🎯 Objectif

Retenir les bonnes pratiques pour sécuriser une infrastructure d’automatisation réseau basée sur l’IA, en protégeant à la fois les modèles IA, les pipelines CI/CD, les agents d’automatisation et les données.

---

🛡️ Principaux concepts

Menaces IA

Les principales attaques ciblant les modèles IA sont :

• Dataset Poisoning : corruption des données d’entraînement.
• Adversarial Traffic : trafic conçu pour tromper le modèle.
• Model Inversion / Reconstruction : extraction d’informations sur le modèle ou les données d’entraînement.
• Black Box Problem : difficulté à comprendre les décisions de l’IA.

---

Pipeline CI/CD sécurisé

Utiliser un pipeline sécurisé avec :

• GitOps (Source of Truth)
• Pull Requests
• revues de code
• tests automatiques
• SAST
• SCA
• gestion sécurisée des secrets (Vault)
• signature des images Docker

---

Validation des modèles IA

Avant toute mise en production :

• AI Red Teaming
• Shadow Deployment
• Canary Deployment
• détection du Data Drift
• réentraînement automatique si nécessaire

---

Zero Trust

Appliquer le principe :

Never Trust, Always Verify

Mécanismes :

• MTLS
• OAuth 2.0 / OIDC
• MFA
• Just-In-Time Access
• Policy as Code (OPA)
• moindre privilège (Least Privilege)

---

Détection et réponse

Utiliser :

• Streaming Telemetry (gNMI, NetFlow)
• Cisco XDR
• Cisco Secure Network Analytics
• SIEM
• SOAR

Actions automatiques :

• rollback
• isolation d’un agent compromis
• rotation des clés API
• restauration GitOps

---

Cisco Security Portfolio

Produits à connaître :

• Cisco AI Defense
• Cisco XDR
• Cisco Secure Network Analytics
• Cisco Secure Endpoint
• Cisco Secure Email Threat Defense
• Cisco SecureX
• Cisco UCS

---

🎯 Questions importantes (ENAUTO)

Savoir expliquer :

• différence entre Dataset Poisoning et Adversarial Traffic
• quand utiliser un Human-in-the-Loop (HITL) plutôt qu’une automatisation SOAR
• comment MTLS protège les agents IA
• comment Policy as Code (OPA) empêche les actions interdites
• rôle de la Data Provenance et des Immutable Logs dans le maintien de la Source of Truth
• intérêt de Explainable AI (XAI) lors d’une analyse post-incident

---

🎯 À retenir (ENAUTO 5.3)

• La sécurité d’une IA ne repose pas uniquement sur le réseau, mais aussi sur les données, les modèles et le pipeline CI/CD.
• Les attaques majeures sont le Dataset Poisoning, l’Adversarial Traffic, le Model Inversion et le manque d’explicabilité (Black Box).
• Un pipeline sécurisé combine GitOps, Vault, SAST, SCA et la signature des conteneurs.
• Les modèles IA doivent être validés avec AI Red Teaming, Shadow/Canary Deployment et la détection du Data Drift.
• Le Zero Trust repose sur MTLS, OAuth/OIDC, MFA, Just-In-Time Access et Policy as Code (OPA).
• La détection temps réel s’appuie sur Streaming Telemetry, Cisco XDR, Cisco Secure Network Analytics et des playbooks SOAR.
• Les mécanismes de Data Provenance, Immutable Logs et Explainable AI (XAI) garantissent la traçabilité, l’auditabilité et la confiance dans les décisions de l’IA.