נקודות בדיקה של API לפני חיבור זרימות עבודה של בינה מלאכותית
חיבור זרימות עבודה של בינה מלאכותית לממשקי API עסקיים יכול להאיץ אוטומציה, להפחית את זמני העיבוד ולשפר את קבלת ההחלטות. אך לפני חיבור סוכן, תזמור או מודל גנרטיבי למערכת פנימית או לשירות של צד שלישי, יש לאמת מספר נקודות בדיקה טכניות, תפעוליות ואבטחתיות. בפועל, שילוב בינה מלאכותית לא נכשל רק בגלל המודל; לעתים קרובות הוא נכשל בגלל API שמנוהל בצורה גרועה, מתועד לא מספיק או חשוף ללא אמצעי הגנה.
שאלות נפוצות אלו מציגות את הבדיקות החיוניות שיש לבצע לפני חיבור זרימות עבודה של בינה מלאכותית לממשקי API, תוך התמקדות בממשל, אבטחת סייבר והמשכיות עסקית.
מדוע זרימות עבודה של בינה מלאכותית מטילות דרישות ספציפיות על ממשקי API?
זרימת עבודה של בינה מלאכותית אינה צורכת API כמו יישום מסורתי. היא יכולה לבצע קריאות מרובות, לנסח מחדש בקשות, לשרשר מספר מערכות, לתפעל נתונים לא מובנים ולקבל החלטות דינמיות המבוססות על הקשר. שונות זו מגבירה את הסיכונים לסחיפה תפקודית, צריכה יתר, חשיפת נתונים רגישים והתנהגויות שלא צפו על ידי הצוותים שתכננו את ה-API.
לפני כל פריסה בייצור, יש להתייחס ל-API לא רק כממשק טכני, אלא גם כמשטח תקיפה, נקודת ביקורת תאימות ומרכיב קריטי בשרשרת ההחלטות האוטומטית.
מהן נקודות הביקורת החשובות ביותר של ה-API לפני האינטגרציה?
1. הבהרת היקף העסקים ומקרי השימוש המורשים.
השאלה הראשונה אינה טכנית: מה בדיוק מותר לזרימת העבודה של הבינה המלאכותית לעשות? ל-API החשוף לעוזר פנימי אין אותן דרישות כמו ל-API המשמש לביצוע פעולות טרנזקציונליות, שינוי רשומות לקוחות או הפעלת פעולות פיננסיות.
יש לתעד את הפרטים הבאים:
- הפעולות המותרות לקריאה, כתיבה, מחיקה או ניהול;
- מגבלות האצלת הרשויות לזרימת העבודה של בינה מלאכותית;
- השלבים הדורשים אימות אנושי;
- התרחישים האסורים, גם אם ה-API מאפשר אותם טכנית.
מסגרת זו מונעת מתן רמת אוטונומיה לבינה מלאכותית העולה על זו המיועדת על ידי ניהול עסקי.
2. אימות מודל האימות וההרשאה.
API המחובר לזרימת עבודה של בינה מלאכותית לעולם לא צריך להסתמך על אישורים משותפים או מפתחות API גנריים ללא פילוח. לכל רכיב חייבת להיות זהות משלו עם הרשאות מינימליות. המטרה היא כפולה: להגביל את רדיוס הפיצוץ במקרה של פגיעה ולהבטיח מעקב אחר פעולות.
הבקרות שיש לאמת כוללות:
- תמיכה ב-OAuth 2.0, OIDC, או מנגנון שווה ערך המותאם להקשר;
- טווחים מדויקים לפי פונקציה, סביבה וסוג פעולה;
- רוטציה של סודות ואסימונים;
- איסור על הקצאת יתר של חשבונות שירות;
- רישום גישות לפי זהות מכונה.
אם זרימת העבודה של הבינה המלאכותית יכולה לקרוא למספר ממשקי API, יש לוודא גם שלא ניתן לעשות שימוש חוזר באסימונים מחוץ להקשר ושההרשאות נשארות מפולחות לפי שירות.
