LLM Firewall

Угроза: пользовательский ввод содержит скрытые инструкции для модели

Риск: модель выполняет произвольные команды — от выдачи конфиденциальных данных до изменения логики приложения

Решение: сканирование входящих запросов и блокировка инъекций до модели

Угроза: RAG-система подтягивает внешние или внутренние документы без проверки

Риск: отравленный документ меняет поведение модели — ответы становятся ложными или вредоносными

Решение: проверка контента на каждом этапе RAG-пайплайна

Угроза: AI-агент вызывает инструменты (MCP, function calling) по указанию модели

Риск: скомпрометированный вызов = действие с правами пользователя: доступ к файлам, сети, БД

Решение: валидация каждого вызова инструмента до выполнения

Угроза: AI-приложения подвержены целому классу уязвимостей, задокументированных OWASP

Риск: jailbreak, утечка данных через ответы модели, подмена целей агента, токсичный контент

Решение: комплексное сканирование input и output по методологии OWASP

— главная уязвимость LLM-приложений (OWASP 2025)

компаний внедряют LLM, только 5% готовы к безопасности

INPUT Guardrails

Prompt Injection
Denial of Service
Off-Policy

OUTPUT Guardrails

PIl & Sensitive Information
Content Moderation
Hallucination

client = OpenAI(
base_url="https://ai.company.com/v1"
)

OPENAI_API_BASE=https://ai.company.com/v1

Внутренний DNS компании направляет запросы к AI-провайдерам через Strazh. Для разработчиков и приложений это прозрачно — ноль изменений в коде.

Уязвимость CVE-2025-32711: без единого действия пользователя атакующий извлек данные из корпоративного Copilot. Ни клик, ни подтверждение — только  prompt injection в документе.

Strazh сканирует input и output, перехватывая эксфильтрацию на уровне proxy

Через скрытые инструкции в сообщениях атакующий получил доступ к данным из  приватных каналов Slack AI. Классический пример prompt injection в  корпоративном AI-приложении (2024).

Strazh обнаруживает и блокирует инъекции до модели

Уже случилось

Поддерживаемые провайдеры