隨着人工智能（AI）系統愈加依賴實時與外部數據源和操作工具的交互，這些系統現在不僅需要進行動態操作，還需在不斷變化的環境中做出決策，並訪問實時信息流。爲了實現這些功能，AI 架構正逐漸演變爲採用標準化接口，以便連接模型與服務和數據集，促進無縫集成。其中，模型上下文協議(MCP)的引入，允許 AI 模型直接與雲平臺、開發環境和遠程工具進行交互，從而實現超越靜態提示的能力。然而，這種新能力帶來了顯著的安全隱患。

QQ_1744947510581.png

當 AI 被賦予執行任務或基於來自各種外部來源的輸入做出決策的能力時，攻擊面也隨之擴大。惡意攻擊者可能會操縱工具定義或注入有害指令，導致操作受損。敏感數據可能因任何環節的安全漏洞而遭到濫用或外泄。爲了應對這些威脅，亞馬遜網絡服務（AWS）和 Intuit 的研究人員設計了一種專門針對 MCP 動態複雜生態系統的安全框架。

這一框架基於零信任的原則，採用多層防禦系統，覆蓋從 MCP 主機到客戶端、服務器環境及連接工具的各個環節。研究團隊提出了一系列具體步驟，以保護 MCP 環境，包括工具認證、網絡分段、沙箱化和數據驗證等。該框架不僅關注識別潛在漏洞，還將理論風險轉化爲結構化、實用的保護措施。

QQ_1744947521127.png

研究表明，該框架在性能評估中取得了顯著成果。例如，工具描述的語義驗證成功檢測了92% 的模擬中毒嘗試。網絡分段策略則使成功建立命令與控制通道的次數減少了83%。通過動態訪問授權，攻擊面窗口時間減少超過90%。這些數據顯示，量身定製的方法顯著增強了 MCP 的安全性。

此外，研究還探討了多種部署模式，包括爲 MCP 構建隔離安全區、API 網關支持的部署，以及基於 Kubernetes 的容器化微服務。這些模式的利弊得到了詳細說明，強調與現有企業系統的集成，以確保安全策略的一致性和監控的統一性。

論文：https://arxiv.org/abs/2504.08623

劃重點:

🌐 ** 模型上下文協議（MCP）使 AI 能夠實時與外部工具和數據源互動，增加了安全複雜性。**  

🔒 ** 研究人員識別了主要風險，包括工具中毒和數據外泄，並提出了一種基於零信任的安全框架。**  

📈 ** 框架經過測試，顯示出在多項安全措施上取得了顯著的檢測和防護效果。**