3. שליטה בחשיפת נתונים רגישים
מודל בינה מלאכותית יכול לשלוח יותר נתונים ממה שמשתמש אנושי היה עושה, במיוחד כדי לספק הקשר למשימה. התנהגות זו יוצרת סיכון ישיר לדליפות של נתונים אישיים, נתוני לקוחות, סודות מסחריים או מידע מוסדר.
לפני האינטגרציה, יש לסווג את הנתונים שהוחלפו, ולענות על שאלות ספציפיות:
- אילו נתונים מחזיר ה-API כברירת מחדל?
- האם התשובות כוללות שדות שאינם נדרשים עבור זרימת העבודה?
- האם קיימים מנגנוני מזעור או סינון שדות?
- האם יש צורך להסוות, להשתמש בכינוי פסאודו-נימי או לא לכלול נתונים מסוימים?
- האם חלים אילוצים ספציפיים לתעשייה, כגון GDPR, NIS2, DORA או דרישות ריבונות פנימיות?
שיטת עבודה מומלצת היא ליצור תצוגות API ייעודיות למקרי שימוש בבינה מלאכותית, שהן מגבילות יותר מנקודות קצה כלליות קיימות.
4. הערכת החוסן של תיעוד וחוזה ה-API.
זרימת עבודה של בינה מלאכותית משתלבת בצורה יעילה יותר עם API מוגדר היטב. מפרט לא שלם או מעורפל מוביל לפרשנויות שגויות, קריאות בלתי צפויות ופתרונות שבריריים לעקיפת הבעיה בתזמור.
חוזה ה-API חייב להיות מדויק מספיק בנוגע ל:
- סכמות בקשה ותגובה;
- קודי שגיאה ומשמעויותיהם התפעוליות;
- אילוצי פורמט, עימוד ומיון;
- כללי אי-מפוטנציה;
- מגבלות גרסה ומדיניות הוצאה משימוש.
מפרט עדכני דמוי OpenAPI לא רק מקל על פיתוח, אלא גם על בדיקות אבטחה, יכולת תצפית וניהול של מחברי בינה מלאכותית.
5. מגבלות קיבולת, תפוקה ועלויות בדיקה
זרימות עבודה של בינה מלאכותית יכולות לייצר פרצי קריאות, במיוחד כאשר הן מפרקות משימה לתת-שלבים, מבצעות שאילתות על מקורות מרובים או מנסות פעולות חוזרות לאחר שגיאה. ממשק API יציב לשימוש אנושי יכול להפוך לבלתי יציב תחת לוגיקה סוכנית.
יש למדוד את הדברים הבאים במעלה הזרם:
- מכסות קריאות ומנגנוני הגבלת קצב;
- זמני תגובה ממוצעים וזמני תגובה לטעינה;
- סובלנות לקפיצות ולולאות ניסיון חוזר;
- עלויות משתנות הקשורות לנפח שיחות;
- תלויות של צד שלישי שעלולות להפוך לצווארי בקבוק.
ללא בקרה זו, אוטומציה של בינה מלאכותית יכולה לפגוע בשירות קריטי, להרוות API של שותף, או ליצור חריגה בתקציב שקשה לזהות בזמן.
6. הבטחת חוסן וטיפול בשגיאות
API הנקרא על ידי זרימת עבודה של בינה מלאכותית חייב לטפל כראוי בשגיאות חולפות, תגובות חלקיות וחוסר זמינות. הבעיה האמיתית אינה רק האם ה-API נכשל, אלא כיצד זרימת העבודה מגיבה כאשר היא אינה מגיבה כצפוי.
נקודות שיש לקחת בחשבון הן:
- פסקי זמן מפורשים ועקביים;
- קודי שגיאה הניתנים לשימוש על ידי התזמור;
- מנגנוני ניסיון חוזר עם גיבוי;
- הגנה מפני כפילויות באמצעות מפתחות זהות;
- מצבים מופחתים או הליכי גיבוי במקרה של כשל.
במקרים רגישים, כל פעולה בעלת השפעה פיננסית, משפטית או תפעולית חייבת לכלול תהליך אימות או שחזור ידני.
