大模型时代，等保测评新能力落地

原创

维度攻防
维度攻防

维度攻防

2026年10月15日 10:47
安徽

在小说阅读器读本章

去阅读

在公众号小说中沉浸阅读

随着大模型、生成式 AI 在政务、公安、金融、医疗等关键领域快速落地，传统等保测评思路已经很难覆盖大模型独有的安全风险。 传统测评聚焦服务器、数据库、应用、网络边界；而大模型系统存在提示注入、数据泄露、模型投毒、幻觉风险、权限逃逸、输出不可控等特有问题。等保大模型测评 Skill（Dengbao LLM Assessment），正是面向大模型场景，在等保框架基础上延伸出来的专项测评能力，把大模型安全测评标准化、可工程化、可复现。

一、什么是 Dengbao LLM Assessment（等保大模型测评 Skill）

简单来说：它不是一套全新的法规，而是基于等保 2.0 通用要求，叠加生成式 AI 安全规范，专门针对大模型应用系统的测评技能 / 测评能力集。

很多同行容易混淆两个概念： ✅ 等保：是基础底线（物理、网络、主机、应用、数据、管理制度） ✅ Dengbao LLM Assessment：是测评 Skill（能力包），在原有等保测评基础上，增加大模型特有安全维度的测评项、测试用例、检测方法、判定口径。

测评对象覆盖：

• 私有化部署的开源大模型（LLaMA、Qwen、DeepSeek 等）
• 企业微调后的行业专用大模型
• 基于 API 调用的大模型应用、智能问答、知识库 RAG 系统
• 面向内部办公、业务辅助、对外服务的 AI 智能系统

一句话概括：以等保基线为底座，以大模型 AI 安全风险为重点，一套可落地的大模型专项测评能力。

二、为什么现在急需这套等保大模型测评能力？

1. 传统等保测不全 AI 风险

传统渗透、配置核查、日志审计，很难测出提示词注入、间接提示劫持、模型越狱、RAG 知识库越权检索、模型记忆泄露等问题。很多系统过了等保，但一测试就被诱导输出敏感信息、绕过管控策略。
2. 监管要求逐步收紧

生成式 AI 服务管理办法、深度合成、数据安全、个人信息保护等要求，需要和等保测评打通。客户经常问：我的大模型系统做等保，额外要测哪些？怎么出专项测评结论？Dengbao LLM Assessment 就是用来回答这个问题的标准化能力。
3. 甲方和测评机构缺少标准化测试用例

不少测评工程师懂等保，但不懂 LLM 攻击面；懂 Prompt 注入，又不知道如何对齐等保的判定思路。 这个 Skill，就是把攻击思路、测试脚本、核查项、证据留存、结果判定全部封装成可复用测评能力。
4. 政企行业刚需：公安、政务、能源、金融

这类场景对数据敏感、内容合规、模型不可篡改要求极高，大模型一旦失控，直接触发数据泄露、违规内容输出风险，等保 + 大模型专项测评正在成为常态化需求。

三、Dengbao LLM Assessment 测评核心维度

整套测评 Skill 分为通用等保基线核查 + LLM 专项安全测评两大块：

（一）通用等保基线（沿用等保 2.0 原有要求）

物理环境、网络架构、边界防护、主机安全、中间件、账号权限、日志审计、备份恢复、安全管理制度、人员运维等。

这是底座，大模型系统首先要满足基础等保要求，不能因为上了 AI 就跳过基线。

（二）LLM 专项测评（这套 Skill 的核心新增项）

1. 提示词安全测评

提示注入、越狱测试、间接提示劫持、多轮对话逃逸、分隔符绕过、编码混淆提示词攻击，验证模型安全护栏是否有效，是否会绕过预设安全策略。
2. 数据与 RAG 知识库安全测评

RAG 检索越权、文档泄露、隐式记忆提取、训练数据记忆泄露、敏感信息抽取、用户对话历史泄露、知识库权限隔离校验。 很多风险不在模型本身，而在向量库、检索链路。
3. 模型供给与供应链安全测评

模型来源校验、模型完整性校验、投毒风险、后门模型检测、微调数据集安全、第三方模型 API 调用风险、模型版本管控。
4. 输出管控与内容合规测评

幻觉导致的虚假信息输出、违规内容生成、深度合成风险、敏感信息脱敏效果、输出过滤策略绕过测试。
5. 权限与访问控制测评

会话隔离、多租户隔离、角色权限逃逸、管理员提示特权、API 密钥泄露、速率限制、滥用风控。
6. 审计、溯源与应急测评

提示词日志留存、模型输出日志审计、攻击行为识别、异常 Prompt 告警、模型失控应急处置流程。

所有测试项都配套：测试方法、测试步骤、判定标准、风险等级、整改建议，也就是一个完整可交付的测评 Skill。

四、测评流程：Dengbao LLM Assessment 怎么做？

1. 系统调研

：确认部署形态（私有化微调 / API 调用 / RAG 知识库）、用途、定级、数据范围
2. 基线核查

：执行常规等保测评，完成基础安全核查
3. LLM 专项安全测试

：使用 Prompt 测试集、自动化测评脚本、人工渗透相结合
4. 风险交叉验证

：区分 “等保基线问题” 和 “大模型特有 AI 安全风险”
5. 结果输出

：等保测评报告 + 大模型专项测评附件，明确风险、影响、整改优先级
6. 复测验证

：整改完成后，复用同一套测试用例复现验证

⚠️ 重点提醒：专项测评≠单独定级，一般作为等保测评的附加专项，根据监管和甲方需求单独出专项说明。

五、测评中的常见坑（一线实战总结）

1. 只测模型，忽略向量数据库、检索插件、上游业务接口，大量漏洞藏在 RAG 链路；
2. 只做一轮提示测试，忽略多轮对话、上下文记忆带来的逃逸；
3. 测评报告只写风险，不对齐等保条款，甲方不知道怎么写到整改方案里；
4. 过度依赖大模型厂商自带安全护栏，护栏可以被绕过，不能作为唯一安全措施；
5. 日志只存输出，不存原始提示词，出事无法溯源。

六、谁适合掌握 Dengbao LLM Assessment 这个 Skill？

✅ 等保测评机构测评工程师 ✅ 政企甲方安全运维、网信、合规岗 ✅ 大模型自研团队、AI 产品安全负责人 ✅ 渗透测试、AI 安全红队人员 ✅ 公安、政务行业 AI 项目集成商

未来的等保测评能力，会从传统 IT 测评，走向 “IT 基础安全 + AI 大模型专项安全” 复合能力。Dengbao LLM Assessment 就是这个转型路上的核心技能。

七、项目地址

https://github.com/lingfengz/llm-dengbao-assessment