feat(ms-ai-architect): Spor 1 — Port-1-substrat migrert på 4 ikke-advisor-skills (243 Source + 327 Type + 325 TOC + stale-verified poison fjernet) [skip-docs]
Steg 9 (R4): unified migrate-corpus.mjs --write over engineering/governance/ infrastructure/security. 327 filer mutert, verified=null, prosa byte-identisk (fra første ## seksjon), advisor urørt (0 endringer). To applier-fixes oppdaget under kjøring (TDD, RED→GREEN): - insertHeaderFields: anker faller nå tilbake når en meta-linje selv passerer 500B (2 filer pakket et avsnitt i **Status:** → Type/Source landet utenfor scan-vinduet, applierens post-write-assertion fanget + restaurerte). - normalizeStaleVerified: fjerner nå ALLE stale non-date **Verified:** i 500B-vinduet, inkl. stray body-dup rett under --- (9 mlops-genaiops-filer var ellers falskt "verified"/fresh, droppet fra worklist). Operatør-godkjent utvidelse av carve-out; kun stray metadata-linjer, aldri prosa. test-transform-criterion: precondition oppdatert til post-migrasjons-sannhet (fila bærer nå Source). Suite 728/728 grønn.
This commit is contained in:
parent
ed92d65385
commit
ddce43d8b2
330 changed files with 4643 additions and 83 deletions
|
|
@ -3,6 +3,19 @@
|
|||
**Kategori:** AI Security Engineering
|
||||
**Dato:** 2026-06-19
|
||||
**Status:** Aktiv
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/foundry/concepts/ai-red-teaming-agent
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Oversikt](#oversikt)
|
||||
- [Adversarial Test Case Generation](#adversarial-test-case-generation)
|
||||
- [Fuzzing Frameworks for AI](#fuzzing-frameworks-for-ai)
|
||||
- [Input Perturbation Techniques](#input-perturbation-techniques)
|
||||
- [Robustness Metrics](#robustness-metrics)
|
||||
- [Continuous Security Testing](#continuous-security-testing)
|
||||
- [For Cosmo: Practical Implementation](#for-cosmo-practical-implementation)
|
||||
- [References](#references)
|
||||
|
||||
## Oversikt
|
||||
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-05 | Verified: MCP 2026-05
|
||||
**Status:** Established Practice
|
||||
**Category:** AI Security Engineering
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/backup/backup-overview
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Effektiv håndtering av sikkerhetsbrudd i AI-systemer krever spesialiserte prosedyrer som adresserer både tradisjonelle cybersecurity-trusler og AI-spesifikke sårbarheter som data poisoning, model inversion og prompt injection. Moderne AI-systemer opererer i komplekse økosystemer hvor angrep kan manifestere seg på tvers av datalag, treningsinfrastruktur, inferens-endepunkter og integrasjoner med forretningsapplikasjoner.
|
||||
|
|
|
|||
|
|
@ -4,6 +4,22 @@
|
|||
**Sist oppdatert:** 2026-06-19
|
||||
**Målgruppe:** Arkitekter som skal beskytte AI-systemer mot prompt injection og jailbreak-angrep
|
||||
**Status:** To separate produkter — Content Safety Prompt Shields (GA), AI Gateway Prompt Shield (Preview)
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/ai-services/content-safety/overview
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Del 1: Azure AI Content Safety Prompt Shields (GA)](#del-1-azure-ai-content-safety-prompt-shields-ga)
|
||||
- [Del 2: AI Gateway Prompt Shield via Global Secure Access (Preview)](#del-2-ai-gateway-prompt-shield-via-global-secure-access-preview)
|
||||
- [Del 3: Azure API Management — Gateway-nivå Prompt Shield](#del-3-azure-api-management--gateway-nivå-prompt-shield)
|
||||
- [Del 4: Groundedness Detection — Relatert funksjonalitet](#del-4-groundedness-detection--relatert-funksjonalitet)
|
||||
- [Relevans for norsk offentlig sektor](#relevans-for-norsk-offentlig-sektor)
|
||||
- [Forsvarsdybde-arkitektur (Defence in Depth)](#forsvarsdybde-arkitektur-defence-in-depth)