7. סקירת רישום, עקיבות וביקורת
כאשר זרימת עבודה של בינה מלאכותית משתמשת ב-API, חייבת להיות אפשרות לשחזר במדויק מה קרה: מי קרא למה, עם איזה הקשר, אילו נתונים הוחזרו, איזו החלטה נגזרה, ואיזו מערכת ביצעה את הפעולה הסופית.
עקיבות שמישה דורשת:
- יומני רישום עם חותמת זמן עבור כל קריאה ל-API;
- מתאמים בין בקשות משתמשים, החלטות בינה מלאכותית ופעולות מערכת;
- שמירת מטא-נתונים טכניים שימושיים לחקירה;
- התראות על התנהגות חריגה, נפחים חריגים או גישה מחוץ לטווח;
- הפרדת יומני יישומים, אבטחה ותאימות.
דרישה זו חיונית לביקורות, ניהול אירועים וניתוח לאחר המוות של פעולות אוטומטיות שגויות.
8. אימות תנוחת האבטחה של ה-API
לפני חיבור זרימת עבודה של בינה מלאכותית, ל-API עצמו חייבת להיות רמת אבטחה מבוקרת. שילוב בינה מלאכותית לא צריך להפוך לקיצור דרך לנקודות קצה שאינן מוגנות כראוי.
בדיקות עדיפות כוללות:
- הצפנת TLS מוגדרת כראוי;
- הגנה מפני הזריקות, גישה לא מורשית ואימות קלט שגוי;
- בקרות הרשאה ברמת האובייקט, לא רק ברמת הסשן;
- הקשחת נקודות קצה ניהוליות;
- בדיקות תקופתיות מול מסגרות רלוונטיות, כולל OWASP API Security Top 10.
עבור ארגונים הכפופים לדרישות אבטחה משופרות, רלוונטי להוסיף סקירות ארכיטקטורה, בדיקות חדירה ממוקדות וכללי זיהוי ייעודיים למקרי שימוש בבינה מלאכותית.
9. יצירת מסגרת לניהול גרסאות ושינויים
זרימות עבודה של בינה מלאכותית רגישות לשינויים במבנה, בסמנטיקה או בהתנהגות של ה-API. שינוי פשוט של שדה, קוד שגיאה שונה או עדכון שקט של נקודת קצה עלולים להוביל לתגובות פגומות, החלטות שגויות או לולאות עיבוד.
לפני החיבור, יש לאמת את הדברים הבאים:
- אסטרטגיית ניהול גרסאות ה-API;
- תקופות ההודעה לפני שינויים;
- קיומן של סביבות בדיקה יציבות;
- מנגנוני אימות תאימות;
- אחריות כל צוות במקרה של הפרת חוזה.
ניהול שינויים רשמי מפחית משמעותית את הסיכון התפעולי בצינורות מורכבים של בינה מלאכותית.
האם נדרשים אמצעי הגנה ספציפיים לזרימות עבודה של בינה מלאכותית סוכנית?
כן. אם זרימת העבודה של הבינה המלאכותית יכולה לבחור קריאות API משלה, לשרשר כלים או לקבל החלטות ביצוע, יש לחזק את הבקרות. סוכן יכול לחקור נתיבים פונקציונליים בלתי צפויים, לבצע פעולות מרובות או לפרש הוראה עסקית בחופשיות רבה מדי.
אמצעי ההגנה המומלצים הם:
- רשימת היתרים קפדנית של נקודות קצה ושיטות מורשות;
- אימות שיטתי של פרמטרי קלט;
- מגבלות נפח, תדירות ועלויות לכל סשן;
- אישור אנושי לפני כל פעולה בלתי הפיכה;
- הפרדה קפדנית בין פעולות ניתוח וביצוע.
במילים אחרות, ככל שזרימת העבודה הופכת אוטונומית יותר, כך רמת בקרת ה-API חייבת להיות מפורטת וניתנת לאכיפה יותר.
כיצד לתעדף בקרות לפני פרויקט פיילוט?
