前言

根據報導，AI 驅動攻擊在一年內增加 156%，攻擊主要集中於開源套件庫（PyPI、npm、GitHub）。AI 能自動化生成惡意套件，使攻擊散布迅速、規模巨大。研究指出，AI 優化的攻擊平均需 276 天 才能被偵測，顯示傳統漏洞掃描與行為偵測已不足以因應。 AI r發展與應用，將對供應鏈產生重大衝擊：

• 自動化攻擊速度極快：突破企業防線的時間縮短到 10–14 分鐘。
• 社交工程強化：AI 深偽、語言模型大幅提升釣魚與商業詐騙（BEC）成功率。
• 模型與依賴套件污染：在開源模型與套件平台進行 typosquatting 或藏入惡意模型，導致 AI 應用程式被植入後門。
• 攻擊者行為升級為供應鏈滲透：國家級攻擊者鎖定小型供應商，藉其滲透大型企業。

常見供應鏈攻擊可能因素

1. 第三方軟體或服務漏洞未及時修補

• 案例：Jaguar Land Rover 使用的 SAP Netweaver 存在已知漏洞，但未及時更新，成為攻擊入口。
• 特徵：企業依賴外部軟體，若漏洞修補延遲，整個供應鏈皆受影響。

2. 勒索軟體透過合作夥伴或電子郵件滲透

• 案例：Asahi 集團攻擊可能透過郵件附件或合作夥伴的供應鏈入侵。
• 特徵：攻擊者利用合作商或員工的信任關係，導致核心系統癱瘓。

3. 開源專案維護者遭社交工程滲透

• 案例：XZ Utils 後門事件中，攻擊者長期參與專案，取得發版權限後植入惡意程式。
• 特徵：開源社群缺乏嚴格審核，攻擊者可透過耐心與社交工程滲透。

4. 合法更新管道遭污染

• 案例：3CX VoIP 攻擊中，惡意 DLL 植入合法更新檔，並帶有數位簽章。
• 特徵：使用者信任官方更新，攻擊者利用此信任進行大規模傳播。

5. 零日漏洞利用

• 案例：Kaseya VSA 攻擊利用多個零日漏洞，直接控制伺服器並推送惡意更新。
• 特徵：零日漏洞難以防範，攻擊者可在防禦者尚未修補前大規模擴散。

6. 廣泛使用的基礎元件存在設計缺陷

• 案例：Log4j (Log4Shell) 漏洞，因其在全球數十億設備中使用，造成史詩級風險。
• 特徵：基礎元件一旦出現漏洞，影響範圍遍及全球，修補困難且持續多年。

7. 軟體開發環境遭入侵

• 案例：SolarWinds Orion 攻擊中，攻擊者滲透開發環境，將惡意程式植入合法更新。
• 特徵：若開發環境遭污染，所有下游客戶皆可能受害，形成系統性風險。

防範供應鏈攻擊的可能措施

1. 強化第三方與開源套件管理

• 建立SBOM（Software Bill of Materials）/ AI-BOM，完整列出所有使用的套件、模型與依賴。
• 對第三方套件與開源專案進行來源驗證與完整性檢查（簽章、哈希比對）。
• 定期審查並移除不必要或過時的依賴，降低攻擊面。

2. 漏洞管理與快速修補

• 建立零日漏洞監控機制，確保能即時追蹤並修補供應鏈中的已知漏洞。
• 對核心系統（如 ERP、VoIP、開源工具）進行 持續更新與安全測試。
• 對延遲修補的高風險漏洞，設置臨時防護措施（WAF、隔離）。

3. 強化身份驗證與存取控制

• 對維護者與供應商帳號採用多因素驗證 (MFA)，降低憑證竊取風險。
• 建立零信任架構，即使供應商或合作方進入系統，也需逐層驗證。
• 對高敏感操作（更新、發版、簽章）設置多重審核與授權流程。

4. 持續監控與異常偵測

• 部署行為分析與長期監控，偵測延遲觸發或多態惡意程式。
• 建立供應鏈可視化平台，即時掌握上下游合作方的安全狀況。
• 對更新與部署流程進行沙箱測試與模擬攻擊，提前發現隱藏後門。

5. 社交工程防護與人員教育

• 對開源維護者與供應商進行安全意識訓練，降低社交工程滲透風險。
• 建立釣魚郵件模擬演練，提升員工辨識能力。
• 對合作方設置安全契約條款，要求遵循資安標準。

6. 事件應變與韌性建設

• 建立供應鏈事件通報機制，確保在 72 小時內能通報並協調。
• 對核心系統設置備援與災難復原計畫 (DRP)，避免單點故障。
• 定期進行紅隊演練，模擬供應鏈攻擊情境，測試應變能力。