|
||||
- [Kostnadsestimater](#kostnadsestimater)
|
||||
- [Kjente begrensninger](#kjente-begrensninger)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
- [Referanser](#referanser)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
|
|
|
|||
|
|
@ -4,9 +4,26 @@
|
|||
**Sist oppdatert:** 2026-02-05
|
||||
**Relatert:** ai-prompt-injection-defense.md, ai-jailbreak-prevention.md
|
||||
**Source:** https://learn.microsoft.com/security/ai-red-team/training
|
||||
**Type:** reference
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Oversikt](#oversikt)
|
||||
- [Red Team Metodikk for AI](#red-team-metodikk-for-ai)
|
||||
- [Verktøy for AI Red Teaming](#verktøy-for-ai-red-teaming)
|
||||
- [Attack Simulation Planning](#attack-simulation-planning)
|
||||
- [Safe Testing Boundaries](#safe-testing-boundaries)
|
||||
- [Tolking av Resultater](#tolking-av-resultater)
|
||||
- [Dokumentasjon og Logging](#dokumentasjon-og-logging)
|
||||
- [Integrasjon i CI/CD Pipelines](#integrasjon-i-cicd-pipelines)
|
||||
- [Continuous Red Teaming](#continuous-red-teaming)
|
||||
- [For Cosmo: Anvendelse i Microsoft AI-arkitektur](#for-cosmo-anvendelse-i-microsoft-ai-arkitektur)
|
||||
- [Ressurser og Training](#ressurser-og-training)
|
||||
- [Sjekkliste: Red Teaming Readiness](#sjekkliste-red-teaming-readiness)
|
||||
- [Key Takeaways for Arkitekter](#key-takeaways-for-arkitekter)
|
||||
|
||||
## Oversikt
|
||||
|
||||
Praktisk veiledning for å gjennomføre red teaming-operasjoner mot AI-systemer. Dekker metodikk, verktøy, testmiljøer og dokumentasjon av funn.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-06-19
|
||||
**Status:** Established Practice
|
||||
**Category:** AI Security Engineering
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/security/benchmark/azure/mcsb-v2-artificial-intelligence-security
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Å score og rangere AI-sikkerhetsrisiko krever et strukturert rammeverk som kombinerer kvantitativ måling med kvalitativ vurdering. Microsoft sin tilnærming, basert på AI Risk Assessment Framework v4.1.4, gir en systematisk metode for å evaluere AI-systemer gjennom hele livssyklusen — fra datainnsamling til produksjonsdrift.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-05 | Verified: MCP 2026-05
|
||||
**Status:** Established Practice
|
||||
**Category:** AI Security Engineering
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/ai/playbook/technology-guidance/generative-ai/mlops-in-openai/security/security-plan-llm-application
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Trusselmodellering for AI-systemer krever en tilpasning av etablerte sikkerhetsprinsipper til nye angrepsflater som er spesifikke for maskinlæring og generativ AI. Microsoft har utvidet det klassiske STRIDE-rammeverket (Spoofing, Tampering, Repudiation, Information Disclosure, Denial of Service, Elevation of Privilege) til å dekke AI-spesifikke trusler som datapoisoning, adversarial attacks, model inversion og prompt injection.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-06-19
|
||||
**Status:** GA
|
||||
**Category:** AI Security Engineering
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/foundry-classic/foundry-models/concepts/content-filter
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Content Safety-filtre i Microsoft AI-stakken krever nøye kalibrering for å balansere sikkerhet med brukervennlighet. Feil konfigurering fører enten til for mange false positives (legitim brukergenerert innhold blokkeres) eller false negatives (skadelig innhold slipper gjennom). For norsk offentlig sektor er dette spesielt kritisk: filterkalibrering må håndtere norsk språkkontekst, kulturelle nyanser og juridiske krav til transparens og etterprøvbarhet.