בפיילוט, לא תמיד ניתן להתייחס לכל הנושאים באותה רמת עומק. עם זאת, אסור לדחות חלק מהבקרות:
- אימות חזק והרשאות מינימליות;
- מיפוי נתונים חשופים;
- הגבלת קצב וספי צריכה;
- רישום מתואם מקצה לקצה;
- זרימת עבודה של אימות אנושי לפעולות קריטיות.
לאחר מכן, ניתן לתעדף בקרות אחרות לפי שלושה קריטריונים: קריטיות העסק של ה-API, רגישות הנתונים המטופלים ורמת האוטונומיה המוענקת לזרימת העבודה של הבינה המלאכותית.
מהו הסיכון העיקרי שיש להימנע ממנו?
הסיכון העיקרי הוא להתייחס לשילוב בינה מלאכותית כבעיית קישוריות פשוטה. במציאות, חיבור בינה מלאכותית ל-API פירושו העברת חלק מהגישה, הפרשנות, ולפעמים אפילו הפעולה עצמה, למערכת הסתברותית. ללא נקודות בקרה ברורות, הארגון מגדיל בו זמנית את סיכון הסייבר שלו, את סיכון התאימות שלו ואת הסיכון התפעולי שלו.
הפרויקטים החזקים ביותר אינם אלה שמתחברים הכי מהר, אלא אלה שמגדירים בצורה הטובה ביותר הרשאות, נתונים, חריגים ויכולת מעקב. לפני שמנסים לתעשו זרימת עבודה של בינה מלאכותית, יש להתייחס ל-API כנכס קריטי שיש לנהל, לנטר ולבדוק באופן רציף.
לסיכום
לפני חיבור זרימות עבודה של בינה מלאכותית, נקודות ביקורת חיוניות של API כוללות היקף עסקי, אימות, חשיפת נתונים, חוזה טכני, קיבולת, חוסן, עקיבות, אבטחה וניהול שינויים. בדיקות אלו אינן מאטות חדשנות; הן מונעות מאוטומציה ליצור נקודות עיוורות חדשות. בהקשר של מקרי שימוש בבינה מלאכותית המתרחבים במהירות, בגרות API הופכת לתנאי הכרחי ישיר לאמון, תאימות וביצועים.
מניעת SSRF בייבוא כתובות
ייבוא כתובת עלול לפתוח גישה לא מכוונת למשאבים פנימיים.
- קבעו מקורות, יציאות ופרוטוקולים הדרושים ליבוא. נתחו כתובת באמצעות ספרייה; טקסט מותר בתוך שם אינו מאמת את היעד בפועל.
- בדקו כתובות שנפתרו וכל שלב הפניה. כתובת ציבורית המסתיימת בכתובת פרטית צריכה להיחסם לפני החיבור; הגבילו גם זמן וגודל תשובה.
- השתמשו בשרת בדיקה להפניות, תשובות איטיות וקבצים גדולים. ודאו שאין חיבור ליעד אסור בלי לפנות למטא־נתונים או לרשתות פרטיות אמיתיות.
מקרה קבלה שניתן לשחזר
דוגמה בדיונית: הנתונים אינם מתארים לקוח או תוצאה שנצפתה.
הצגת נתוני המקרה
{
"initial_host": "public.example",
"redirect_host": "internal.example",
"resolved_ip": "127.0.0.1",
"network": "isolated-test"
}החלטה צפויה
ההפניה מגיעה לכתובת loopback. חסמו את המסלול בסביבת בדיקה מבודדת. בדיקת שם המארח הראשוני אינה מכסה את היעד לאחר הפניה. בסביבה המבודדת השאירו מעקב אוטומטי כבוי ובדקו שאין חיבור לכתובת לולאה חוזרת. צפו לדחייה מתועדת בלי לאחזר תוכן פנימי להוכחת החסימה.
נוהל בדיקה
- רשמו יעדי ייבוא ורשתות מורשים.
- בדקו הפניית loopback בבידוד.
- שמרו כתובת מפוענחת וראיית חסימה.
האם בדיקת הכתובת הראשונה מספיקה?
לא. פתרון שם והפניות יכולים לשנות יעד; בדקו את כל השרשרת ואת מגבלות התעבורה היוצאת.
מקור ראשוני: OWASP — Server Side Request Forgery Prevention. שיטה קשורה: קריאת המדריך המעשי.
