Необходимо зарегистрироваться, чтобы получить доступ к полным текстам статей и выпусков журналов!
- Название статьи
- Методика защиты токенов авторизации систем искусственного интеллекта при использовании MCP-серверов
- Авторы
- Гежин Сергей Андреевич gezhinsergey@mail.ru, магистрант, Московский политехнический университет, Москва, Россия
Пиков Виталий Александрович pikov@yandex.ru, старший преподаватель кафедры "Вычислительные машины, системы и сети", Московский авиационный институт (национальный исследовательский университет), Москва, Россия
- В разделе
- ТЕХНИЧЕСКАЯ ЗАЩИТА ИНФОРМАЦИИ. Доверенная среда
- Ключевые слова
- Model Context Protocol / MCP / токены авторизации / ИИ-агенты / Prompt Injection / транзитная инкапсуляция / верификация намерений / информационная безопасность
- Год
- 2026 номер журнала 3 Страницы 31 - 35
- Индекс УДК
- 004.056:004.8
- Код EDN
- IXCSIE
- Код DOI
- 10.52190/2073-2600_2026_3_31
- Финансирование
- Тип статьи
- Научная статья
- Аннотация
- Стремительное распространение ИИ-агентов, взаимодействующих с корпоративными сервисами посредством протокола Model Context Protocol (MCP), формирует качественно новый класс угроз информационной безопасности. Недетерминированная природа языковых моделей делает традиционные методы защиты транспортного уровня недостаточными для обеспечения конфиденциальности токенов авторизации. В настоящей работе представлена трёхкомпонентная методика транзитной инкапсуляции и верификации намерений, реализующая принцип эшелонированной защиты (defence in depth). Методика включает: алгоритм транзитной инкапсуляции секретов с механизмом суррогатной подмены идентификаторов; алгоритм двусторонней семантической инспекции входных данных; алгоритм детализированного аудита и верификации намерений ИИ-агента. Экспериментальная верификация на испытательном стенде под управлением ОС Linux показала повышение коэффициента защищённости с 15 до 97 % при коэффициенте ложных срабатываний 3 % и накладных расходах 26,5 мс в условиях тестовой выборки. Полученные при оценке результаты демонстрируют работоспособность методики.
- Полный текст статьи
- Для прочтения полного текста необходимо купить статью
- Список цитируемой литературы
-
Weng L. LLM Powered Autonomous Agents. 2023. [Электронный ресурс]. URL: https://lilianweng.github.io/posts/2023-06-23-agent/ (дата обращения: 21.06.2026).
Introducing the Model Context Protocol / Anthropic. 2024 [Электронный ресурс]. URL: https://www.anthropic.com/news/model-context-protocol (дата обращения: 21.06.2026).
Architecture overview / Model Context Protocol [Электронный ресурс]. URL: https://modelcontextprotocol.io/docs/learn/architecture (дата обращения: 21.06.2026).
Authorization / Model Context Protocol Specification [Электронный ресурс]. URL: https://modelcontextprotocol.io/specification/draft/basic/authorization (дата обращения: 21.06.2026).
Greshake K., Abdelnabi S., Mishra S. et al. Not What You've Signed Up For: Compromising Real-World LLM-Integrated Applications with Indirect Prompt Injection // Proceedings of the 16th ACM Workshop on Artificial Intelligence and Security (AISec '23). - New York: ACM, 2023. P. 79-90. DOI: 10.1145/3605764.3623985.
OWASP Top 10 for LLM Applications 2025 / OWASP Foundation. 2024 [Электронный ресурс]. URL: https://genai.owasp.org/resource/owasp-top-10-for-llm-applications-2025/ (дата обращения: 21.06.2026).
LLM01:2025 Prompt Injection / OWASP Foundation [Электронный ресурс]. URL: https://genai.owasp.org/llmrisk/llm01-prompt-injection/ (дата обращения: 21.06.2026).
Zhan Q., Liang Z., Ying Z., Kang D. InjecAgent: Benchmarking Indirect Prompt Injections in Tool-Integrated Large Language Model Agents // Findings of the Association for Computational Linguistics: ACL 2024. - Bangkok: Association for Computational Linguistics, 2024. P. 10471-10506. DOI: 10.18653/v1/2024.findings-acl.624.
LLM02:2025 Sensitive Information Disclosure / OWASP Foundation . [Электронный ресурс]. URL: https://genai.owasp.org/llmrisk/llm022025-sensitive-information-disclosure/ (дата обращения: 21.06.2026).
LLM05:2025 Improper Output Handling / OWASP Foundation [Электронный ресурс]. URL: https://genai.owasp.org/llmrisk/llm052025-improper-output-handling/ (дата обращения: 21.06.2026).
LLM06:2025 Excessive Agency / OWASP Foundation [Электронный ресурс]. URL: https://genai.owasp.org/llmrisk/llm062025-excessive-agency/ (дата обращения: 21.06.2026).
Jones M., Bradley J., Sakimura N. JSON Web Token (JWT): RFC 7519, Internet Engineering Task Force. 2015. DOI: 10.17487/RFC7519 [Электронный ресурс]. URL: https://www.rfc-editor.org/info/rfc7519 (дата обращения: 21.06.2026).
Sheffer Y., Hardt D., Jones M. JSON Web Token Best Current Practices: RFC 8725 / Internet Engineering Task Force. 2020 [Электронный ресурс]. URL: https://datatracker.ietf.org/doc/rfc8725/ (дата обращения: 21.06.2026).
Artificial Intelligence Risk Management Framework (AI RMF 1.0) / National Institute of Standards and Technology. - Gaithersburg: NIST, 2023. - 48 p. (NIST AI 100-1). DOI: 10.6028/NIST.AI.100-1.
Defense-in-Depth / NIST Computer Security Resource Center Glossary [Электронный ресурс]. URL: https://csrc.nist.gov/glossary/term/defense_in_depth (дата обращения: 21.06.2026).
Perez F., Ribeiro I. Ignore Previous Prompt: Attack Techniques For Language Models. 2022. DOI: 10.48550/arXiv.2211.09527 [Электронный ресурс]. URL: https://arxiv.org/abs/2211.09527 (дата обращения: 21.06.2026).
- Купить
- 800.00 руб
