量化安全漏洞：针对当前 AI 标准安全差距的指标驱动分析
密码学与安全
2025-07-29 v2 人工智能
摘要
随着 AI 系统融入关键基础设施，AI 合规框架中的安全差距亟需关注。本文审计并量化了三个主要 AI 治理标准（NIST AI RMF 1.0、英国 AI 数据保护风险工具箱及欧盟 ALTAI）中的安全风险。我们采用新颖的风险评估方法论，构建四个关键指标：风险严重性指数（RSI）、攻击潜力指数（AVPI）、合规-安全差距百分比（CSGP）和根本原因漏洞评分（RCVS）。我们的分析识别出 136 项顾虑，揭示了显著的差距。NIST 未能覆盖 69.23% 的识别风险，ALTAI 的攻击向量脆弱性最高（AVPI=0.51），ICO 工具箱的合规-安全差距最大，80.00% 的高风险顾虑仍未得到解决。根本原因分析表明，ALTAI 的流程定义不清（RCVS=0.33），NIST 和 ICO 的实施指导薄弱（RCVS=0.25）是关键弱点。这些发现凸显了 AI 合规中更强制性安全控制的必要性。我们提供了针对性建议，以增强安全态势并弥合合规与实际 AI 风险之间的差距。
引用
@article{arxiv.2502.08610,
title = {Quantifying Security Vulnerabilities: A Metric-Driven Security Analysis of Gaps in Current AI Standards},
author = {Keerthana Madhavan and Abbas Yazdinejad and Fattane Zarrinkalam and Ali Dehghantanha},
journal= {arXiv preprint arXiv:2502.08610},
year = {2025}
}