7. 合規與政策遵循

• 符合 EU AI Act、NIST CSF、ISO 27001/28000 等框架，確保供應鏈安全治理。
• 對第三方供應商進行安全稽核與合約要求，避免弱點成為攻擊入口。
• 建立跨產業協作平台（如 HSCC），共享威脅情報與最佳實務。

應用AI-BOM應對資安威脅

目前國際上還沒有像 SBOM 那樣統一且成熟的技術標準（如 SPDX/CycloneDX），不過有幾個概念和框架是 AI-BOM 的基礎或組成部分。雖然還沒有正式標準，但 AI-BOM 的最低要求要素通常涵蓋以下四大領域：

領域	目的
數據集資訊	記錄數據來源、偏見分析、隱私保護、許可證等，確保數據公平性與合規性。
模型架構	記錄演算法、框架、版本、訓練參數、硬體要求等，確保可追溯性。
安全與性能	記錄預期性能指標、對抗性攻擊測試結果、風險評估與緩解措施等，確保可靠性與穩健性。
治理與授權	記錄模型所有者、維護責任人、部署環境和使用限制等，確保問責制與法律合規。

本週報告以一個模擬案例，說明AI-BOM需要關注的資訊。這個 AI-BOM 結構透過納入數據偏見分析、模型安全性測試和軟體相依性 (SBOM)，將軟體漏洞和 AI 獨有的風險（如偏見和對抗性攻擊）整合在一個透明度文件中，從而幫助使用者和監管機構評估其可信賴性和合規性。

1. 系統描述與治理 (Governance & Scope)

項目	範例內容	目的/法律相關性
AI 系統名稱	智慧醫療影像診斷輔助系統（版本 3.1.2）	唯一標識，追蹤版本。
高風險分類	根據 EU AI Act，屬於醫療設備類別的高風險 AI 系統。	法律合規性，決定監管強度。
預期用途	輔助皮膚科醫師判斷皮膚癌（基底細胞癌、黑色素瘤），不作為最終診斷。	界定使用限制與責任。
限制/禁止用途	不適用於兒童、極暗膚色人群、或非標準 RGB 影像輸入。	識別系統局限性，緩解誤用風險。

 

2. 數據材料清單 (Dataset Bill of Materials)

項目	範例內容	目的/法律相關性
訓練數據集名稱	DermNet-Private-V2.1	確保數據可追溯性。
數據集大小	120,000 張皮膚病變影像	紀錄規模。
數據來源/授權	匿名化自 XYZ 醫院、ABC 診所。已取得 HIPAA (GDPR) 合規授權。	合規性（隱私權）、來源透明度。
數據偏見分析	族群偏差： 90% 影像來自 Fitzpatrick 皮膚類型 I-III (淺膚色)。極少數 (1%) 來自 V-VI (深膚色)。	公平性/反歧視 (EU AI Act 要求)。
數據緩解措施	已使用數據增強技術（Synthetic Data Augmentation）試圖平衡膚色分佈，但深膚色族群的信心分數較淺膚色低 15%。	紀錄緩解偏見的努力與限制。
數據標籤準確性	由三位認證皮膚科醫師交叉標註，一致性準確度 > 98%。	數據品質保證。

 

3. 模型架構與軟體清單 (Model & Software BOM - SBOM Component)

項目	範例內容	目的/法律相關性
模型類型/名稱	ResNet-50 變體（自定義 L2 正則化層）	模型透明度。
機器學習框架	TensorFlow v2.16.1	追溯軟體依賴，漏洞管理。
所有軟體依賴 (SBOM)	Python v3.11.2 NumPy v1.26.1 OpenCV v4.9.0 (附：完整的 SPDX 或 CycloneDX 文件 Hash: SHA256:abcd123...)	SBOM 整合，主動管理 Log4j 等已知漏洞。

 

4. 安全、性能與風險評估 (Security, Performance & Risk)

項目	範例內容	目的/法律相關性
核心性能指標	敏感度 (Sensitivity)：92.5% 特異度 (Specificity)：95.1% F1 分數：93.8%	驗證系統是否符合高風險性能要求。
對抗性攻擊測試	測試方法： FGSM、PGD (epsilon 0.01) 結果： 對抗性樣本成功率 18%。	應對 AI 系統面臨的新型威脅。
安全緩解措施	已部署 MAML-AT (Meta-Agnostic Meta-Learning for Adversarial Training) 降低對抗性樣本敏感度。	紀錄安全實踐。
漂移監控 (Drift)	漂移指標： Kullback–Leibler (KL) Divergence 警報閾值： KL 散度 > 0.35	確保模型在部署後能保持性能穩定。