פרטיות מטמון משותף
מטמון משותף מפריד בין תוכן ציבורי לתשובות אישיות.
- כתובת, סוג ציבורי או אישי ורכיב
- זהות, שפה, הרשאות ומפתח בפועל
- סמנים, כותרות ותוצאה במטמון ריק/מלא
- אחראי, ביטול וגרסה שנבדקה
מקור ראשוני: IETF — RFC 9111: HTTP Caching. שיטה קשורה: קריאת המדריך המעשי.
Passkeys: הכנה לשינוי דומיין ו־RP ID
להפריד בין חשבון, מקור אינטרנט ו־RP ID כדי למנוע קישור מחדש שקט של פרטי הזדהות.
- תעדו מקורות ישנים וחדשים, RP ID וחשבונות קשורים. שם חשבון זהה אינו הופך passkey לתקף עבור RP ID אחר. בדקו צירופים מותרים ב־WebAuthn ונתיבי גישה זמינים בזמן המעבר.
- בסביבת בדיקה מורשית בדקו challenge, מקור, RP ID ושיוך חשבון בספרייה מתאימה. נסו מקור לא צפוי ואתגר חוזר. שינוי RP ID דורש רישום חדש לאחר אימות; העתקת שורה אינה מעבירה מפתח.
- בדקו משתמש עם פרטי הזדהות ישנים בלבד, שחזור וסשנים פתוחים. קבעו פתיחת נתיבים וסגירתם עם חזרה שנבדקה. רישום בדומיין חדש אינו מוכיח ביטול כל הסשנים הישנים.
מקרה קבלה שניתן לשחזר
דוגמה בדיונית: הנתונים אינם מתארים לקוח או תוצאה שנצפתה.
הצגת נתוני המקרה
{
"old_origin": "https://login.old.example",
"old_rp_id": "old.example",
"new_origin": "https://login.new.example",
"new_rp_id": "new.example",
"same_service_account": true,
"expected": "authenticated_new_registration"
}החלטה צפויה
דוגמה בדיונית: החשבון זהה, אך old.example נעשה new.example עם RP ID אחר. אין לקשר מחדש בשקט את פרטי ההזדהות הישנים; הרישום החדש עובר בנתיב האימות המתוכנן.
מקור ראשוני: W3C — Web Authentication Level 2. שיטה קשורה: קריאת המדריך המעשי.
עדכוני תוכנה: לבדוק שינוי בזהות החותם
לקבוע אם תוצר חתום עדיין תואם ליצרן, לתהליך הבנייה ולגרסה שאושרו.
- לפני בדיקת החבילה תעדו יצרן, מפתח או זהות תעודה, מנפיק ותהליך בנייה מותרים. קשרו ציפיות לתוכנה ולערוץ אישור שכבר מהימן. התוצר אינו יכול לבדו להגדיר את מדיניות הקבלה שלו.
- התאימו את גיבוב הקובץ שהתקבל לנושא העדות. בדקו חתימה מול שורשי האמון המיועדים, ואז זהות, בונה ופרמטרים. חתימה תקינה של זהות אחרת אינה עומדת במדיניות השירות.
- בדקו החלפה מוכרזת, מנפיק לא צפוי, חתימה חסרה וקובץ שונה. החזיקו תוצר בהמתנה כשזהות חדשה לא אושרה. תעדו אישור ודרך חזרה; חתימה אינה מוכיחה שאין חולשות.
מקרה קבלה שניתן לשחזר
דוגמה בדיונית: הנתונים אינם מתארים לקוח או תוצאה שנצפתה.
הצגת נתוני המקרה
{
"signature_valid": true,
"digest_matches": true,
"expected_signer": "approved-publisher",
"observed_signer": "different-publisher",
"expected": "hold_for_independent_confirmation"
}החלטה צפויה
דוגמה בדיונית: הגיבוב מתאים והחתימה תקינה, אך החותם שונה מהמאושר. ההתקנה ממתינה לאישור בלתי תלוי של השינוי.