|
||||
|
|
|
|||
|
|
@ -3,6 +3,23 @@
|
|||
**Kategori:** AI Security Engineering
|
||||
**Sist oppdatert:** 2026-06-19 | Verified: MCP 2026-06-19
|
||||
**Målgruppe:** Enterprise AI architects og security teams
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/security/benchmark/azure/mcsb-v2-artificial-intelligence-security
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Oversikt](#oversikt)
|
||||
- [1. Prompt Context Isolation](#1-prompt-context-isolation)
|
||||
- [2. Model Extraction Defense](#2-model-extraction-defense)
|
||||
- [3. Membership Inference Protection](#3-membership-inference-protection)
|
||||
- [4. DLP Policy Enforcement Across AI Workloads](#4-dlp-policy-enforcement-across-ai-workloads)
|
||||
- [5. Cache Security Management](#5-cache-security-management)
|
||||
- [6. Praktiske Arkitekturmønstre](#6-praktiske-arkitekturmønstre)
|
||||
- [7. Compliance & Audit](#7-compliance--audit)
|
||||
- [8. Tooling & Automation](#8-tooling--automation)
|
||||
- [9. Monitoring & Detection](#9-monitoring--detection)
|
||||
- [10. Anbefalinger for Cosmo Skyberg](#10-anbefalinger-for-cosmo-skyberg)
|
||||
- [For Cosmo Skyberg](#for-cosmo-skyberg)
|
||||
|
||||
## Oversikt
|
||||
|
||||
|
|
|
|||
|
|
@ -3,6 +3,8 @@
|
|||
**Last updated:** 2026-06-24 | Verified: MCP 2026-06-24
|
||||
**Status:** GA (AI applications) · Preview (AI agents, fra 2026-02-02)
|
||||
**Category:** AI Security Engineering — Threat Detection & Monitoring
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/defender-for-cloud/ai-threat-protection
|
||||
|
||||
---
|
||||
|
||||
|
|
|
|||
|
|
@ -4,6 +4,8 @@
|
|||
**Sist oppdatert:** 2026-06-19 | Verified: MCP 2026-06
|
||||
**Status:** Public Preview, utvidet etter Ignite 2025 (50+ nye/oppdaterte artikler i Entra Agent ID-portføljen; opt-out er midlertidig — vil bli obligatorisk for nye agenter) *(Verified MCP 2026-06)*
|
||||
**Målgruppe:** Arkitekter som skal sikre AI-agenter med dedikerte identiteter og Zero Trust-prinsipper
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/entra/id-governance/agent-id-governance-overview
|
||||
|
||||
### Ignite 2025-utvidelser (Verified MCP 2026-05)
|
||||
|
||||
|
|
@ -17,6 +19,22 @@ Microsoft har bredt utvidet Entra Agent ID-porteføljen i forbindelse med Ignite
|
|||
|
||||
**Copilot Studio-integrasjon (preview):** Når funksjonen aktiveres på miljønivå i Power Platform Admin Center, oppretter Copilot Studio automatisk en Entra Agent ID for hver ny agent og knytter den til *Microsoft Copilot Studio agent identity blueprint* (Blueprint ID `25664c89-cea5-4ab6-b924-a54fd8a19ae0`). Eksisterende agenter beholder sine app registrations til de migreres senere — governance fungerer for begge under overgangen.
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Hva er Microsoft Entra Agent ID?](#hva-er-microsoft-entra-agent-id)
|
||||
- [Kjernekomponenter og begreper](#kjernekomponenter-og-begreper)
|
||||
- [Zero Trust-prinsipper for agenter](#zero-trust-prinsipper-for-agenter)
|
||||
- [Agent Registry — Livsløpsadministrasjon](#agent-registry--livsløpsadministrasjon)
|
||||
- [Workload Identities vs. Agentidentiteter](#workload-identities-vs-agentidentiteter)
|
||||
- [Integrasjon med Microsoft Foundry](#integrasjon-med-microsoft-foundry)
|
||||
- [Integrasjon med Copilot Studio](#integrasjon-med-copilot-studio)
|
||||
- [Norsk offentlig sektor — Alignment](#norsk-offentlig-sektor--alignment)
|
||||
- [Sikkerhetshensyn og beste praksis](#sikkerhetshensyn-og-beste-praksis)
|
||||
- [Status og tilgjengelighet](#status-og-tilgjengelighet)
|
||||
- [Kilder](#kilder)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Etter hvert som AI-agenter blir en integrert del av virksomhetens arbeidsprosesser, oppstår et fundamentalt sikkerhetsproblem: tradisjonelle identitetsmodeller er ikke designet for autonome programvaresystemer som handler på egenhånd, opprettes og slettes dynamisk, og kan proliferere ukontrollert — kjent som «agent sprawl».
