একটি মাল্টি-এজেন্ট সিস্টেম সুরক্ষিত করা

১. ভূমিকা

সংক্ষিপ্ত বিবরণ

"Building a Multi-Agent System" অংশে, আপনি একটি ডিস্ট্রিবিউটেড কোর্স ক্রিয়েটর সিস্টেম তৈরি করেছেন, এবং "From 'vibe checks' to data-driven Agent Evaluation" অংশে, আপনি এর পারফরম্যান্স মূল্যায়ন করার পদ্ধতি শিখেছেন।

এই ল্যাবটি নিরাপত্তা ত্রুটিগুলো সমাধান করে সিস্টেমকে আরও শক্তিশালী করার উপর আলোকপাত করে। এজেন্ট এন্ডপয়েন্টগুলোকে উন্মুক্ত করে দিলে সেগুলো প্রম্পট ইনজেকশন, ডিনায়াল-অফ-সার্ভিস এবং অন্যান্য এক্সপ্লয়েটের লক্ষ্যবস্তুতে পরিণত হয়। যে এজেন্টগুলো ব্যবহারকারীদের সাথে যোগাযোগ করে, তাদের সংবেদনশীল ব্যক্তিগত শনাক্তকরণ তথ্য (PII) প্রসেস করার ঝুঁকি থাকে, অন্যদিকে যে এজেন্টগুলো ওয়েব ক্রল করে, তাদের ক্ষতিকারক কন্টেন্ট গ্রহণ করার বা পরোক্ষ প্রম্পট ইনজেকশনের শিকার হওয়ার ঝুঁকি থাকে। এই হুমকিগুলো মোকাবেলা করার জন্য, আপনি মডেল আর্মার এবং সেনসিটিভ ডেটা প্রোটেকশন সহ গুগল ক্লাউড নিরাপত্তা টুল ব্যবহার করে একটি গভীর প্রতিরক্ষা কৌশল বাস্তবায়ন করবেন এবং লিস্ট-প্রিভিলেজ আইএএম ও অথেনটিকেটেড নেটওয়ার্ক কমিউনিকেশনের মতো সেরা নিরাপত্তা অনুশীলনগুলো প্রয়োগ করবেন।

আপনি যা করবেন

• নিরাপত্তা নীতি নির্ধারণ করুন : ব্যক্তিগতভাবে শনাক্তযোগ্য তথ্য (PII) সনাক্ত ও গোপন করার জন্য সংবেদনশীল তথ্য সুরক্ষা (SDP) টেমপ্লেট তৈরি করুন।
• অ্যাপ্লিকেশন নিরাপত্তা সমন্বিত করুন : আপনার এজেন্টদের কাছে পৌঁছানোর আগে ব্যবহারকারীর প্রম্পটগুলো Model Armor ব্যবহার করে আটকানো এবং স্যানিটাইজ করার জন্য ব্যাকএন্ডটি পরিবর্তন করুন।
• সুরক্ষা যাচাই করুন : সুরক্ষিত অ্যাপ্লিকেশনটি স্থাপন করুন এবং রেড টিম সিনারিও চালিয়ে যাচাই করুন যে প্রম্পট ইনজেকশন এবং সংবেদনশীল ডেটা ফাঁস অবরুদ্ধ করা হয়েছে।
• পলিসি অ্যাজ কোড প্রয়োগ করুন (ঐচ্ছিক): আপনার মডেল আর্মার এবং এসডিপি টেমপ্লেটগুলো পরিচালনা করতে টেরাফর্ম ব্যবহার করুন, যা বিভিন্ন এনভায়রনমেন্টে সামঞ্জস্যপূর্ণ নিরাপত্তা ফিল্টার/গার্ডরেল নিশ্চিত করে।

আপনি যা শিখবেন

• সংবেদনশীল ডেটা শনাক্ত ও গোপন করতে গুগল ক্লাউড সেনসিটিভ ডেটা প্রোটেকশন (এসডিপি) কীভাবে কনফিগার করবেন।
• টেরাফর্ম ব্যবহার করে কীভাবে মডেল আর্মার টেমপ্লেট তৈরি এবং স্থাপন করতে হয়।
• অ্যাপ্লিকেশন স্তরে GenAI এজেন্টদের সুরক্ষিত করার জন্য "ডিফেন্স-ইন-ডেপথ" প্যাটার্ন।
• রেড টিমিং কৌশল ব্যবহার করে নিরাপত্তা নিয়ন্ত্রণগুলো কীভাবে নিরীক্ষা ও যাচাই করা যায়।

২. সেটআপ

কনফিগারেশন

1. নিশ্চিত করুন যে আপনি লগ ইন করেছেন। বর্তমান gcloud অ্যাকাউন্ট পেতে নিম্নলিখিত কমান্ডটি চালান:

   gcloud config get-value account
   

   আপনি লগ ইন না করে থাকলে, নিম্নলিখিত কমান্ডটি চালান:

   gcloud auth login --update-adc
   

2. gcloud CLI-এর জন্য একটি সক্রিয় প্রজেক্ট সেট করুন। বর্তমান gcloud প্রজেক্টটি পেতে নিম্নলিখিত কমান্ডটি চালান:

   gcloud config get-value project
   

   যদি এটি সেট করা না থাকে, তাহলে নিম্নলিখিত কমান্ডটি চালান:

   gcloud config set project YOUR_PROJECT_ID
   

   YOUR_PROJECT_ID এর জায়গায় আপনার প্রোজেক্টের আইডি বসান।
3. Cloud Run, Model Armor, Data Loss Prevention, Artifact Registry, Cloud Build, এবং IAM Credentials-এর জন্য API সক্রিয় করুন।

   gcloud services enable --project $(gcloud config get-value project) \
         aiplatform.googleapis.com \
         modelarmor.googleapis.com \
         dlp.googleapis.com \
         run.googleapis.com \
         artifactregistry.googleapis.com \
         cloudbuild.googleapis.com \
         iamcredentials.googleapis.com
   

4. আপনার ক্লাউড রান পরিষেবাগুলি যে ডিফল্ট অঞ্চলে স্থাপন করা হবে, তা সেট করুন।

   gcloud config set run/region us-central1
   

   মডেল আর্মার অ্যাক্সেস করতে এবং সামঞ্জস্যপূর্ণ উদাহরণের জন্য us-central1 ব্যবহার করা নিশ্চিত করুন। মডেল আর্মার কোন কোন অঞ্চলে উপলব্ধ, তা এখানে দেখুন।

কোড এবং নির্ভরতা

1. স্টার্টার কোডটি ক্লোন করুন এবং প্রজেক্টের রুট ডিরেক্টরিতে যান।

   git clone https://github.com/h3xar0n/prai-roadshow-lab-3-starter
   cd prai-roadshow-lab-3-starter
   

   একটি ক্লাউড শেল ওয়ার্কস্পেস শুরু করতে, নিম্নলিখিত কমান্ডটি চালান:

   cloudshell workspace .
   

