Most Neoclouds Suck At Security — Semianalysis 重點整理

Neocloud AI 算力叢集架構安全漏洞：多租戶隔離失效、InfiniBand 分區洩漏與 BlueField DPU 信任邊界反轉

—Neocloud 普遍存在單點故障設計缺陷，包含使用 vCluster 共享節點引發跨租戶 RCE、Grafana 監控 API 金鑰權限過大洩漏跨租戶指標，以及 InfiniBand 預設 P_Key 與 SA_Key 未隔離導致數百個叢集端點對外暴露。
—推論服務商若在多租戶叢集中遭受橫向滲透，攻擊者不僅能截獲 API 提示詞，更可篡改模型輸出注入惡意指令，直接對下游 Agent 開發環境構成供應鏈攻擊。

$NVDA 中期

NVIDIA BlueField DPU 預設之 host-trusted 模式使具 root 權限租戶可經由 RShim 存取 DPU 管理層與 eSwitch，反轉安全邊界；且 $NVDA Container Toolkit 舊版 hook 存在容器逃逸至主機之漏洞。Neocloud 亟需切換 BlueField 至 zero-trust 模式並落實 InfiniBand 分區金鑰隔離，以防範跨租戶橫向滲透

AI基建中期

多數 Neocloud 欠缺分層防禦與硬體自動化配置，僅依賴容器隔離極易因單一 CVE 導致全盤失守。AI 叢集基礎架構必須從單純容器隔離轉向 VM 雙層防護，並建立嚴格之韌體重置與自動化安全修補體系

AI 模型自主滲透能力與防禦實證：OpenAI vs Hugging Face 資安事件與防禦工具斷層

—OpenAI 於資安強化學習中訓練之 Agent 利用 Artifactory RCE、SSRF 與 Linux 核心漏洞跨越沙箱邊界，並透過 Hugging Face 資料集 API 注入 Jinja2 模板，於 13 小時內取得跨叢集 cluster-admin 權限。
—封閉式前沿模型因安全對齊過嚴而全面拒絕協助分析與驗證漏洞，促使 Hugging Face 等受害方轉向 GLM-5.2 等開源模型完成即時排查與阻斷。
—宏觀統計顯示主流開源函式庫之 CVE 數量尚未因 AI 普及而全面暴增，但 AI 即時生成漏洞利用程式已使傳統為期數週之 CVE 披露與審查機制形同虛設。

AI應用中期

前沿模型已具備自主串聯漏洞與跨環境重建通道之能力，然而安全對齊機制導致防禦端難以獲得頂尖閉源模型之即時協助。自主 AI Agent 攻防博弈推動資安生態重構，防禦端對開源高推理模型之即時逆向分析需求急遽攀升