企业官网建设流程全解析

AI-Infra-Guard 案例解析：AI 基础设施 CVE 扫描与 CI/CD、DevSecOps 集成实战

【免费下载链接】AI-Infra-GuardA full-stack AI Red Teaming platform securing AI ecosystems via Agent Scan, Skills Scan, MCP scan, AI Infra scan and LLM jailbreak evaluation.项目地址: https://gitcode.com/GitHub_Trending/ai/AI-Infra-Guard

本文基于 AI-Infra-Guard（A.I.G）开源仓库中的案例文档展开，重点讲清两件事：一是 A.I.G 的AI Infra Scan能力如何对 vLLM、ComfyUI、Ollama、Triton Inference Server、Ray 等 AI 框架组件进行指纹识别与 CVE 漏洞检测，并给出其"指纹模板 → 版本提取 → 漏洞规则匹配"的完整实现链路；二是如何在 CI/CD 流水线、DevSecOps 平台和 Git 代码评审三个典型场景中把 A.I.G 接入现有业务管线，实现自动化安全测试。读完后，你将能够理解 AI 基础设施 CVE 扫描的底层机制，并能按照文中的集成模式在自己的环境中落地安全门禁。

一、内部 AI 基础设施漏洞扫描：案例背景

A.I.G 案例文档指出的第一个典型落地场景是企业内部 AI 基础设施的漏洞自查。企业的 AI 平台通常由 vLLM、Ollama、ComfyUI、Triton Inference Server、Ray 等开源组件拼装而成，这些组件自身的历史 CVE 往往被忽视。A.I.G 的AI Infra Scan功能正是为此设计：它连接到正在运行的 AI 服务网络地址（注意：扫描对象是运行中的服务，而不是 GitHub 仓库或源码路径），先识别服务指纹，再提取版本，最后匹配内置漏洞库给出 CVE 风险结论。

从仓库 README 的功能矩阵看，AI infra vulnerability scan声称支持"精准识别 100 余种 AI 框架组件、覆盖 2000+ 已知 CVE"，并明确列出 Ollama、ComfyUI、vLLM、n8n、Triton Inference Server 等框架——这与案例文档中列举的组件清单相互印证。

1.1 漏洞库结构：每条 CVE 是一个 YAML 规则文件

漏洞数据集中在 data/vuln/ 目录，按组件名分目录存放，例如 data/vuln/vllm/、data/vuln/comfyui/、data/vuln/triton-inference-server/、data/vuln/ray/。仓库同时提供中英文两套漏洞描述目录（data/vuln/与 data/vuln_en/），可通过参数选择语言输出。

以 vLLM 的 CVE-2024-11040.yaml 为例，一条漏洞规则的完整结构如下：

info: name: vllm # 必须与指纹模板的 name 对应，用于关联匹配 cve: CVE-2024-11040 summary: vllm-project vllm版本0.5.2.2易受拒绝服务攻击。 details: | 此漏洞影响"POST /v1/completions"和"POST /v1/embeddings"端点。 ... cvss: CVSS:3.0/AV:N/AC:L/PR:N/UI:N/S:U/C:N/I:N/A:H severity: HIGH security_advise: | 1. 升级到vllm-project vllm版本0.5.2.3或更高版本。 2. 为"POST /v1/embeddings"端点实施输入验证以防止无效输入。 rule: version < "0.5.2.3" # 版本判定 DSL，指纹识别到版本后执行 references: - https://nvd.nist.gov/vuln/detail/CVE-2024-11040

rule字段是该规则的核心：它是一条版本判定表达式，在扫描器提取到目标服务版本后才参与求值。

1.2 源码实现：AdvisoryEngine 如何加载与匹配漏洞

漏洞引擎的实现在 pkg/vulstruct/advisory.go：

• LoadFromDirectory(dir)：递归扫描目录下的.yaml文件并逐条解析，构成本地漏洞库。规则结构体与解析逻辑定义在 pkg/vulstruct/scanner.go 的VersionVul中——每条规则包含Info（CVE、摘要、CVSS、严重级、修复建议、引用链接）和Rule（版本 DSL 表达式），RuleCompile字段保存编译后的可执行规则；
• LoadFromHost(host, lang)：从 A.I.G 的 Web 服务接口GET /api/v1/knowledge/vulnerabilities?page=1&size=9999&lang={lang}远程拉取漏洞库，并支持中英文语言切换，这正是"漏洞库可持续更新"的实现路径；
• GetAdvisories(packageName, version, isInternal)：匹配逻辑为——先按指纹名（FingerPrintName）过滤出该组件的全部规则，若拿到了具体版本且规则非空，则调用编译后的RuleCompile.AdvisoryEval(...)对版本 DSL 求值；求值命中的 CVE 才会出现在最终结果中。