מקור ראשוני: SLSA v1.2 — Verifying artifacts. שיטה קשורה: קריאת המדריך המעשי.
postMessage: לבדוק מקור, חלון ופקודה
להגדיר חוזה הודעות ל־iframe או לחלון קופץ הדוחה שולחים ונתונים לא צפויים.
- רשמו origins מדויקים, חלון צפוי וסוגי הודעות. השתמשו ב־targetOrigin מדויק לנתונים רגישים. origin כולל פרוטוקול, מארח ופורט; חיפוש מחרוזת חלקית בשם דומיין אינו מאמת שולח.
- השוו event.origin ובשילוב זה event.source לחלון הצפוי. בדקו מבנה, ערכים מותרים ומצב פעולה. התייחסו לתוכן כנתונים בלי eval או הזרקת HTML. מקור מאושר אינו מחליף הרשאה בשרת.
- בדקו דומיין דומה, פורט אחר, חלון אחר מאותו origin, שדות לא תקינים והודעות לאחר סגירה. הסירו מאזינים מיותרים ובטלו חילופים שהסתיימו. השיבו ל־origin שאושר מראש גם לאחר ניווט החלון.
מקרה קבלה שניתן לשחזר
דוגמה בדיונית: הנתונים אינם מתארים לקוח או תוצאה שנצפתה.
הצגת נתוני המקרה
{
"allowed_origin": "https://widget.example",
"observed_origin": "https://widget.example",
"expected_window": "active_iframe",
"observed_window": "another_window",
"payload_schema_valid": true,
"expected": "reject_without_effect"
}החלטה צפויה
דוגמה בדיונית: https://widget.example מאושר אבל event.source הוא חלון אחר. החוזה דורש את חלון ה־iframe הפעיל: דחו בלי פקודה.
מקור ראשוני: MDN — Window.postMessage. שיטה קשורה: קריאת המדריך המעשי.
ZIP ו־TAR: לחלץ בגבולות תיקייה ומשאבים
לבדוק נתיבים, קישורים ונתונים לאחר פריסה לפני פרסום הקבצים.
- חלצו לתיקייה חדשה לא ציבורית עם הרשאות מינימליות. דחו נתיבים מוחלטים, עלייה בתיקיות, קישורים וקבצים מיוחדים לא נחוצים. בדקו יעדים שנפתרו והתנגשויות לפי מערכת היעד, כולל אותיות גדולות. קידומת טקסט אינה מוכיחה תחימה.
- קבעו גבולות לכל קובץ ולמכלול על בתים שנכתבו, פריטים, עומק, זמן ומשאבי תהליך. אל תסתמכו רק על גודל דחוס או מוצהר. דחו ארכיונים מקוננים לא נחוצים או שתפו תקציב כללי. עדכנו ספרייה ומסננים.
- בדקו ../, נתיב מוחלט, קישור, כפילות וחריגת תקציב. כשל משאיר אצווה לא מפורסמת ואינו מחליף קבצים קיימים. בדקו סוגים ותוכן לפני פרסום; אמתו יעד בעת ניקוי התיקייה.
מקרה קבלה שניתן לשחזר
דוגמה בדיונית: הנתונים אינם מתארים לקוח או תוצאה שנצפתה.
הצגת נתוני המקרה
{
"compressed_mb": 2,
"expanded_mb": 600,
"aggregate_budget_mb": 100,
"first_files_valid": true,
"expected": "stop_on_actual_overrun_and_do_not_promote"
}החלטה צפויה
דוגמה בדיונית: 2 MB דחוסים יוצרים 600 MB בתקציב 100 MB. עצרו עם חריגת הבתים שנכתבו ואל תפרסמו, גם אם הקבצים הראשונים נראים תקינים.
Python — tarfile extraction filters and further verification
מקור ראשוני: Python — tarfile extraction filters and further verification. שיטה קשורה: קריאת המדריך המעשי.
סוכני AI: לבדוק האצלה, ביטול וראיות
עדכון תיעודי ל־12 באוקטובר 2026: OWASP GenAI הודיע בספטמבר על LLM Top 10 2026 ו־Agent Control Standard. פוסט מ־8 באוקטובר מרכז דיווחי הרבעון השלישי ומגדיר עצמו לא מקיף ולא רשמי. הוא מסייע לבחור בדיקות, אך אינו מאמת סוכן או מודד תדירות תקיפות.
