Seguridad de OWASP GenAI

Día 1: Fundamentos y amenazas principales

Módulo 1: Introducción al Proyecto OWASP GenAI Security (1 hora)

Objetivos de aprendizaje:

• Comprender la evolución desde OWASP Top 10 hacia los desafíos de seguridad específicos de GenAI.
• Explorar el ecosistema y los recursos del Proyecto OWASP GenAI Security.
• Identificar las diferencias clave entre la seguridad de aplicaciones tradicionales y la seguridad de IA.

Temas cubiertos:

• Vista general de la misión y el alcance del Proyecto OWASP GenAI Security.
• Introducción al marco Threat Defense COMPASS.
• Comprensión del panorama de seguridad de IA y los requisitos regulatorios.
• Superficies de ataque de IA frente a vulnerabilidades tradicionales de aplicaciones web.

Ejercicio práctico: Configuración de la herramienta OWASP Threat Defense COMPASS y realización de una evaluación inicial de amenazas.

Módulo 2: OWASP Top 10 para LLM - Parte 1 (2.5 horas)

Objetivos de aprendizaje:

• Dominar las cinco vulnerabilidades críticas más importantes de LLM.
• Comprender vectores de ataque y técnicas de explotación.
• Aplicar estrategias prácticas de mitigación.

Temas cubiertos:

LLM01: Inyección de instrucciones (Prompt Injection)

• Técnicas de inyección directa e indirecta de instrucciones.
• Ataques de instrucciones ocultas y contaminación cruzada entre instrucciones.
• Ejemplos prácticos: Jailbreaking de chatbots y elusión de medidas de seguridad.
• Estrategias de defensa: Sanitización de entradas, filtrado de instrucciones, privacidad diferencial.

LLM02: Divulgación de información sensible

• Extracción de datos de entrenamiento y filtrado del prompt del sistema.
• Análisis del comportamiento del modelo para la exposición de información sensible.
• Implicaciones de privacidad y consideraciones de cumplimiento normativo.
• Mitigación: Filtrado de salidas, controles de acceso, anonimización de datos.

LLM03: Vulnerabilidades de la cadena de suministro

• Dependencias de modelos de terceros y seguridad de plugins.
• Conjuntos de datos de entrenamiento comprometidos y envenenamiento de modelos.
• Evaluación de riesgos de proveedores para componentes de IA.
• Prácticas seguras de implementación y verificación de modelos.

Ejercicio práctico: Laboratorio práctico que demuestra ataques de inyección de instrucciones contra aplicaciones LLM vulnerables e implementa medidas defensivas.

Módulo 3: OWASP Top 10 para LLM - Parte 2 (2 horas)

Temas cubiertos:

LLM04: Envenenamiento de datos y modelos

• Técnicas de manipulación de datos de entrenamiento.
• Modificación del comportamiento del modelo a través de entradas envenenadas.
• Ataques de puerta trasera y verificación de integridad de datos.
• Prevención: Canales de validación de datos, seguimiento de procedencia (provenance).

LLM05: Manejo inadecuado de salidas

• Procesamiento inseguro del contenido generado por LLM.
• Inyección de código a través de salidas generadas por IA.
• Cross-site scripting (XSS) mediante respuestas de IA.
• Frameworks de validación y sanitización de salidas.

Ejercicio práctico: Simulación de ataques de envenenamiento de datos e implementación de mecanismos robustos de validación de salidas.

Módulo 4: Amenazas avanzadas de LLM (1.5 horas)

Temas cubiertos:

LLM06: Agencia excesiva

• Riesgos de toma de decisiones autónoma y violaciones de límites.
• Gestión de autoridad y permisos del agente.
• Interacciones no deseadas con el sistema y escalada de privilegios.
• Implementación de barreras de seguridad (guardrails) y controles de supervisión humana.

LLM07: Filtrado de instrucciones del sistema

• Vulnerabilidades de exposición de instrucciones del sistema.
• Divulgación de credenciales y lógica a través de prompts.
• Técnicas de ataque para extraer instrucciones del sistema.
• Protección de instrucciones del sistema y configuración externa.

Ejercicio práctico: Diseño de arquitecturas de agente seguras con controles de acceso y monitoreo apropiados.

Día 2: Amenazas avanzadas e implementación

Módulo 5: Amenazas emergentes de IA (2 horas)

Objetivos de aprendizaje:

• Comprender las amenazas de seguridad de IA más avanzadas.
• Implementar técnicas avanzadas de detección y prevención.
• Diseñar sistemas de IA resilientes frente a ataques sofisticados.

Temas cubiertos:

LLM08: Debilidades en vectores y embebidos (Embeddings)

• Vulnerabilidades de sistemas RAG y seguridad de bases de datos vectoriales.
• Ingeniería adversarial mediante envenenamiento de embebidos y manipulación de similitud.
• Ejemplos adversarios en búsqueda semántica.
• Protección de almacenes vectoriales e implementación de detección de anomalías.

LLM09: Desinformación y confiabilidad del modelo

• Detección y mitigación de alucinaciones.
• Amplificación de sesgos y consideraciones de equidad.
• Mecanismos de verificación de hechos y fuentes.
• Validación de contenido e integración con supervisión humana.