|
||||
|
|
|
|||
|
|
@ -3,9 +3,21 @@
|
|||
**Last updated:** 2026-06-19
|
||||
**Status:** GA
|
||||
**Category:** AI Security Engineering
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/ai-services/content-safety/concepts/jailbreak-detection
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Jailbreak-kategorier](#jailbreak-kategorier)
|
||||
- [Forsvarsmønstre](#forsvarsmønstre)
|
||||
- [Azure-implementering](#azure-implementering)
|
||||
- [Produksjonsovervåking](#produksjonsovervåking)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Jailbreak-angrep er bruker-prompts designet for å provosere LLM til å opptre på måter den er trent til å unngå, eller bryte reglene satt i system-meldingen. Disse angrepene kan variere fra intrikate rollespill til subtile undergravinger av sikkerhetsmekanismene. I produksjonssammenheng er robuste forsvarsmønstre kritiske for å beskytte LLM-applikasjoner mot både direkte (user prompt) og indirekte (document-baserte) angrep.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,22 @@
|
|||
**Kategori:** AI Security Engineering
|
||||
**Dato:** 2026-06-19
|
||||
**Status:** Active
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/machine-learning/concept-model-management-and-deployment
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Hva dette handler om](#hva-dette-handler-om)
|
||||
- [Content Watermarking i Microsoft-stakken](#content-watermarking-i-microsoft-stakken)
|
||||
- [Model Fingerprinting og Provenance](#model-fingerprinting-og-provenance)
|
||||
- [Legal og Compliance Implications](#legal-og-compliance-implications)
|
||||
- [Implementering i Microsoft-stakken](#implementering-i-microsoft-stakken)
|
||||
- [Anbefalinger for norsk offentlig sektor](#anbefalinger-for-norsk-offentlig-sektor)
|
||||
- [For Cosmo Skyberg](#for-cosmo-skyberg)
|
||||
- [Kilder](#kilder)
|
||||
|
||||
## Hva dette handler om
|
||||
|
||||
Model fingerprinting og watermarking er teknikker for å etablere eierskap, spore opprinnelse og beskytte AI-modeller og AI-generert innhold mot uautorisert bruk, kopiering eller manipulasjon. Dette er kritiske sikkerhetskontroller i en tid hvor AI-modeller representerer betydelig forretningsverdi, og hvor AI-generert innhold må kunne verifiseres og spores.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,25 @@
|
|||
**Last updated:** 2026-06-19
|
||||
**Status:** GA (text moderation, Prompt Shields) / Preview (Groundedness, Custom Categories)
|
||||
**Category:** AI Security Engineering
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/ai-services/content-safety/overview
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Språkstøtte for norsk](#språkstøtte-for-norsk)
|
||||
- [Oppsummeringstabell — norsk støtte per feature](#oppsummeringstabell--norsk-støtte-per-feature)
|
||||
- [Workarounds for manglende norsk støtte](#workarounds-for-manglende-norsk-støtte)
|
||||
- [Implementeringsmønstre](#implementeringsmønstre)
|
||||
- [Testing av Content Safety for norsk](#testing-av-content-safety-for-norsk)
|
||||
- [Kostnader og ytelse](#kostnader-og-ytelse)
|
||||
- [Rate limits](#rate-limits)
|
||||
- [Anbefalinger for norsk offentlig sektor](#anbefalinger-for-norsk-offentlig-sektor)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Azure AI Content Safety er Microsofts tjeneste for automatisert innholdsmoderering i AI-applikasjoner. Tjenesten detekterer og klassifiserer potensielt skadelig innhold i tekst og bilder, med fire skadekategorier (hate, sexual, violence, self-harm) og fire alvorlighetsgrader (safe, low, medium, high). For norsk offentlig sektor er norsk språkstøtte kritisk — dette dokumentet kartlegger nøyaktig hvilke Content Safety-features som støtter norsk nativt, hvilke som kun fungerer på engelsk, og hvilke workarounds som finnes.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-06-24 | Verified: MCP 2026-06-24
|
||||
**Status:** GA
|
||||
**Category:** AI Security Engineering
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/ai-services/content-safety/overview
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Output validation, grounding verification og fact-checking er fundamentale sikkerhetsteknikker for å sikre at LLM-genererte svar er faktisk korrekte, basert på kildemateriale, og ikke inneholder hallusinasjoner eller fabricerte fakta. Disse teknikkene er spesielt kritiske i RAG-systemer (Retrieval Augmented Generation) der modellen skal basere sine svar på hentet dokumentasjon.
