Izveidojiet LangChain LLM instanci

Drošas pēc noklusējuma arhitektūras ieviešana ar AI darbināmām tīmekļa lietojumprogrammām

Ievads

Tā kā ar AI darbināmas tīmekļa lietojumprogrammas kļūst arvien izplatītākas, nepieciešamība pēc spēcīgas un drošas arhitektūras nekad nav bijusi tik aktuāla. Pieaugot mākslīgā intelekta izraisītiem uzbrukumiem, ir svarīgi ieviest drošu pēc noklusējuma pieeju, kas spēj izturēt iespējamos draudus. Šajā rakstā mēs izpētīsim, kā apvienot Percona drošās atvērtā pirmkoda datu bāzes ar Chainguard drošu pēc noklusējuma pieeju un integrēt ar LangChain tīmekļa lietojumprogrammām, kas darbojas ar AI.

Draudi ar AI darbināmām tīmekļa lietojumprogrammām

Ar AI darbināmas tīmekļa lietojumprogrammas ir neaizsargātas pret dažādiem draudiem, tostarp:

• Saindēšanās ar datiem: ar mākslīgā intelekta modeļiem var manipulēt, ievadot tiem ļaunprātīgus datus, tādējādi radot nepareizas prognozes vai lēmumus.
• Modeļa inversija: uzbrucēji var izsecināt sensitīvu informāciju par AI modeli vai tā apmācības datiem.
• Pretēja uzbrukumi: mākslīgā intelekta modeļus var maldināt ar rūpīgi izstrādātām ievadēm, kas ir paredzētas modeļa maldināšanai.

Droša pēc noklusējuma arhitektūra

Lai mazinātu šos draudus, mēs ieviesīsim drošu pēc noklusējuma arhitektūru, kas apvieno Percona drošās atvērtā pirmkoda datu bāzes ar Chainguard drošu pēc noklusējuma pieeju un integrēsies ar LangChain ar AI darbināmām tīmekļa lietojumprogrammām.

Percona drošās atvērtā pirmkoda datu bāzes

Percona piedāvā virkni drošu atvērtā koda datu bāzu, tostarp Percona Server for MySQL un Percona Server for PostgreSQL. Šīs datu bāzes nodrošina spēcīgus drošības līdzekļus, piemēram:

• Šifrēšana: dati tiek šifrēti miera stāvoklī un pārsūtīšanas laikā, nodrošinot, ka sensitīvā informācija paliek konfidenciāla.
• Piekļuves kontrole: precīza piekļuves kontrole ļauj administratoriem ierobežot piekļuvi sensitīviem datiem un nodrošināt, ka tikai pilnvaroti darbinieki var mainīt vai dzēst datus.
• Auditēšana: detalizētas auditēšanas iespējas nodrošina visaptverošu visu datu bāzes darbību uzskaiti, atvieglojot drošības incidentu noteikšanu un reaģēšanu uz tiem.

Chainguard droša pēc noklusējuma pieeja

Chainguard piedāvā drošu pēc noklusējuma pieeju, kas nodrošina, ka lietojumprogrammas jau no paša sākuma tiek veidotas, ņemot vērā drošību. Šī pieeja ietver:

• Mazākā privilēģija: lietojumprogrammas ir izstrādātas tā, lai tās darbotos ar vismazākajām privilēģijām, kas nepieciešamas to funkciju veikšanai, samazinot uzbrukuma virsmu.
• Nemainīga infrastruktūra: infrastruktūra ir veidota tā, lai tā būtu nemainīga, tādējādi atvieglojot drošības incidentu noteikšanu un reaģēšanu uz tiem.
• Droša konfigurācija: lietojumprogrammas ir konfigurētas, ņemot vērā drošību, tostarp drošus noklusējuma iestatījumus un minimālu konfigurāciju.

LangChain integrācija

LangChain ir Python bibliotēka, kas nodrošina vienkāršu un intuitīvu API, lai izveidotu ar AI darbināmas tīmekļa lietojumprogrammas. Mēs integrēsim LangChain ar Percona drošajām atvērtā pirmkoda datu bāzēm un Chainguard drošības pēc noklusējuma pieeju, lai izveidotu stabilu un drošu arhitektūru.

