Signal YCurated AI News
更新于 11/5 20:4061 个信源

重新思考 RAG 的访问控制:Amazon Quick 与 Amazon Bedrock 的实时 ACL 方案

企业 AI10/8 02:34AWS 机器学习博客查看原文 ↗
摘要

AWS 在一篇官方博客中指出,企业 RAG 沿用"复制 ACL 到索引再过滤"的传统做法存在根本性安全缺陷,并提出 Amazon Quick 与 Amazon Bedrock Knowledge Bases 通过在查询时向权威数据源实时核验权限(实时 ACL 强制)来解决这一问题。

核心要点
  • 常见 RAG 权限方案为"复制+过滤":数据源连接器(如 SharePoint 连接器)在周期性同步作业中拉取 ACL,把 ACL 存为索引属性,查询时按登录用户映射过滤。
  • 该方案的第一大缺陷是 AI 系统承担了执行责任却不是权限权威源,需要在几十个连接器上映射继承层级、组成员关系、条件访问策略和拒绝规则,属于易出错的工作。
  • 第二大缺陷是权限陈旧:连接器多为按需或按客户自定义计划的拉取式同步,ACL 只是上次同步时的快照;即使部分方案支持事件驱动更新也并非普适——例如 Confluence 在组成员变更时不会发出事件。
  • 在两次同步之间,已被撤销权限的用户仍可能收到其本不应看到的文档生成的 AI 回答,而单份越权文档曝光就可能泄露机密战略文件、未发布财务数据或敏感 HR 信息。
  • AWS 给出的解法是不复制 ACL,而是在查询时直接向权威来源验证权限,以实时 ACL 强制(real-time ACL enforcement)保证答案与源系统权限一致。
原文佐证
  • Making sure that AI-generated answers respect those permissions is one of the hardest challenges in enterprise AI.
  • A single unauthorized document surfaced in an AI response could expose confidential strategy documents, unreleased financial data, or sensitive HR information.
  • For example, a data source like Confluence doesn’t emit an event when group membership changes.
AI 洞察
权限治理正在取代模型能力,成为企业 RAG 规模化落地真正的瓶颈:一旦越权,AI 就从效率工具变成数据泄露通道。把权限判定从"复制到 AI 侧"改为"查询时回源验证",实质是让 AI 系统退回无状态执行者的位置,不再充当新的权限权威,这也顺带消除了同步快照带来的窗口期风险。代价是内部数据源的鉴权 API 延迟与可用性会被直接计入 RAG 的响应时间和 SLA,谁能把回源鉴权做到低延迟、可审计、可缓存,谁就握住了企业 AI 栈中一个高黏性的关键中间层——长期看,权限感知检索很可能像 SSO 一样成为企业 AI 的默认基础设施。