1.3 指纹模板：CVE 检测的前提

版本判定必须建立在"先认出这是什么组件、再读出版本号"之上。指纹模板位于 data/fingerprints/，每个组件一个 YAML。以 data/fingerprints/vllm.yaml 为例：

info: name: vllm author: 腾讯朱雀实验室 http: - method: GET path: '/version' matchers: - body="{\"version\":\"" # 识别 vLLM 服务的探测规则 - method: GET path: '/v1/models' matchers: - header="uvicorn" && body="\"object\"" && body="\"data\"" version: - method: GET path: '/version' extractor: part: body group: 1 regex: '{"version":"(\d+\.\d+\.?\d+?)' # 版本号提取正则

即http段负责识别（匹配请求/响应特征），version段负责用正则提取版本号。其他组件同理，例如 data/fingerprints/ollama.yaml 通过body="Ollama is running"识别服务、从/api/version提取版本；data/fingerprints/triton.yaml 则通过/v2响应中同时出现"name"、"extensions"和"triton"来识别 Triton Inference Server；Ray 对应 data/fingerprints/ray.yaml，ComfyUI 则有多份模板位于 data/fingerprints/comfyui/。

1.4 扫描执行链：Runner 如何把三者串起来

整体执行器在 common/runner/runner.go。Runner结构体持有指纹引擎（fpEngine *preload.Runner）与漏洞引擎（advEngine *vulstruct.AdvisoryEngine），初始化顺序为：

1. initStorage()/processTargets()：准备混合存储（hybrid map，用于缓存与并发协调）并解析目标列表；
2. initFingerprints()：加载指纹模板（支持本地目录或远程加载）；
3. initVulnerabilityDB()：构建 AdvisoryEngine，加载本地或远程漏洞库；
4. 运行时对每个目标并发执行指纹探测与版本提取，命中的组件再调用GetAdvisories完成 CVE 匹配。

每条扫描结果由 common/runner/result.go 中的HttpResult承载，字段包含url、HTTP 状态码、响应时间、fingerprints（指纹命中结果）和advisories（命中的 CVE 列表，即VersionVul结构），支持JSON()序列化输出——这个 JSON 输出正是后续 CI/CD 与 DevSecOps 集成时机器可消费的数据格式。

从源码结构看，整个检测过程是纯黑盒的：不依赖目标机器上的 agent，只要网络可达即可识别并给出 CVE 结论，这也是它能直接嵌入流水线"构建/部署前探测"环节的底层原因。

二、集成场景一：CI/CD 流水线中的安全门禁

案例文档给出的第一个集成场景是：A.I.G 可作为 CI/CD 管线中的安全门禁，在代码提交、构建或部署阶段自动触发扫描，只有通过安全检查的应用才能进入下一阶段。文档给出的示例集成点为：在 MCP Server 构建之后、部署之前，调用 A.I.G 的 API 进行安全检测。

结合仓库实际能力，这个场景可以拆成两条落线路径：

• MCP Server 资产：仓库内 mcp-scan/ 提供独立的mcp-scanCLI（README 说明其可通过pip install安装、支持从源码和远程 URL 两种方式扫描 MCP Server），可在流水线"构建完成、部署前"的 stage 中以独立命令运行，扫描失败即中断流水线；
• 运行中的 AI 基础设施服务：对已部署的 AI 服务（如 vLLM/Ollama 实例），通过 A.I.G 的任务创建 API 发起AI Infra Scan任务（README 说明其提供覆盖 AI infra scan、MCP Server Scan、Jailbreak Evaluation 的任务创建 API），以 JSON 结果中的advisories字段是否为空作为门禁判断条件。

