات التدريب الخاصة به.
• الهجمات العدائية: يمكن خداع نماذج الذكاء الاصطناعي من خلال مدخلات مصممة بعناية لتضليل النموذج.

بنية آمنة افتراضيًا

للتخفيف من هذه التهديدات، سنقوم بتنفيذ بنية آمنة افتراضيًا تجمع بين قواعد بيانات Percona الآمنة مفتوحة المصدر ونهج Chainguard الآمن افتراضيًا وتتكامل مع LangChain لتطبيقات الويب التي تدعم الذكاء الاصطناعي.

قواعد بيانات بيركونا الآمنة مفتوحة المصدر

تقدم Percona مجموعة من قواعد البيانات الآمنة مفتوحة المصدر، بما في ذلك Percona Server لـ MySQL وPercona Server لـ PostgreSQL. توفر قواعد البيانات هذه ميزات أمان قوية، مثل:

• التشفير: يتم تشفير البيانات أثناء تخزينها وأثناء نقلها، مما يضمن بقاء المعلومات الحساسة سرية.
• التحكم في الوصول: يتيح التحكم الدقيق في الوصول للمسؤولين تقييد الوصول إلى البيانات الحساسة والتأكد من أن الموظفين المصرح لهم فقط هم من يمكنهم تعديل البيانات أو حذفها.
• التدقيق: توفر إمكانات التدقيق التفصيلية سجلاً شاملاً لجميع أنشطة قاعدة البيانات، مما يسهل اكتشاف الحوادث الأمنية والاستجابة لها.

نهج Chainguard الآمن افتراضيًا

تقدم Chainguard نهجًا آمنًا افتراضيًا يضمن إنشاء التطبيقات مع أخذ الأمان في الاعتبار منذ البداية. يتضمن هذا النهج ما يلي:

• الامتياز الأقل: تم تصميم التطبيقات لتعمل بأقل الامتيازات اللازمة لأداء وظائفها، مما يقلل من مساحة الهجوم.
• البنية الأساسية غير القابلة للتغيير: تم تصميم البنية الأساسية لتكون غير قابلة للتغيير، مما يسهل اكتشاف الحوادث الأمنية والاستجابة لها.
• التكوين الآمن: يتم تكوين التطبيقات مع أخذ الأمان في الاعتبار، بما في ذلك الإعدادات الافتراضية الآمنة والحد الأدنى من التكوين.

تكامل LangChain

LangChain هي مكتبة Python توفر واجهة برمجة تطبيقات بسيطة وبديهية لبناء تطبيقات الويب التي تعمل بالذكاء الاصطناعي. سنقوم بدمج LangChain مع قواعد بيانات Percona الآمنة مفتوحة المصدر ونهج Chainguard الآمن افتراضيًا لإنشاء بنية قوية وآمنة.

مثال الكود

إليك مثال رمزي بسيط يوضح كيفية دمج LangChain مع قواعد بيانات Percona الآمنة مفتوحة المصدر ونهج Chainguard الآمن افتراضيًا:

import langchain
من langchain استيراد LLM


إلم = إل إل إم(
    model_name = "دافينشي: 2-كبير"،
    الجهاز = "كودا"،
    max_tokens=1024,
)

# إنشاء اتصال بقاعدة بيانات بيركونا
استيراد mysql.connector
cnx = mysql.connector.connect(
    المستخدم = "اسم المستخدم"،
    كلمة المرور='كلمة المرور'،
    المضيف='127.0.0.1',
    قاعدة البيانات='قاعدة البيانات'
)

# إنشاء تكوين آمن لـ Chainguard
استيراد chainguard
cfg = chainguard.Config(
    app_name = "my_app"،
    app_version = "1.0"،
    env_vars={
        "DB_HOST": "127.0.0.1"،
        "DB_USER": "اسم المستخدم"،
        "DB_PASSWORD": "كلمة المرور"،
    },
)

# استخدم LangChain للاستعلام عن قاعدة البيانات
الاستعلام = "حدد * من my_table"
النتيجة = llm.query(استعلام، db=cnx، cfg=cfg)

# طباعة النتيجة
طباعة (نتيجة)

يوضح مثال التعليمات البرمجية هذا كيفية إنشاء مثيل LangChain LLM، والاتصال بقاعدة بيانات Percona، وإنشاء تكوين آمن لـ Chainguard. ثم يستخدم LangChain للاستعلام عن قاعدة البيانات وطباعة النتيجة.

أهم 5-10 أوامر/مقتطفات الأكثر استخدامًا

فيما يلي أهم 5-10 أوامر/مقتطفات الأكثر استخدامًا لهذه التقنية:

1. langchain.LLM(model_name="davinci:2-large"، devices="cuda"، max_tokens=1024) - قم بإنشاء مثيل LangChain LLM.
2. mysql.connector.connect(user='username', كلمة المرور='password', host='127.0.0.1', قاعدة البيانات='database') - إنشاء اتصال بقاعدة بيانات Percona.
3. chainguard.Config(app_name="my_app"، app_version="1.0"، env_vars={"DB_HOST": "127.0.0.1"، "DB_USER": "username"، "DB_PASSWORD": "password"}) - إنشاء تكوين آمن لـ Chainguard.
4. llm.query(query, db=cnx, cfg=cfg) - استخدم LangChain للاستعلام عن قاعدة البيانات.
5. طباعة(نتيجة) - طباعة نتيجة الاستعلام.
6. "استيراد langchain" - استيراد مكتبة LangChain.
7. استيراد mysql.connector - استيراد موصل قاعدة بيانات Percona.
8. "استيراد chainguard" - استيراد مكتبة Chainguard.
9. llm = LLM() - قم بإنشاء مثيل LangChain LLM دون تحديد نموذج.
10. cnx = mysql.connector.connect() - إنشاء اتصال بقاعدة بيانات Percona دون تحديد قاعدة بيانات.

التصور

فيما يلي تصور للبنية الآمنة افتراضيًا باستخدام Chart.js:

{
  "النوع": "شريط"،
  "البيانات": {
    "labels": ["قاعدة بيانات بيركونا"، "التكوين الآمن لـ Chainguard"، "LangChain LLM"]،
    "مجموعات البيانات": [
      {
        "label": "ميزات الأمان"،
        "بيانات": [10، 8، 12]،
        "backgroundColor": ["#FF6384"، "#36A2EB"، "#FFCE56"]
      }
    ]
  },
  "الخيارات": {
    "العنوان": {
      "العرض": صحيح،
      "text": "البنية الافتراضية الآمنة"
    },
    "المقاييس": {
      "المحاور": [
        {
          "القراد": {
            "beginAtZero": صحيح
          }
        }
      ]
    }
  }
}

يُظهر هذا التصور ميزات الأمان لقواعد بيانات Percona الآمنة مفتوحة المصدر، ونهج Chainguard الآمن افتراضيًا، وLLM الخاص بـ LangChain.

الخلاصة

يعد تنفيذ بنية آمنة افتراضيًا لتطبيقات الويب التي تعمل بالذكاء الاصطناعي أمرًا بالغ الأهمية في مشهد التهديدات اليوم. من خلال الجمع بين قواعد بيانات Percona الآمنة مفتوحة المصدر ونهج Chainguard الآمن افتراضيًا والتكامل مع LangChain، يمكننا إنشاء بنية قوية وآمنة يمكنها مقاومة الهجمات المحتملة التي تعتمد على الذكاء الاصطناعي. قدمت هذه المقالة دليلاً عمليًا حول كيفية تنفيذ هذه البنية، بما في ذلك أمثلة التعليمات البرمجية والمرئيات.