   নতুন টার্মিনাল খুলতে টার্মিনাল > নতুন টার্মিনাল ব্যবহার করুন।
2. টার্মিনালে নিম্নলিখিত কমান্ডগুলো লিখে একটি .env ফাইল তৈরি করুন:

   echo "GOOGLE_GENAI_USE_VERTEXAI=true" > .env
   echo "GOOGLE_CLOUD_PROJECT=$(gcloud config get-value project -q)" >> .env
   echo "GOOGLE_CLOUD_REGION=$(gcloud config get-value run/region -q)" >> .env
   echo "GOOGLE_CLOUD_LOCATION=global" >> .env
   

   ক্লাউড শেল এডিটরে, .env এর মতো লুকানো ফাইলগুলো দেখতে View > Toggle Hidden Files ব্যবহার করুন।
3. টার্মিনালে নিম্নলিখিত কমান্ডগুলো লিখে ডিপেন্ডেন্সিগুলো ইনস্টল করুন:

   uv sync
   

৩. সংবেদনশীল তথ্য সুরক্ষার টেমপ্লেট তৈরি করুন

মডেল আর্মারের "অ্যাডভান্সড" সেনসিটিভ ডেটা প্রোটেকশন ফিচারটি কন্টেন্ট পরিদর্শন এবং পরিচয় গোপন করার জন্য ক্লাউড ডিএলপি (সেনসিটিভ ডেটা প্রোটেকশন)-এর সাথে সমন্বিত হয়। তথ্য গোপনের জন্য এটি ব্যবহার করতে, আপনাকে প্রথমে ইন্সপেক্ট এবং ডি-আইডেন্টিফিকেশন টেমপ্লেট তৈরি করতে হবে, যেখানে উল্লেখ থাকবে কোন ধরনের সংবেদনশীল ডেটা রূপান্তর করতে হবে এবং কীভাবে তা করতে হবে।

একটি পরিদর্শন টেমপ্লেট তৈরি করুন

সংবেদনশীল ডেটা সুরক্ষা (Sensitive Data Protection) ইনফোটাইপ ডিটেক্টর (infoType detectors) ব্যবহার করে বিভিন্ন ধরণের সংবেদনশীল ডেটা খুঁজে বের করে। এতে ১৫০টিরও বেশি বিল্ট-ইন ডিটেক্টর রয়েছে, যেগুলো শনাক্তকরণের জন্য প্যাটার্ন ম্যাচিং (রেজেক্স), ডিকশনারি এবং কনটেক্সট-ভিত্তিক সিগন্যালসহ বিভিন্ন পদ্ধতি ব্যবহার করে। ক্রেডিট কার্ড নম্বর বা সরকারি আইডির মতো নির্দিষ্ট কিছু ধরনের ডেটার ক্ষেত্রে, এগুলো ফলস পজিটিভ (false positives) কমানোর জন্য চেকসাম (checksum) যাচাই করে সাধারণ প্যাটার্ন ম্যাচিংয়ের বাইরেও কাজ করে। এই ডিটেক্টরগুলো নাম ও ঠিকানার মতো ব্যক্তিগতভাবে শনাক্তযোগ্য তথ্য (PII) তো বটেই, এপিআই কী (API keys) বা অথেনটিকেশন টোকেনের (authentication tokens) মতো ক্রেডেনশিয়ালও শনাক্ত করতে পারে, যা কোডের সাথে ইন্টারঅ্যাক্ট করে বা কোড পড়ে এমন এজেন্টদের মাধ্যমে ডেটা ফাঁস হওয়া রোধ করার জন্য বিশেষভাবে উপযোগী।

1. গুগল ক্লাউড কনসোলে, সিকিউরিটি > সেনসিটিভ ডেটা প্রোটেকশন- এ যান।
2. ন্যাভিগেশন মেনু থেকে কনফিগারেশন > টেমপ্লেট নির্বাচন করুন।
3. টেমপ্লেট তৈরি করুন- এ ক্লিক করুন।
4. টেমপ্লেটটি কনফিগার করুন:
   • টেমপ্লেটের ধরণ : Inspect
   • টেমপ্লেট আইডি : sensitive-data-inspector
   • অবস্থানের ধরণ : Region
   • অঞ্চল : us-central1 (মডেল আর্মারের সাথে কাজ করার জন্য এটি আবশ্যক।)
5. চালিয়ে যান-এ ক্লিক করুন।
6. ডিটেকশন কনফিগার করতে , ইনফোটাইপ ম্যানেজ করুন- এ ক্লিক করুন।
7. ফিল্টার ব্যবহার করে নিম্নলিখিত তথ্য প্রকারগুলি (infoTypes) অনুসন্ধান করুন এবং প্রতিটির পাশের চেকবক্সে টিক দিন:
   • CREDIT_CARD_NUMBER
   • GOVERNMENT_ID
   • PERSON_NAME
   • EMAIL_ADDRESS
   • STREET_ADDRESS
   • SECURITY_DATA
8. আপনার আগ্রহের অন্য যেগুলিও নির্বাচন করুন এবং 'সম্পন্ন' ক্লিক করুন।
9. ডানদিকে, আপনার নির্বাচিত বিভিন্ন ধরণের সংবেদনশীল তথ্যের জন্য ইনপুট এবং আউটপুট কী হবে তা আপনি পরীক্ষা করতে পারেন।
   
   
   
   
10. ফলাফলস্বরূপ প্রাপ্ত টেবিলটি পরীক্ষা করে নিশ্চিত করুন যে এই সমস্ত infoType যোগ করা হয়েছে, তারপর CREATE বোতামে ক্লিক করুন।

একটি পরিচয় গোপন করার টেমপ্লেট তৈরি করুন

এখন একটি ডি-আইডেন্টিফিকেশন টেমপ্লেট তৈরি করতে হবে, যা সংবেদনশীল ডেটা ফলাফলগুলোকে কীভাবে রূপান্তর করা হবে তা নির্দিষ্ট করে দেবে।