LLM10: Consumo sin límites (Unbounded Consumption)

• Agotamiento de recursos y ataques de denegación de servicio.
• Estrategias de limitación de tasa y gestión de recursos.
• Optimización de costos y controles presupuestarios.
• Sistemas de monitoreo de rendimiento y alertas.

Ejercicio práctico: Construcción de una canalización RAG segura con protección de base de datos vectorial y detección de alucinaciones.

Módulo 6: Seguridad de IA agente (Agentic AI) (2 horas)

Objetivos de aprendizaje:

• Comprender los desafíos únicos de seguridad de agentes de IA autónomos.
• Aplicar la taxonomía OWASP Agentic AI a sistemas del mundo real.
• Implementar controles de seguridad para entornos multiagente.

Temas cubiertos:

• Introducción a la IA agente y sistemas autónomos.
• Taxonomía de amenazas OWASP Agentic AI: Diseño del agente, memoria, planificación, uso de herramientas, implementación.
• Riesgos de seguridad y coordinación en sistemas multiagente.
• Ataques de mal uso de herramientas, envenenamiento de memoria y secuestro de objetivos.
• Protección de la comunicación del agente y los procesos de toma de decisiones.

Ejercicio práctico: Ejercicio de modelado de amenazas utilizando la taxonomía OWASP Agentic AI en un sistema multiagente de servicio al cliente.

Módulo 7: Implementación de OWASP Threat Defense COMPASS (2 horas)

Objetivos de aprendizaje:

• Dominar la aplicación práctica de Threat Defense COMPASS.
• Integrar la evaluación de amenazas de IA en los programas de seguridad organizacionales.
• Desarrollar estrategias integrales de gestión de riesgos de IA.

Temas cubiertos:

• Análisis profundo de la metodología Threat Defense COMPASS.
• Integración del ciclo OODA (Observe, Orient, Decide, Act): Observar, orientarse, decidir, actuar.
• Mapeo de amenazas a marcos MITRE ATT&CK y ATLAS.
• Construcción de tableros estratégicos de resiliencia ante amenazas de IA.
• Integración con herramientas y procesos de seguridad existentes.

Ejercicio práctico: Evaluación completa de amenazas utilizando COMPASS para un escenario de implementación de Microsoft Copilot.

Módulo 8: Implementación práctica y mejores prácticas (2.5 horas)

Objetivos de aprendizaje:

• Diseñar arquitecturas seguras de IA desde cero.
• Implementar monitoreo y respuesta a incidentes para sistemas de IA.
• Crear marcos de gobernanza para la seguridad de IA.

Temas cubiertos:

Ciclo de desarrollo seguro de IA:

• Principios de seguridad por diseño para aplicaciones de IA.
• Prácticas de revisión de código para integraciones LLM.
• Metodologías de prueba y escaneo de vulnerabilidades.
• Seguridad en el despliegue y endurecimiento (hardening) de producción.

Monitoreo y detección:

• Requisitos específicos de registro (logging) y monitoreo para IA.
• Detección de anomalías para sistemas de IA.
• Procedimientos de respuesta a incidentes para eventos de seguridad de IA.
• Técnicas forenses e investigación.

Gobernanza y cumplimiento:

• Frameworks y políticas de gestión de riesgos de IA.
• Consideraciones de cumplimiento normativo (GDPR, Ley de IA, etc.).
• Evaluación de riesgos de terceros para proveedores de IA.
• Capacitación en concienciación sobre seguridad para equipos de desarrollo de IA.

Ejercicio práctico: Diseñar una arquitectura de seguridad completa para un chatbot empresarial de IA, incluyendo monitoreo, gobernanza y procedimientos de respuesta a incidentes.

Módulo 9: Herramientas y tecnologías (1 hora)

Objetivos de aprendizaje:

• Evaluar e implementar herramientas de seguridad de IA.
• Comprender el panorama actual de soluciones de seguridad de IA.
• Crear capacidades prácticas de detección y prevención.

Temas cubiertos:

• Ecosistema de herramientas de seguridad de IA y panorama de proveedores.
• Herramientas de seguridad de código abierto: Garak, PyRIT, Giskard.
• Soluciones comerciales para seguridad y monitoreo de IA.
• Patrones de integración y estrategias de implementación.
• Criterios de selección de herramientas y marcos de evaluación.

Ejercicio práctico: Demostración práctica de herramientas de prueba de seguridad de IA y planificación de implementación.

Módulo 10: Tendencias futuras y cierre (1 hora)

Objetivos de aprendizaje:

• Comprender las amenazas emergentes y los futuros desafíos de seguridad.
• Desarrollar estrategias de aprendizaje continuo y mejora.
• Crear planes de acción para programas de seguridad de IA organizacionales.

Temas cubiertos:

• Amenazas emergentes: Deepfakes, inyección avanzada de instrucciones, inversión de modelos.
• Futuros desarrollos y hoja de ruta del proyecto OWASP GenAI.
• Construcción de comunidades de seguridad de IA y intercambio de conocimientos.
• Mejora continua e integración de inteligencia contra amenazas (threat intelligence).

Ejercicio de planificación de acciones: Desarrollar un plan de acción de 90 días para implementar prácticas de seguridad OWASP GenAI en las organizaciones de los participantes.