Koda piemērs

Šeit ir vienkāršs koda piemērs, kas parāda, kā integrēt LangChain ar Percona drošajām atvērtā pirmkoda datu bāzēm un Chainguard drošības pēc noklusējuma pieeju:

importēt langchain
no langchain importa LLM


llm = LLM(
    model_name="davinci:2-large",
    device="cuda",
    max_tokens=1024,
)

# Izveidojiet Percona datu bāzes savienojumu
importēt mysql.connector
cnx = mysql.connector.connect(
    user='lietotājvārds',
    parole='parole',
    host='127.0.0.1',
    datubāze='datubāze'
)

# Izveidojiet Chainguard drošu konfigurāciju
importa ķēdes aizsargs
cfg = chainguard.Config(
    app_name="mana_lietotne",
    app_version="1.0",
    env_vars={
        "DB_HOST": "127.0.0.1",
        "DB_USER": "lietotājvārds",
        "DB_PASSWORD": "parole",
    },
)

# Izmantojiet LangChain, lai vaicātu datu bāzē
query = "ATLASĪT * NO mana_tabulas"
rezultāts = llm.query(vaicājums, db=cnx, cfg=cfg)

# Izdrukājiet rezultātu
izdrukāt (rezultāts)

Šis koda piemērs parāda, kā izveidot LangChain LLM instanci, izveidot savienojumu ar Percona datu bāzi un izveidot Chainguard drošu konfigurāciju. Pēc tam tas izmanto LangChain, lai vaicātu datu bāzē un izdrukātu rezultātu.

5–10 populārākās komandas/fragmenti

Šeit ir 5–10 populārākās šīs tehnoloģijas komandas/fragmenti:

1. langchain.LLM(model_name="davinci:2-large", device="cuda", max_tokens=1024) — izveidojiet LangChain LLM instanci.
2. `mysql.connector.connect(user='lietotājvārds', parole='parole', host='127.0.0.1', datubāze='datubāze')' — izveidojiet Percona datu bāzes savienojumu.
3. `chainguard.Config(app_name="my_app", app_version="1.0", env_vars={"DB_HOST": "127.0.0.1", "DB_USER": "lietotājvārds", "DB_PASSWORD": "parole"}) — izveidojiet Chainguard drošu konfigurāciju.
4. `llm.query(query, db=cnx, cfg=cfg) — izmantojiet LangChain, lai vaicātu datu bāzē.
5. Drukāt(rezultāts) — izdrukājiet vaicājuma rezultātu.
6. importēt langchain — importēt LangChain bibliotēku.
7. importēt mysql.connector — importēt Percona datu bāzes savienotāju.
8. importēt ķēdes aizsargu — importēt Chainguard bibliotēku.
9. `llm = LLM() — izveidojiet LangChain LLM gadījumu, nenorādot modeli.
10. cnx = mysql.connector.connect() — izveidojiet Percona datu bāzes savienojumu, nenorādot datu bāzi.

Vizualizācija

Tālāk ir parādīta drošas pēc noklusējuma arhitektūras vizualizācija, izmantojot Chart.js:

{
  "tips": "josla",
  "dati": {
    "labels": ["Percona Database", "Chainguard Secure Configuration", "LangChain LLM"],
    "datu kopas": [
      {
        "label": "Drošības līdzekļi",
        "dati": [10, 8, 12],
        "backgroundColor": ["#FF6384", "#36A2EB", "#FFCE56"]
      }
    ]
  },
  "opcijas": {
    "title": {
      "displejs": patiess,
      "text": "Droša pēc noklusējuma arhitektūra"
    },
    "svari": {
      "yAxes": [
        {
          "ērces": {
            "beginAtZero": taisnība
          }
        }
      ]
    }
  }
}

Šī vizualizācija parāda Percona drošo atvērtā pirmkoda datu bāzu drošības līdzekļus, Chainguard drošu pēc noklusējuma pieeju un LangChain LLM.

Secinājums

Drošas pēc noklusējuma arhitektūras ieviešana ar AI darbināmām tīmekļa lietojumprogrammām ir ļoti svarīga mūsdienu draudu vidē. Apvienojot Percona drošās atvērtā pirmkoda datu bāzes ar Chainguard drošas pēc noklusējuma pieeju un integrējoties ar LangChain, mēs varam izveidot stabilu un drošu arhitektūru, kas spēj izturēt potenciālos mākslīgā intelekta izraisītus uzbrukumus. Šajā rakstā ir sniegti praktiski norādījumi par šīs arhitektūras ieviešanu, tostarp koda piemēri un vizualizācijas.