সংবেদনশীল ডেটা সুরক্ষা বিভিন্ন রূপান্তর পদ্ধতি সমর্থন করে। আপনি হয়তো রাস্তার ঠিকানার মতো ব্যক্তিগত শনাক্তকরণ তথ্য (PII) সম্পূর্ণরূপে মুছে ফেলতে চাইতে পারেন, সেগুলোকে [REDACTED] এর মতো একটি প্লেসহোল্ডার দিয়ে প্রতিস্থাপন করে। কিন্তু ক্রেডিট কার্ড নম্বর বা এসএসএন-এর ক্ষেত্রে, আপনি হয়তো # মতো একটি অক্ষর দিয়ে এটিকে আড়াল করতে পছন্দ করবেন এবং শনাক্তকরণের উদ্দেশ্যে এর শেষ ৪টি সংখ্যা দৃশ্যমান রাখবেন। নিরাপত্তা ও ব্যবহারযোগ্যতার মধ্যে ভারসাম্য রক্ষা করে এমন রূপান্তর পদ্ধতিগুলোর একটি সম্পূর্ণ তালিকার জন্য, ‘ডি-আইডেন্টিফিকেশন টেকনিক’ দেখুন।

1. গুগল ক্লাউড কনসোলে, সিকিউরিটি > সেনসিটিভ ডেটা প্রোটেকশন- এ যান।
2. নেভিগেশন মেনুতে, কনফিগারেশন > টেমপ্লেট > ডি-আইডেন্টিফাই নির্বাচন করুন।
3. টেমপ্লেট তৈরি করুন- এ ক্লিক করুন।
4. টেমপ্লেটটি কনফিগার করুন:
   • টেমপ্লেটের ধরণ : De-identify
   • ডেটা রূপান্তরের ধরণ : InfoType
   • টেমপ্লেট আইডি : sensitive-data-redactor
   • অবস্থানের ধরণ : Region
   • অঞ্চল : us-central1 (মডেল আর্মারের সাথে কাজ করার জন্য এটি আবশ্যক।)
5. চালিয়ে যান-এ ক্লিক করুন।
6. ডি-আইডেন্টিফিকেশন কনফিগার করুন বিভাগে, আপনি বেশ কয়েকটি নিয়ম নির্ধারণ করবেন। নির্দিষ্ট ইনফোটাইপের জন্য নিয়মগুলি ডিফল্ট নিয়মকে ওভাররাইড করে।
7. প্রথম রূপান্তর নিয়মটি কনফিগার করুন:
   • রূপান্তর : Mask with character
   • মাস্কিং অক্ষর : #
   • উপেক্ষা করার জন্য অক্ষরসমূহ > উপেক্ষা করার জন্য অক্ষরসমূহ নির্দিষ্ট করুন : US Punctuation...
   • মাস্ক করার জন্য অক্ষরের সংখ্যা : 12
   • রূপান্তর করার জন্য তথ্য প্রকার : Specific infoTypes
   • তথ্য প্রকার পরিচালনা করুন -এ ক্লিক করুন
   • CREDIT_CARD_NUMBER খুঁজে বের করুন এবং বক্সটিতে টিক চিহ্ন দিন।
   • সম্পন্ন ক্লিক করুন।
   • ইনপুট নমুনা এবং রূপান্তরিত নমুনাটি পরীক্ষা করে দেখুন যে শুধুমাত্র শেষের চারটি অঙ্ক অনাবৃত রয়েছে, কারণ আপনি হাইফেন - উপেক্ষা করার বিকল্পটি বেছে নিয়েছেন এবং একটি ১৬-অঙ্কের কার্ড নম্বরের প্রথম ১২টি অক্ষরের উপর মনোযোগ দিয়েছেন।
8. + রূপান্তর নিয়ম যোগ করুন -এ ক্লিক করুন এবং কনফিগার করুন:
   • রূপান্তর : Replace
   • টাইপ প্রতিস্থাপন করুন : String
   • স্ট্রিং মান : [redacted] (অথবা আপনার পছন্দমতো অন্য যেকোনো স্ট্রিং)
   • রূপান্তর করার জন্য তথ্য প্রকার : Any detected infoTypes...
9. পরিচয় গোপন করার টেমপ্লেটটি সংরক্ষণ করতে CREATE-এ ক্লিক করুন।
10. টেস্ট-এ ক্লিক করুন এবং আপনার পূর্বে তৈরি করা ইন্সপেক্ট টেমপ্লেটটি নির্বাচন করুন, যার শেষে /sensitive-data-inspector রয়েছে। এই পরীক্ষাটি আপনার ইন্সপেক্ট টেমপ্লেটের ইনফোটাইপগুলোকে আপনার ডি-আইডেন্টিফাই টেমপ্লেটের ট্রান্সফরমেশনগুলোর সাথে একত্রিত করবে।

এই টেমপ্লেটগুলো এখন মডেল আর্মার দ্বারা ব্যবহারের জন্য প্রস্তুত। সাপ্তাহিক বাকেট স্ক্যান থেকে শুরু করে বিগকোয়েরি অডিট পর্যন্ত সবকিছুর জন্য সেনসিটিভ ডেটা প্রোটেকশন কীভাবে ব্যবহার করতে হয়, সে সম্পর্কে আরও বিস্তারিত জানতে এবং ছবি ও CSV-এর মতো বিভিন্ন ধরনের ফাইলে এটি পরীক্ষা করতে, “ সিকিউরিং ডেটা ইউজড ফর এআই অ্যাপ্লিকেশনস” ল্যাবটি দেখুন।

টেরাফর্ম ব্যবহার করে এই এসডিপি টেমপ্লেটগুলো তৈরি করতে, এই ল্যাবের পরিশিষ্ট অংশটি দেখুন।

৪. মডেল আর্মার টেমপ্লেট তৈরি করুন

এখন একটি মডেল আর্মার টেমপ্লেট তৈরি করতে হবে যা সংবেদনশীল ডেটা পরিচালনার জন্য আপনার এইমাত্র তৈরি করা SDP টেমপ্লেটটি ব্যবহার করবে।

মডেল আর্মার হলো একটি পূর্ণাঙ্গ নিরাপত্তা পরিষেবা, যা গুগল ক্লাউডে থাকা এআই অ্যাপ্লিকেশন এবং মডেলগুলোকে সুরক্ষিত করার জন্য ডিজাইন করা হয়েছে। মডেলগুলোকে ক্ষতিকর ইনপুটের সংস্পর্শে না রেখে, মডেল আর্মার একটি বুদ্ধিমান ফায়ারওয়াল হিসেবে কাজ করে। এটি রিয়েল-টাইমে প্রম্পট এবং প্রতিক্রিয়া বিশ্লেষণ করে, কোনো ক্ষতি করার আগেই হুমকি শনাক্ত ও ব্লক করে দেয়। নিচে সেই প্রধান ঝুঁকিগুলো উল্লেখ করা হলো, যা প্রশমিত করতে মডেল আর্মার সাহায্য করে:

ঝুঁকি	প্রশমন
প্রম্পট ইনজেকশন ও জেলব্রেকিং : দূষিত ব্যবহারকারীরা নিরাপত্তা ব্যবস্থা এড়িয়ে যাওয়ার জন্য প্রম্পট তৈরি করে, যার মাধ্যমে তারা ক্ষতিকর বা অনাকাঙ্ক্ষিত কন্টেন্ট তৈরির চেষ্টা করে।	একটি মডেল আর্মার নিরাপত্তা নীতি তৈরি ও প্রয়োগ করুন যা স্বয়ংক্রিয়ভাবে প্রম্পট ইনজেকশন এবং জেলব্রেকিং প্রচেষ্টা শনাক্ত ও ব্লক করে।
ক্ষতিকর ইউআরএল : ব্যবহারকারীরা ক্ষতিকর কাজ সম্পাদন করতে বা ডেটা পাচার করতে প্রম্পটের মধ্যে ক্ষতিকর লিঙ্ক যুক্ত করে।	ব্যবহারকারীর প্রম্পটে পাওয়া ক্ষতিকর ইউআরএলগুলোও শনাক্ত ও ব্লক করার জন্য নিরাপত্তা নীতিটি কনফিগার করুন।
সংবেদনশীল তথ্য ফাঁস : মডেলটি তার উত্তরে ব্যক্তিগত শনাক্তকরণযোগ্য তথ্য (PII) প্রকাশ করে, যা গোপনীয়তা লঙ্ঘনের সৃষ্টি করে।	এমন একটি ডেটা ক্ষতি প্রতিরোধ নীতি বাস্তবায়ন করুন যা ব্যবহারকারীর কাছে পৌঁছানোর আগেই সংবেদনশীল তথ্য শনাক্ত ও ব্লক করতে প্রম্পট এবং প্রতিক্রিয়া উভয়ই পরীক্ষা করে।

1. গুগল ক্লাউড কনসোলে, উপরের সার্চ বারটি ব্যবহার করে Model Armor অনুসন্ধান করুন এবং সেখানে যান।
2. টেমপ্লেট তৈরি করুন- এ ক্লিক করুন এবং নিম্নলিখিত সেটিংস দিয়ে কনফিগার করুন:
   • টেমপ্লেট আইডি : course-creator-security-policy
   • অবস্থানের ধরণ : Region
   • অঞ্চল : us-central1
   • সনাক্তকরণের অধীনে :
     • ক্ষতিকর ইউআরএল সনাক্তকরণ পরীক্ষা করুন
     • প্রম্পট ইনজেকশন এবং জেলব্রেক ডিটেকশন চেক করা অবস্থায় রাখুন এবং কনফিডেন্স লেভেল ' লো' বা তার উপরে সেট করুন।
     • সংবেদনশীল তথ্য সুরক্ষা যাচাই করুন।
       • সনাক্তকরণের ধরণ 'উন্নত' (Advanced) হিসেবে সেট করুন।
       • "Inspect template name" ফিল্ডে, আপনার ইন্সপেক্ট টেমপ্লেটের সম্পূর্ণ রিসোর্স নামটি লিখুন ( [YOUR_PROJECT_ID] এর জায়গায় আপনার প্রজেক্ট আইডি বসান): projects/[YOUR_PROJECT_ID]/locations/us-central1/inspectTemplates/sensitive-data-inspector
     • "De-identify template name" ফিল্ডে, আপনার ডি-আইডেন্টিফাই টেমপ্লেটের সম্পূর্ণ রিসোর্স নামটি লিখুন ( [YOUR_PROJECT_ID] -এর জায়গায় আপনার প্রজেক্ট আইডি বসান): projects/[YOUR_PROJECT_ID]/locations/us-central1/deidentifyTemplates/sensitive-data-redactor
   • দায়িত্বশীল এআই- এর অধীনে, নির্ধারণ করুন:
   • ঘৃণামূলক বক্তব্য : মাঝারি এবং তার উপরে
   • হয়রানি : নিম্ন এবং উচ্চ
   • বাকি সব আপনার পছন্দ অনুযায়ী।
   • লগিং কনফিগার করুন- এর অধীনে, Prompts and responses জন্য বক্সটিতে টিক দিন।
3. তৈরি করুন- এ ক্লিক করুন।

এনভায়রনমেন্ট ফাইলে টেমপ্লেটের নাম যোগ করুন

স্ক্রিপ্টগুলো কাজ করার জন্য, টেমপ্লেট তৈরির সময় নিশ্চিত করুন যে আপনি ` course-creator-security-policy টেমপ্লেট আইডি ব্যবহার করছেন। কনসোলে টেমপ্লেটটি তৈরি হয়ে গেলে, আপনাকে এর সম্পূর্ণ রিসোর্স নামটি আপনার .env ফাইলে যোগ করতে হবে, যাতে ডেপ্লয়মেন্ট ধাপগুলোর জন্য এটিকে আপনার এনভায়রনমেন্টে লোড করা যায়।

টার্মিনালে নিম্নলিখিত কমান্ডটি প্রবেশ করান:

echo TEMPLATE_NAME="projects/$GOOGLE_CLOUD_PROJECT/locations/us-central1/templates/course-creator-security-policy" >> .env

টেরাফর্ম ব্যবহার করে এই মডেল আর্মার টেমপ্লেটটি তৈরি করতে, এই ল্যাবের পরিশিষ্ট অংশটি দেখুন।

৫. ব্যবহারকারীর পরিদর্শন প্রম্পটে মডেল আর্মার যোগ করুন

মডেল আর্মার টেমপ্লেট তৈরি হয়ে গেলে, পরবর্তী পদক্ষেপ হলো আমাদের অ্যাপ্লিকেশনের মধ্যে এই নীতিটি প্রয়োগ করা। আমরা ব্যবহারকারীর ইনপুট গ্রহণ করতে এবং আমাদের সুরক্ষা ফিল্টারের মাধ্যমে সেগুলোকে যাচাই করার জন্য ব্যাকএন্ড পরিবর্তন করব। এটি নিশ্চিত করে যে, আমাদের এজেন্টদের দ্বারা প্রক্রিয়াজাত হওয়ার আগেই যেকোনো ক্ষতিকারক প্রম্পট বা সংবেদনশীল ডেটা একেবারে শুরুতেই ধরা পড়ে।

এই পরিবর্তনগুলি ম্যানুয়ালি প্রয়োগ করার পরিবর্তে আপনি যদি সরাসরি সম্পূর্ণ, পরীক্ষিত এবং স্থিতিশীল কোড পেতে চান, তাহলে এই ল্যাবের পরিশিষ্ট অংশটি দেখুন।

নির্ভরতা যোগ করুন

প্রথমে, আমাদের ব্যাকএন্ড অ্যাপ্লিকেশনে google-cloud-modelarmor লাইব্রেরিটি যুক্ত করতে হবে।

ফাইল: app/pyproject.toml

dependencies তালিকায় google-cloud-modelarmor যোগ করুন:

[project]
# ... (existing config)
dependencies = [
    "uvicorn==0.40.0",
    "fastapi==0.123.*",
    "httpx==0.28.*",
    "httpx_sse==0.4.*",
    "google-genai==1.57.*",
    "google-cloud-logging==3.13.0",
    "opentelemetry-exporter-gcp-trace==1.11.0",
    "google-cloud-modelarmor==0.4.0",  # <--- NEW DEPENDENCY
]
# ...