流水线中的典型做法是：将 A.I.G 返回的 JSON 结果（HttpResult序列化格式）写入流水线制品，advisories非空则标记该构建为"安全不通过"，阻止部署。由于漏洞库与指纹库可通过远程接口更新（见LoadFromHost），门禁规则不需要随流水线镜像重新构建。

三、集成场景二：DevSecOps 平台的安全态势汇聚

第二个场景是把 A.I.G 接入 DevSecOps 平台，将各类风险扫描结果汇聚为统一安全看板，提供全面的安全态势感知。文档给出的集成点是：通过 API 或报告导出功能，把 A.I.G 的扫描报告导入 DevSecOps 平台。

落到实现层面，可利用的对接面包括：

• 结构化 JSON 输出：如前所述，扫描结果天然可序列化为 JSON（HttpResult.JSON()），包含指纹与 CVE 明细，可直接对接 DevSecOps 平台的数据接入通道；
• 漏洞知识接口：A.I.G Web 服务暴露GET /api/v1/knowledge/vulnerabilities漏洞库查询接口（见 pkg/vulstruct/advisory.go），DevSecOps 侧可定期同步漏洞库元数据，用于在平台内展示"组件 → 已知 CVE"的关联视图；
• 多类扫描结果的汇聚：A.I.G 除 AI Infra Scan 外还提供 MCP Server & Agent Skills 扫描（覆盖 14 大类安全风险）、Agent Scan 等能力，DevSecOps 看板可把不同扫描类型的结果按资产维度归并，形成统一态势视图。

四、集成场景三：Git 代码安全评审

第三个场景是 A.I.G 与代码仓库集成：在 Pull Request / Merge Request 事件时自动触发安全扫描，并将结果直接展示在代码评审界面。文档给出的集成点是：配置 webhook，在 PR/MR 事件触发 A.I.G 扫描，并把状态检查结果回写到代码仓库。

实现模式上，这与通用 CI 集成一致：

1. 代码仓库（Git 平台）在 PR/MR 事件上发出 webhook；
2. 接收端（可以是 CI 系统或轻量中转服务）根据事件类型调用 A.I.G 对应能力——针对 MCP Server / Agent Skills 类代码资产，可调用 MCP/Skill 扫描能力（仓库内 mcp-scan/、skill-scan/ 均提供可独立运行的 CLI 与 Python 包，便于在流水线或 webhook 处理器中直接执行）；
3. 扫描完成后，将通过/失败状态以状态检查（status check / commit status）形式回写到代码仓库，评审人即可在 PR 界面看到安全扫描结论。

五、如何在仓库中自行验证

如果你想复现案例文档描述的检测能力并核实其实现，可按以下路径逐层查看：

需要注意的是适用前提：AI Infra Scan面向的是可网络访问的运行中服务，且检测结论受限于当前指纹库与漏洞库的覆盖范围；README 中的组件数与 CVE 规则数（146 个 AI 组件、2000+ 规则）来自其 v4.6.0 版本的更新说明，实际以当前仓库data/fingerprints/与data/vuln/目录内容为准。

六、小结

案例文档给出的是一条清晰的使用路径：先用AI Infra Scan对内部 AI 基础设施（vLLM、ComfyUI、Ollama、Triton、Ray 等）完成 CVE 自查，再把 A.I.G 以"API/报告"为接口嵌入 CI/CD 门禁、DevSecOps 汇聚看板和 Git 评审三个自动化环节。从仓库源码看，这一路径的可行性建立在三个已实现的机制之上：声明式的 YAML 指纹/漏洞规则（data/fingerprints、data/vuln）、可本地/远程加载的AdvisoryEngine匹配引擎（pkg/vulstruct），以及可并发执行、输出结构化 JSON 的Runner（common/runner）。理解这三层，也就理解了 A.I.G 能够作为安全基础设施被持续调度的原因。

【免费下载链接】AI-Infra-GuardA full-stack AI Red Teaming platform securing AI ecosystems via Agent Scan, Skills Scan, MCP scan, AI Infra scan and LLM jailbreak evaluation.项目地址: https://gitcode.com/GitHub_Trending/ai/AI-Infra-Guard