- קשרו עובד לזהות ולהיקף בדיק: כלי, משאב, פעולה ותקציב. משימת משנה אינה יורשת את כל זכויות ההורה. בדקו פרמטרים לפני השפעה חיצונית ודחו אישור או גרסת מדיניות שבוטלו.
- בדקו ביטול כשהפעולה ממתינה או פועלת. הפרידו פעולות חדשות, זכויות שבוטלו והשפעות קודמות. שמרו מזהה, החלטה, גרסת מדיניות ואישור חיצוני בלי סודות או הנחיות רגישות. השעו פעולות כשחסרה ראיה נדרשת.
האם הרשאת הורה מכסה כל משימת משנה?
לא. הגדירו זכויות לכל שחקן ובדקו האצלה בשירות המבצע. הוראה אינה יוצרת הרשאה.
האם פוסט האירועים מודד את הסיכון שלי?
לא. הוא אינו מספק שיעור תקיפות. בחרו תרחישים ואספו ראיות לתצורה שלכם.
מקור ראשוני: OWASP GenAI — Q3 2026 roundup, 8 October; non-exhaustive post. שיטה קשורה: קריאת המדריך המעשי.
API: למנוע ניסיונות מוכפלים בין שכבות
יישום, SDK, פרוקסי ושירות יכולים לחזור על אותה קריאה. ארבע שכבות בדיוניות עם שלושה ניסיונות כוללים לכל אחת יוצרות עד 81 קריאות לתלות שנכשלה. הוסיפו תקציב משותף ומועד שימושי לבקרת מכסות.
- מפו ניסיונות אוטומטיים ביישום, SDK, פרוקסי ותלות. בחרו שכבה אחראית ובטלו או תאמו ניסיונות נוספים לפי חוזה. ספרו גם את הניסיון הראשון בתקציב. שמרו מזהה פעולה ובדקו השפעות לא ודאיות לפני חזרה לא אידמפוטנטית.
- הגדירו מועד כולל להמתנה, חיבור ועיבוד לפי מגבלות הלקוח. דחו משימות שפג זמנן לפני כניסה לתור. ביטול מקומי אינו מוכיח עצירת שרת: התאימו מצב. השיבו תעבורה בהדרגה בלי להפעיל כל התורים יחד.
האם שלושה ניסיונות לשכבה הם שלושה בסך הכול?
לא. ארבע שכבות בדיוניות עם שלושה ניסיונות כוללים נותנות עד 3⁴ = 81 קריאות אחרונות.
האם פקיעת משימה מבטלת השפעה מרוחקת?
לא בהכרח. היא מונעת עבודה חדשה לא נחוצה; פעולה שהחלה דורשת בדיקת מצב ופיצוי אם אפשר.
מקור ראשוני: AWS — Timeouts, retries, and backoff with jitter. שיטה קשורה: קריאת המדריך המעשי.
מקורות: נתונים, שימושים ומגבלות
מועד בדיקת התיעוד .
הערות המקורות המפורטות זמינות באנגלית במהדורה זו.
| מקור ומטרה | נתון או מדד מאומת | כיצד להשתמש | מגבלה שיש לשמר |
|---|---|---|---|
| OASIS · TAXII 2.1 Exchange threat intelligence through an application protocol. |
TAXII 2.1 is an OASIS Standard dated 10 June 2021. It includes service discovery and access to collections. | Test authentication, collection permissions, pagination and recovery after interruption. Record which objects were actually received and processed. | TAXII transports data; it replaces neither the content model nor assessment of reliability. |
| OWASP · LLM Top 10 Prepare tests for language-model application risks. |
The 2025 edition includes Prompt Injection, Sensitive Information Disclosure and Excessive Agency. | Turn a risk into an observable scenario: hostile document, restricted data or out-of-scope tool. Record expected behaviour and evidence of refusal. | A risk list is not a complete assessment. Input filtering alone does not establish authorisation for every action. |