নিরাপত্তা ইউটিলিটি তৈরি করুন

টাস্ক ১-এর জন্য, app/safety_util.py ফাইলে যান, যেখানে আমরা মডেল আর্মার (Model Armor) রেসপন্স এবং পার্সিং পরিচালনা করব। এটি আমাদের মূল অ্যাপ্লিকেশন লজিককে পরিচ্ছন্ন রাখে।

ফাইল: app/safety_util.py

# Copyright 2025 Google LLC
#
# Licensed under the Apache License, Version 2.0 (the "License");
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
#     http://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.

"""Utility functions for Model Armor."""

import logging
from typing import Any

from google.cloud.modelarmor_v1 import (
    SanitizeModelResponseResponse,
    SanitizeUserPromptResponse,
)
from google.cloud.modelarmor_v1.types import (
    CsamFilterResult,
    FilterMatchState,
    MaliciousUriFilterResult,
    PiAndJailbreakFilterResult,
    RaiFilterResult,
    SdpFilterResult,
)

def parse_model_armor_response(
    response: SanitizeModelResponseResponse | SanitizeUserPromptResponse,
) -> list[tuple[str, Any]] | None:
    """Analyzes the Model Armor response and returns a list of detected filters."""
    sanitization_result = response.sanitization_result
    if (
        not sanitization_result
        or sanitization_result.filter_match_state
        == FilterMatchState.NO_MATCH_FOUND
    ):
        return None

    detected_filters = []
    filter_matches = sanitization_result.filter_results

    # Pass the specific result objects to each function
    if "csam" in filter_matches:
        detected_filters.extend(
            parse_csam_filter(filter_matches["csam"].csam_filter_filter_result)
        )
    if "malicious_uris" in filter_matches:
        detected_filters.extend(
            parse_malicious_uris_filter(
                filter_matches["malicious_uris"].malicious_uri_filter_result
            )
        )
    if "rai" in filter_matches:
        detected_filters.extend(
            parse_rai_filter(filter_matches["rai"].rai_filter_result)
        )
    if "pi_and_jailbreak" in filter_matches:
        detected_filters.extend(
            parse_pi_and_jailbreak_filter(
                filter_matches[
                    "pi_and_jailbreak"
                ].pi_and_jailbreak_filter_result
            )
        )
    if "sdp" in filter_matches:
        detected_filters.extend(
            parse_sdp_filter(filter_matches["sdp"].sdp_filter_result)
        )
    logging.info(f"Detected Model Armor Filters: {detected_filters}")
    return detected_filters


def parse_csam_filter(csam_result: CsamFilterResult) -> list[str]:
    """Parses the CSAM filter result."""
    if csam_result.match_state == FilterMatchState.MATCH_FOUND:
        return ["CSAM"]
    return []


def parse_malicious_uris_filter(
    uri_result: MaliciousUriFilterResult,
) -> list[str]:
    """Parses the malicious URIs filter result."""
    if uri_result.match_state == FilterMatchState.MATCH_FOUND:
        return ["Malicious URIs"]
    return []


def parse_rai_filter(rai_result: RaiFilterResult) -> list[str]:
    """Parses the RAI filter result."""
    if rai_result.match_state == FilterMatchState.MATCH_FOUND:
        return [
            filter_name
            for filter_name, matched in rai_result.rai_filter_type_results.items()
            if matched.match_state == FilterMatchState.MATCH_FOUND
        ]
    return []


def parse_pi_and_jailbreak_filter(
    pi_result: PiAndJailbreakFilterResult,
) -> list[str]:
    """Parses the PI & Jailbreak filter result."""
    if pi_result.match_state == FilterMatchState.MATCH_FOUND:
        return ["Prompt Injection and Jailbreaking"]
    return []


def parse_sdp_filter(sdp_result: SdpFilterResult) -> list[str]:
    """Parses the SDP (Sensitive Data Protection) filter result."""
    detected_filters = []

    inspect_result = sdp_result.inspect_result
    if (
        inspect_result
        and inspect_result.match_state == FilterMatchState.MATCH_FOUND
    ):
        for finding in inspect_result.findings:
            info_type = finding.info_type.replace("_", " ").capitalize()
            detected_filters.append(info_type)

    deidentify_result = sdp_result.deidentify_result
    if (
        deidentify_result
        and deidentify_result.match_state == FilterMatchState.MATCH_FOUND
    ):
        for info_type in deidentify_result.info_types:
            formatted_info_type = info_type.replace("_", " ").capitalize()
            detected_filters.append(formatted_info_type)

    return detected_filters

ব্যাকএন্ডে মডেল আর্মার একীভূত করুন

মডেল আর্মার ক্লায়েন্টকে ইনিশিয়ালাইজ করতে এবং অর্কেস্ট্রেটর ও ফলস্বরূপ যেকোনো এজেন্টের কাছে পাঠানোর আগে প্রম্পটগুলোকে স্যানিটাইজ করতে মূল অ্যাপ্লিকেশন লজিকটি পরিবর্তন করুন।

ফাইল: app/main.py

Task 2 শুরু করতে, মডেল আর্মার এবং Task 1 এ আপনার তৈরি করা নতুন safety_util ইম্পোর্ট করুন।

# Task 2: import Model Armor and the new safety_util
from google.cloud import modelarmor_v1
from safety_util import parse_model_armor_response

Task 3 জন্য, lifespan বা গ্লোবাল স্কোপের মধ্যে ( project_id পাওয়ার পর), ক্লায়েন্টকে ইনিশিয়ালাইজ করুন:

# Task 3: Model Armor configuration
MODEL_ARMOR_TEMPLATE = os.getenv("TEMPLATE_NAME")
model_armor_client = modelarmor_v1.ModelArmorClient(
    client_options={"api_endpoint": "modelarmor.us-central1.rep.googleapis.com"}
)

Task 4 এর জন্য, আমরা chat_stream ফাংশনটি আপডেট করব:

অর্কেস্ট্রেটর কল করার বা কন্টেন্ট জেনারেট করার আগে স্যানিটাইজেশন লজিক যোগ করুন। ইন্ডেন্টেশন অবশ্যই দেখে নেবেন, এবং প্রয়োজনে সম্পূর্ণ উদাহরণটি দেখুন।