|
||||
|
|
|
|||
|
|
@ -3,6 +3,8 @@
|
|||
**Last updated:** 2026-06-24 | Verified: MCP 2026-06-24
|
||||
**Status:** Referanse (OWASP 2025 + Azure-tiltak)
|
||||
**Category:** AI Security Engineering — Threat Modeling & Controls
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/ai-services/content-safety/overview
|
||||
|
||||
---
|
||||
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Last updated:** 2026-06-19
|
||||
**Status:** GA
|
||||
**Category:** AI Security Engineering
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/ai-services/language-service/personally-identifiable-information/overview
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
|
||||
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
|
||||
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Beskyttelse av personopplysninger er ikke bare en teknisk nødvendighet, men en juridisk plikt i Norge. Azure AI Language tilbyr PII-deteksjon som kan identifisere og maskere sensitive opplysninger som fødselsnummer, D-nummer, adresser og telefonnummer i norsk tekst.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,22 @@
|
|||
**Last updated:** 2026-06-19
|
||||
**Status:** GA
|
||||
**Category:** AI Security Engineering
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/ai-services/content-safety/overview
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Angrepstyper](#angrepstyper)
|
||||
- [Forsvarsmønstre](#forsvarsmønstre)
|
||||
- [Azure-implementering](#azure-implementering)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [For arkitekten (Cosmo)](#for-arkitekten-cosmo)
|
||||
- [Kilder og verifisering](#kilder-og-verifisering)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Prompt injection er en av de mest kritiske sikkerhetstruslene mot generative AI-systemer. Angrep skjer når brukere eller tredjeparter manipulerer input-prompter for å omgå sikkerhetskontroller, endre modellens oppførsel, eller ekstrahere sensitiv informasjon. Microsoft har utviklet et helhetlig forsvarsmønster som kombinerer tekniske kontroller, arkitekturmønstre og kontinuerlig overvåking.
|
||||
|
|
|
|||
|
|
@ -3,6 +3,19 @@
|
|||
**Kategori:** AI Security Engineering
|
||||
**Dato:** 2026-02-05
|
||||
**Målgruppe:** Arkitekter som skal sikre AI-modeller i produksjonsmiljøer
|
||||
**Type:** reference
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Container Image Scanning](#container-image-scanning)
|
||||
- [Runtime Memory Protection](#runtime-memory-protection)
|
||||
- [Resource Exhaustion Defense](#resource-exhaustion-defense)
|
||||
- [Model Integrity Verification](#model-integrity-verification)
|
||||
- [Secrets Management i Deployment](#secrets-management-i-deployment)
|
||||
- [Sikkerhetsjekkliste for Deployment](#sikkerhetsjekkliste-for-deployment)
|
||||
- [Best Practices: Deployment Hardening Workflow](#best-practices-deployment-hardening-workflow)
|
||||
- [For Cosmo](#for-cosmo)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
|
|
|
|||
|
|
@ -3,6 +3,25 @@
|
|||
**Kategori:** AI Security Engineering
|
||||
**Sist oppdatert:** 2026-06-19 | Verified: MCP 2026-06
|
||||
**Målgruppe:** Sikkerhetsarkitekter og SOC-ledere som vurderer AI-assistert sikkerhetsoperasjon
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/copilot/security/agents-overview
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Standalone vs Embedded](#standalone-vs-embedded)
|
||||
- [Innebygde Security Copilot-agenter](#innebygde-security-copilot-agenter)
|
||||
- [Lisensiering](#lisensiering)
|
||||
- [Integrasjon med Microsoft Defender XDR](#integrasjon-med-microsoft-defender-xdr)
|
||||
- [Integrasjon med Microsoft Sentinel](#integrasjon-med-microsoft-sentinel)
|
||||
- [Tilpassede Security Copilot-plugins](#tilpassede-security-copilot-plugins)
|
||||
- [Norsk offentlig sektor — Relevans og tilnærming](#norsk-offentlig-sektor--relevans-og-tilnærming)
|
||||
- [Kostnadsmodell](#kostnadsmodell)
|
||||
- [Sammenligning: Standalone vs M365 E5 Embedded](#sammenligning-standalone-vs-m365-e5-embedded)
|
||||
- [Referansearkitektur: Security Copilot i norsk SOC](#referansearkitektur-security-copilot-i-norsk-soc)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Spørsmål Cosmo bør stille kunden](#spørsmål-cosmo-bør-stille-kunden)