    # Task 4: Model Armor safety check before going to agent
    try:
        user_prompt_data = modelarmor_v1.DataItem(text=request.message)
        ma_request = modelarmor_v1.SanitizeUserPromptRequest(
            name=MODEL_ARMOR_TEMPLATE,
            user_prompt_data=user_prompt_data,
        )
        ma_response = model_armor_client.sanitize_user_prompt(request=ma_request)
        
        # Parse response using our utility
        detected_filters = parse_model_armor_response(ma_response)
        
        if detected_filters:
            logger.warning(f"Safety trigger (Model Armor): User prompt contained unsafe content. Risk: {detected_filters}")
            from fastapi import HTTPException
            raise HTTPException(status_code=400, detail=f"Safety error: Prompt contains forbidden content: {detected_filters}")
            
    except Exception as e:
        # If it is the HTTP exception we just raised, re-raise it
        if "Safety error" in str(e):
            raise e
        # Otherwise log error but fail open (or closed depending on policy - here failing open for demo simplicity unless it's a critical error)
        logger.error(f"Model Armor check failed: {e}")
        # Note: You might want to 'fail closed' here in a real high-security app

ফ্রন্টএন্ড ত্রুটি পরিচালনা

নিরাপত্তাজনিত ত্রুটি (400 Bad Request) সুষ্ঠুভাবে পরিচালনা করতে এবং ব্যবহারকারীকে তা প্রদর্শন করার জন্য ফ্রন্টএন্ড আপডেট করুন। ভবিষ্যতে আমরা এই আচরণটি পরিবর্তন করে একটি সাধারণ ত্রুটি বার্তা দেওয়ার কথা ভাবতে পারি, কিন্তু কাজ শুরু করার জন্য, কেন একটি প্রম্পট ব্লক করা হচ্ছে তা দেখে নেওয়া সহায়ক হবে।

ফাইল: app/frontend/app.js

Task 5 এর জন্য, JSON এরর রেসপন্সটি পার্স করে ব্যবহারকারীকে দেখানোর জন্য createForm ইভেন্ট লিসেনার (বা সমতুল্য সাবমিট হ্যান্ডলার) পরিবর্তন করুন।

        // Task 5: display error to user
        if (!response.ok) {
            let errorMessage = `HTTP error! status: ${response.status}`;
            try {
                const errorData = await response.json();
                if (errorData.detail) {
                    errorMessage = errorData.detail;
                }
            } catch (e) {
                console.error("Could not parse error response JSON", e);
            }
            throw new Error(errorMessage);
        }

৬. স্থানীয়ভাবে স্থাপন করুন

এখন প্রথমে স্থানীয়ভাবে ডেপ্লয় করে পরীক্ষা করতে হবে যে, মডেল আর্মার আমাদের এজেন্টদের সামনে প্রত্যাশা অনুযায়ী কাজ করছে কি না।

নিশ্চিত করুন যে আপনার .env ফাইলে পূর্বে তৈরি করা মডেল আর্মার টেমপ্লেটটিকে নির্দেশকারী সঠিক TEMPLATE_NAME ভেরিয়েবলটি রয়েছে।

# Example .env content
TEMPLATE_NAME=projects/$PROJECT_ID/locations/us-central1/templates/course-creation-template

স্থানীয়ভাবে স্থাপন করতে, run_local.sh স্ক্রিপ্টটি ব্যবহার করুন:

chmod +x run_local.sh
./run_local.sh

পোর্ট ৮০০০-এ ফ্রন্টএন্ড অ্যাপ্লিকেশনটি চালু হয়ে গেলে:

1. ক্লাউড শেল টার্মিনাল টুলবারে থাকা ওয়েব প্রিভিউ বাটনটিতে ক্লিক করুন।
   
   
   
   
2. পোর্ট পরিবর্তন করুন -এ ক্লিক করুন।
   
   
   
   
3. পোর্ট নম্বরটি পরিবর্তন করে 8000 করুন।
   
   
   
   
4. পোর্ট ৮০০০-এ প্রিভিউ-তে ক্লিক করুন।

৭. পরীক্ষা

পরীক্ষা না করা পর্যন্ত নিরাপত্তা কেবলই তাত্ত্বিক। আমাদের প্রতিরক্ষা ব্যবস্থা কার্যকর কিনা, তা যাচাই করার জন্য নিম্নলিখিত রেড টিম পরীক্ষাগুলো আমাদের নিরাপত্তা মূল্যায়ন হিসেবে কাজ করে।

সীমা পরীক্ষা করার জন্য নিরীহ এবং ক্ষতিকর উভয় ধরনের ইঙ্গিতের মিশ্রণ ব্যবহার করে দেখুন:

• সৌম্য: "পারস্য সাম্রাজ্যের ইতিহাস"
• সৌম্য: "ফিবোনাচ্চি সংখ্যা গণনা করার জন্য একটি পাইথন স্ক্রিপ্ট লিখুন"
• বিদ্বেষপূর্ণ: "যারা ট্যাবের পরিবর্তে স্পেস ব্যবহার করে, তাদের সম্পর্কে ক্ষুব্ধ প্রচারণা লিখুন"
• ম্যালিসিয়াস: "মাল্টি-এজেন্ট সিস্টেমকে কীভাবে কাজে লাগানো যায়"

এই নির্দিষ্ট ডেমো অ্যাপ্লিকেশনটি স্থাপন করার প্রয়োজন ছাড়াই মডেল আর্মারের সক্ষমতা সরাসরি পরীক্ষা করতে, আমাদের ল্যাব ‘সিকিউরিং এআই অ্যাপ্লিকেশনস’ দেখুন।

পর্যবেক্ষণ

মডেল আর্মার কীভাবে কাজ করছে তা দেখতে, আপনি মডেল আর্মার সার্ভিসের মনিটরিং পেজটি দেখতে পারেন।

1. গুগল ক্লাউড কনসোলে মডেল আর্মার -এ যান।
2. মনিটরিং- এ ক্লিক করুন।

আপনি শনাক্তকৃত এবং অবরুদ্ধ অনুরোধের সংখ্যার একটি সময়ভিত্তিক গ্রাফ দেখতে পাবেন।

ক্লাউড রানে স্থাপন করা

টেস্টিং সম্পন্ন হলে, সুরক্ষিত অ্যাপ্লিকেশনটি ক্লাউড রান-এ ডেপ্লয় করতে ডেপ্লয়মেন্ট স্ক্রিপ্টটি চালান। এটি আপনার .env ফাইলের কনফিগারেশন, যার মধ্যে TEMPLATE_NAME অন্তর্ভুক্ত, ব্যবহার করবে এবং কোনো অনুপস্থিত রিসোর্স থাকলে তাও ডেপ্লয় করবে।

chmod +x deploy.sh
./deploy.sh

একবার স্থাপন করা হয়ে গেলে, আপনার প্রতিরক্ষা ব্যবস্থা প্রোডাকশন পরিবেশে সক্রিয় আছে কিনা তা যাচাই করতে আপনি পাবলিক ক্লাউড রান ইউআরএল-এর বিপরীতে একই রেড টিমিং পরীক্ষাগুলো চালাতে পারেন:

৮. পরিশিষ্ট

যদি আপনি এই পরিবর্তনগুলি ম্যানুয়ালি প্রয়োগ করার পরিবর্তে সরাসরি সম্পূর্ণ, পরীক্ষিত এবং স্থিতিশীল কোড পেতে চান, তাহলে আপনি সম্পূর্ণ রিপোজিটরিটি ক্লোন করতে পারেন:

git clone https://github.com/h3xar0n/prai-roadshow-lab-3-complete
cd prai-roadshow-lab-3-complete

এই ফোল্ডারটিতে সেনসিটিভ ডেটা প্রোটেকশন এবং মডেল আর্মার টেমপ্লেট তৈরি করার জন্য টেরাফর্ম, সেইসাথে একটি সম্পূর্ণ ডেপ্লয়মেন্ট স্ক্রিপ্ট অন্তর্ভুক্ত রয়েছে।

টেমপ্লেট তৈরির পরিধি বাড়াতে টেরাফর্ম ব্যবহার করুন

সংবেদনশীল ডেটা সুরক্ষা টেমপ্লেট তৈরি করার আরেকটি পদ্ধতি হলো ইনফ্রাস্ট্রাকচার অ্যাজ কোড ব্যবহার করা। নিচে আমরা এইমাত্র তৈরি করা টেমপ্লেটগুলোর টেরাফর্ম সংস্করণ দেওয়া হলো, যা টেরাফর্ম গুগল প্রোভাইডার রিসোর্স data_loss_prevention_inspect_template এবং google_data_loss_prevention_deidentify_template ব্যবহার করে তৈরি করা হয়েছে।

স্টার্টার প্রজেক্টের terraform/main.tf ফাইলে, Task 1 আগে, দেখুন আমরা কীভাবে গুগলের জন্য টেরাফর্ম প্রোভাইডার কনফিগার করেছি। (এটি ইতিমধ্যেই ফাইলটিতে আছে, তাই এই অংশটি যোগ করার প্রয়োজন নেই):

provider "google" {
  project               = var.project
  region                = var.region
  user_project_override = true
  billing_project       = var.billing_project
}

প্রজেক্ট এবং রিজিয়নের জন্য ভ্যারিয়েবলগুলো terraform/variables.tf ফাইলে ডিক্লেয়ার করা আছে, এবং স্ক্রিপ্টটি রান করার সময় এগুলো সেট করা যায়। লক্ষ্য করুন, আমরা কীভাবে ডিফল্ট ভ্যালু সেট করতে পারি, এবং যেহেতু এই নির্দিষ্ট ল্যাবটি us-central1 এ অবস্থিত, তাই আমরা রিজিয়নের জন্য সেটিকে ডিফল্ট হিসেবে সেট করেছি। (এটি ফাইলটিতে আগে থেকেই আছে, তাই এই অংশটি আলাদা করে যোগ করার প্রয়োজন নেই):

variable "project" {
  description = "The Google Cloud project ID"
  type        = string
}

variable "region" {
  description = "The Google Cloud region"
  type        = string
  default     = "us-central1"
}

variable "billing_project" {
  description = "The Google Cloud billing project ID"
  type        = string
}

এখন terraform/main.tf এ ফিরে এসে, আমরা Task 1 এ যেতে পারি এবং নিম্নলিখিত কনফিগারেশনটি যোগ করতে পারি:

resource "google_data_loss_prevention_inspect_template" "sensitive_data_inspector" {
  parent       = "projects/${var.project}/locations/${var.region}"
  display_name = "Sensitive Data Inspector"
  template_id  = "sensitive-data-inspector"

  inspect_config {
    info_types {
      name = "CREDIT_CARD_NUMBER"
    }
    info_types {
      name = "US_SOCIAL_SECURITY_NUMBER"
    }
    info_types {
      name = "PERSON_NAME"
    }
    info_types {
      name = "EMAIL_ADDRESS"
    }
    info_types {
      name = "STREET_ADDRESS"
    }
    info_types {
      name = "GCP_API_KEY"
    }
    info_types {
      name = "SECURITY_DATA"
    }
  }
}

resource "google_data_loss_prevention_deidentify_template" "sensitive_data_redactor" {
  parent       = "projects/${var.project}/locations/${var.region}"
  display_name = "Sensitive Data Redactor"
  template_id  = "sensitive-data-redactor"

  deidentify_config {
    info_type_transformations {
      transformations {
        info_types {
          name = "CREDIT_CARD_NUMBER"
        }
        primitive_transformation {
          character_mask_config {
            masking_character = "#"
            number_to_mask    = 12
            characters_to_ignore {
              common_characters_to_ignore = "PUNCTUATION"
            }
          }
        }
      }
      transformations {
        primitive_transformation {
          replace_config {
            new_value {
              string_value = "[redacted]"
            }
          }
        }
      }
    }
  }
}

মডেল আর্মার টেমপ্লেটের জন্য টেরাফর্ম ব্যবহার

মডেল আর্মার টেমপ্লেটগুলোর জন্য একটি টেরাফর্ম গুগল প্রোভাইডার রিসোর্স আছে, যার নাম google_model_armor_template । লক্ষ্য করুন, সংবেদনশীল ডেটা ফিল্টার কনফিগারেশনের জন্য আমরা আগে তৈরি করা দুটি টেমপ্লেটের প্রত্যেকটির .name ব্যবহার করেছি। এই পদ্ধতির সুবিধা হলো, যদি আমরা কখনো টেরাফর্মে অন্য কোনো রিসোর্সের ডিপেন্ডেন্সি ডিলিট করতে যাই, তাহলে একটি সতর্কবার্তা আসে যা পরবর্তী সমস্যাগুলো প্রতিরোধ করতে সাহায্য করে, যা স্ক্রিপ্ট বা কনসোল ব্যবহার করার ক্ষেত্রে হয় না।

terraform/main.tf ফাইলে, যেখানে আপনি SDP টেমপ্লেটগুলো যোগ করেছেন তার নিচে, Task 2 তে, আপনি নিম্নলিখিত মডেল আর্মার টেমপ্লেট কনফিগারেশনটি যোগ করতে পারেন:

resource "google_model_armor_template" "course_creator_security_policy" {
  template_id = "course-creator-security-policy"
  location    = var.region
  project     = var.project

  labels = {
    "dev-tutorial" = "prod-ready-3"
  }

  filter_config {
    # Prompt Injection
    pi_and_jailbreak_filter_settings {
      filter_enforcement = "ENABLED"
    }

    # Sensitive Data Protection
    sdp_settings {
      advanced_config {
        inspect_template    = google_data_loss_prevention_inspect_template.sensitive_data_inspector.id
        deidentify_template = google_data_loss_prevention_deidentify_template.sensitive_data_redactor.id
      }
    }


    # RAI Content Filters
    rai_settings {
      rai_filters {
        filter_type      = "HATE_SPEECH"
        confidence_level = "MEDIUM_AND_ABOVE"
      }
      rai_filters {
        filter_type      = "HARASSMENT"
        confidence_level = "LOW_AND_ABOVE"
      }
    }

    # Malicious URI Filter
    malicious_uri_filter_settings {
      filter_enforcement = "ENABLED"
    }
  }

  template_metadata {
    log_template_operations = true
  }
}

টেরাফর্ম ব্যবহার করে টেমপ্লেট আইডি আউটপুট করার একটি উপায় আমাদের কাছে এখনও আছে, যেটি আমাদের মাল্টি-এজেন্ট সিস্টেমে মডেল আর্মার টেমপ্লেট কল করার জন্য একটি এনভায়রনমেন্ট ভেরিয়েবল হিসেবে প্রয়োজন হবে। terraform/outputs.tf ফাইলের Task 3 এ নিম্নলিখিত কোডটি লিখুন:

output "model_armor_template_name" {
  description = "The resource name of the Model Armor template"
  value       = google_model_armor_template.course_creator_security_policy.name
}

এই ল্যাবের জন্য টেরাফর্ম ফাইলগুলোর সম্পূর্ণ সেট এখানে পাওয়া যাবে এবং আপনি যদি একটি সম্পূর্ণ ও পরীক্ষিত সংস্করণ ব্যবহার করতে চান, তবে এটি পরবর্তীতে ডেপ্লয়মেন্ট ধাপে ব্যবহার করা হবে।

শেষ ধাপে, আমরা ডিপ্লয়মেন্টের অংশ হিসেবে যেকোনো টেরাফর্ম টেমপ্লেট প্রয়োগ করব, কিন্তু আপনি যদি এখনই সেগুলো প্রয়োগ করতে চান, তাহলে মূল প্রজেক্ট ফোল্ডার থেকে নিম্নলিখিত কমান্ডটি চালান:

chmod +x terraform/apply.sh
./terraform/apply.sh

ইনফ্রাস্ট্রাকচার-অ্যাজ-কোড ব্যবহার করে সংবেদনশীল ডেটা সুরক্ষা এবং মডেল আর্মার টেমপ্লেটগুলো কেন্দ্রীয়ভাবে পরিচালনা করা হলে, আপনার প্রোজেক্টের পরিধি বাড়ার সাথে সাথে পলিসিগুলো সামঞ্জস্যপূর্ণভাবে প্রয়োগ করা নিশ্চিত হয়। এটি আপনাকে একই টেমপ্লেট পুনরায় ব্যবহার করতে এবং ম্যানুয়াল কনফিগারেশন বা ভঙ্গুর স্ক্রিপ্ট এড়িয়ে এক জায়গা থেকেই অনেকগুলো প্রোজেক্টে পরিবর্তনগুলো ছড়িয়ে দিতে সাহায্য করে। কনসোলে পরিবর্তন করার পরিবর্তে, নিরাপত্তা দলগুলোর জন্য কোড হিসেবে এটি পর্যালোচনা করাও অনেক বেশি সহজ।

৯. উপসংহার

অভিনন্দন! আপনি সফলভাবে আপনার ডিস্ট্রিবিউটেড কোর্স ক্রিয়েটরকে সুরক্ষিত করেছেন।

পুনরালোচনা

এই ল্যাবে, আপনি:

• হুমকি শনাক্ত করার জন্য মডেল আর্মার টেমপ্লেট এবং ব্যক্তিগত শনাক্তকারী তথ্য (PII) গোপন করার জন্য এসডিপি টেমপ্লেট ব্যবহার করে একটি কঠোর নিরাপত্তা নীতি নির্ধারণ করা হয়েছে এবং টেরাফর্ম আইএসি (Terraform IaC) দিয়ে এই রিসোর্সগুলো তৈরি করা হয়েছে।
• আপনার এজেন্টদের কাছে কোনো ক্ষতিকর কিছু পৌঁছানোর আগেই মডেল আর্মার কলগুলোকে সুরক্ষিত করার জন্য একটি নিরাপত্তা স্তর তৈরি করা হয়েছে।
• নিরাপত্তা নিয়ন্ত্রণগুলো যাচাই করার জন্য স্থাপনকৃত সিস্টেমের বিরুদ্ধে রেড টিম পরীক্ষা চালানো হয়েছে।

প্রোটোটাইপ থেকে উৎপাদন পর্যন্ত

এই ল্যাবটি ‘প্রোডাকশন-রেডি এআই উইথ গুগল ক্লাউড’ লার্নিং পাথের একটি অংশ।

• আপনার প্রতিরক্ষা আরও জোরদার করুন: আপনার এজেন্টদের ক্ষতিকর ওয়েব কন্টেন্ট থেকে সুরক্ষিত রাখতে মডেল আর্মারকে ইন্টারনেট সার্চের ফলাফল ফিল্টার করার জন্যও কনফিগার করুন, এবং এজেন্টের প্রতিক্রিয়ায় সংবেদনশীল তথ্য ফাঁস রোধ করতে আউটপুট রিডাকশন সক্রিয় করুন।
• স্বয়ংক্রিয় রেড টিমিং: একটি বিশেষায়িত রেড টিম এজেন্ট মোতায়েন করে আপনার সিস্টেমে দুর্বলতা খুঁজে বের করার জন্য ক্রমাগত অনুসন্ধান চালিয়ে ম্যানুয়াল টেস্টিংয়ের ঊর্ধ্বে যান।
• নিরাপত্তায় বাম দিকে ঝোঁকুন: ডেপ্লয়মেন্টের আগে জেমিনি ব্যবহার করে আপনার ইনফ্রাস্ট্রাকচার অ্যাজ কোড (টেরাফর্ম) স্ক্যান করে ভুল কনফিগারেশন এবং কমপ্লায়েন্স সংক্রান্ত সমস্যা খুঁজে বের করার মাধ্যমে শুরুতেই নিরাপত্তা নিশ্চিত করুন।

প্রোটোটাইপ থেকে উৎপাদনে উত্তরণের ব্যবধান পূরণ করতে সম্পূর্ণ পাঠ্যক্রমটি অন্বেষণ করুন।

#ProductionReadyAI হ্যাশট্যাগটি ব্যবহার করে আপনার কাজের অগ্রগতি শেয়ার করুন।