|
||||
- [Kilder](#kilder)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
|
|
|
|||
|
|
@ -4,9 +4,27 @@
|
|||
**Kategori:** AI Security Engineering
|
||||
**Status:** Established Practice
|
||||
**Formål:** Deterministiske rubrikker for security-assessment-agent — erstatter vage 1-5 beskrivelser med eksakte, verifiserbare sjekkpunkter
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/security/benchmark/azure/mcsb-v2-artificial-intelligence-security
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Oversikt](#oversikt)
|
||||
- [Vektingsmodell](#vektingsmodell)
|
||||
- [Dimensjon 1: Identity & Access Control (20 %)](#dimensjon-1-identity--access-control-20)
|
||||
- [Dimensjon 2: Network Security (10 %)](#dimensjon-2-network-security-10)
|
||||
- [Dimensjon 3: Data Protection (20 %)](#dimensjon-3-data-protection-20)
|
||||
- [Dimensjon 4: Content Safety & AI Security (15 %)](#dimensjon-4-content-safety--ai-security-15)
|
||||
- [Dimensjon 5: Compliance & Governance (25 %)](#dimensjon-5-compliance--governance-25)
|
||||
- [Dimensjon 6: Monitoring & Incident Response (10 %)](#dimensjon-6-monitoring--incident-response-10)
|
||||
- [Totalscoreberegning](#totalscoreberegning)
|
||||
- [Referansecaser](#referansecaser)
|
||||
- [Sammenligning av casene](#sammenligning-av-casene)
|
||||
- [Kilder og forankring](#kilder-og-forankring)
|
||||
- [For Cosmo Skyberg](#for-cosmo-skyberg)
|
||||
|
||||
## Oversikt
|
||||
|
||||
Denne filen definerer **30 rubrikk-celler** (6 dimensjoner × 5 nivåer) med ja/nei-sjekkpunkter for å sikre konsistent, reproduserbar sikkerhetsvurdering av Microsoft AI-arkitekturer. Rammeverket er forankret i Microsoft Cloud Security Benchmark (MCSB) v2, Azure AI security baselines og norske offentlig sektor-krav.
|
||||
|
|
|
|||
|
|
@ -3,9 +3,23 @@
|
|||
**Kategori:** AI Security Engineering
|
||||
**Dato:** 2026-06-19
|
||||
**Relatert plattform:** Microsoft Foundry, Azure Machine Learning, Azure DevOps, Microsoft Defender for Cloud
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/azure/machine-learning/concept-vulnerability-management
|
||||
|
||||
---
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Oversikt](#oversikt)
|
||||
- [1. Model Provenance Tracking](#1-model-provenance-tracking)
|
||||
- [2. Dependency Vulnerability Scanning](#2-dependency-vulnerability-scanning)
|
||||
- [3. Vendor Security Assessment](#3-vendor-security-assessment)
|
||||
- [4. Model Poisoning Prevention](#4-model-poisoning-prevention)
|
||||
- [5. Software Bill of Materials (SBOM) for AI](#5-software-bill-of-materials-sbom-for-ai)
|
||||
- [6. Secure ML Supply Chain: Oppsummert Implementasjon](#6-secure-ml-supply-chain-oppsummert-implementasjon)
|
||||
- [For Cosmo: Veiledning i Arkitekturdialog](#for-cosmo-veiledning-i-arkitekturdialog)
|
||||
- [Referanser og Videre Lesning](#referanser-og-videre-lesning)
|
||||
|
||||
## Oversikt
|
||||
|
||||
Supply chain security for AI-modeller handler om å sikre integriteten og autentisiteten til AI-komponenter gjennom hele livssyklusen — fra treningsdata og pre-trained models til dependencies og deployment artifacts. I motsetning til tradisjonell software supply chain security, må AI-systemer også beskytte modellvekter, datasett, og ML-spesifikke komponenter mot kompromittering.
|
||||
|
|
|
|||
|
|
@ -3,6 +3,20 @@
|
|||
**Kategori:** AI Security Engineering
|
||||
**Sist oppdatert:** 2026-06-19
|
||||
**Målgruppe:** Arkitekter som skal sikre AI-tjenester med Zero Trust-prinsipper
|
||||
**Type:** reference
|
||||
**Source:** https://learn.microsoft.com/security/zero-trust/apply-zero-trust-azure-services-overview
|
||||
|
||||
## Innhold
|
||||
|
||||
- [Introduksjon](#introduksjon)
|
||||
- [Kjernekomponenter](#kjernekomponenter)
|
||||
- [Arkitekturmønstre](#arkitekturmønstre)
|
||||
- [Beslutningsveiledning](#beslutningsveiledning)
|
||||
- [Integrasjon med Microsoft AI-plattformer](#integrasjon-med-microsoft-ai-plattformer)
|
||||
- [Offentlig sektor-hensyn](#offentlig-sektor-hensyn)
|
||||
- [Kostnad og ressursbruk](#kostnad-og-ressursbruk)
|
||||
- [For arkitekten](#for-arkitekten)
|
||||
- [Kilder](#kilder)
|
||||
|
||||
## Introduksjon
|
||||
|
||||
|
|
|
|||
Loading…
Add table
Add a link
Reference in a new issue