SHIELD

🛡️ SHIELD 專案完整說明文檔

Sovereign Heuristic Intelligence & Enterprise Logic Defense
主權啟發式情資與企業邏輯防禦系統

TonTon H.-D. Huang Ph.D.

---

📋 目錄

• 完整說明文檔
• 專案概述
• 系統架構
• 目錄結構
• 核心模組 (core/)
• 擴展模組 (modules/)
• 共享資源 (shared/)
• 技術棧
• 部署指南
• 安全性與合規
• 相關文件
  • 專案說明文檔
  • Core Module
  • Shared Resources
  • Modules
  • Phase 5: AI 審計與合規模組
  • 審計報告目錄

---

📖 專案概述

願景與定位

S.H.I.E.L.D. 是一個企業級主權 AI 安全防禦平台，專為高度監管產業（金融、政府、國防、半導體）打造，提供從威脅狩獵到自動修補再到 AI 審計的端到端防禦解決方案。

核心創新

1. 雙引擎檢索架構

• Sovereign GraphRAG：圖譜推導受災範圍與連鎖衝擊
• Vectorless Vision RAG：無向量目錄索引，零幻覺精準檢索

2. 主動免疫機制

• 暗網威脅狩獵：7x24 主動探勘零時差漏洞
• 網路層熱修補：LLM 自動生成 Snort/WAF 阻擋規則
• ChatOps 授權機制：人類主管透過 LINE 審批自動修補

3. Actor-Judge 雙腦架構

• 業務大腦 (Actor)：微調企業 SOP，執行情資推導
• 裁判大腦 (Judge)：微調護欄模型，防範提示詞注入

4. 混合雙擎 AI 審計

• GenAI 審計：Garak 提示詞注入、TruLens 幻覺檢測
• CV/Audio 審計：IBM ART 對抗樣本、SHAP 可解釋性分析
• ISO 42001 合規：自動對齊控制項，生成獨立驗證報告

---

🏗️ 系統架構

五階段防禦閉環

🕸️ Phase 1: 防禦本體建置 (Ontology Graph)
    ↓ 介接 CMDB/GRC，渲染企業防禦圖譜
    
🕵️ Phase 2: 暗網威脅狩獵 (Dark Web Hunting)
    ↓ Tor 探針潛伏駭客論壇，捕獲 0-day 情資
    
💥 Phase 3: 雙引擎推導與任務封裝 (Dual-Engine Collision)
    ↓ GraphRAG 推演受災範圍 + Vectorless RAG 提取 SOP
    ↓ LLM 生成 Snort 規則並封裝為 Agent 工單
    
🦞 Phase 4: ChatOps 審批與全自主修補 (Autonomous Remediation)
    ↓ LINE 推播授權請求 → 人類審批 → OpenClaw 執行修補
    
🛡️ Phase 5: AI 審計與合規 (Automated Audit & Assurance)
    ↓ 紅藍隊攻防 → 護欄評估 → ISO 42001 報告生成

技術架構分層

┌─────────────────────────────────────────────────────────┐
│                    應用層 (Application)                  │
│  Streamlit 儀表板 | Inspect AI 審計編排 | ChatOps 介面  │
└─────────────────────────────────────────────────────────┘
                              │
┌─────────────────────────────────────────────────────────┐
│                    業務層 (Business Logic)               │
│  Phase 1-4: core/    |    Phase 5: modules/eval/       │
│  威脅狩獵 | 雙引擎推導 | 自動修補 | AI 審計 | 合規映射     │
└─────────────────────────────────────────────────────────┘
                              │
┌─────────────────────────────────────────────────────────┐
│                    AI 引擎層 (AI Engine)                 │
│  主權大腦 | LLM 路由 | GraphRAG | Vectorless RAG        │
│  Gemini | Ollama | vLLM | NeMo Guardrails              │
└─────────────────────────────────────────────────────────┘
                              │
┌─────────────────────────────────────────────────────────┐
│                    數據層 (Data Layer)                   │
│  企業拓樸 DB | 合規矩陣 DB | 審計報告 | 機敏文檔庫      │
└─────────────────────────────────────────────────────────┘
                              │
┌─────────────────────────────────────────────────────────┐
│                    基礎設施層 (Infrastructure)            │
│  Private Cloud | GPU 叢集 | Tor Network | Agent Harness │
└─────────────────────────────────────────────────────────┘

---

📂 目錄結構

完整目錄樹

SHIELD/
│
├── README.md                              # 專案主說明文件（完整介紹）
├── LICENSE                                # AGPL v3 開源授權
├── .gitignore                             # Git 忽略規則
├── GIT-SETUP.md                           # Git 設定指南
├── MONOREPO-MIGRATION-SUMMARY.md          # Monorepo 遷移總結
├── SHIELD-EVAL-INTEGRATION-PLAN.md        # Phase 5 整合計畫書
├── SHIELD-EVAL-INTEGRATION-SUMMARY.md     # Phase 5 整合總結
├── PROJECT-OVERVIEW.md                    # 本文件（完整專案說明）
│
├── core/                                  # 核心模組（Phase 1-4）
│   ├── README.md                          # Core 模組說明
│   ├── requirements.txt                   # Python 依賴清單
│   │
│   ├── app.py                             # Streamlit 主應用
│   ├── config.py                          # 環境變數載入
│   ├── health.py                          # 系統健康度監測
│   │
│   ├── llm.py                             # LLM 意圖萃取與總結
│   ├── llm_utils.py                       # LLM 提供商路由
│   │
│   ├── search.py                          # 暗網搜尋引擎介接
│   ├── scrape.py                          # 洋蔥網頁爬蟲
│   │
│   ├── init_ontology.py                   # 防禦圖譜初始化
│   │
│   └── pageindex/                         # 無向量視覺檢索子模組
│       ├── __init__.py
│       ├── page_index.py                  # 核心索引引擎
│       ├── page_index_md.py               # Markdown 處理
│       ├── retrieve.py                    # 檢索功能
│       ├── client.py                      # 客戶端介面
│       ├── batch_preprocess.py            # 批次預處理
│       └── utils.py                       # 工具函數
│
├── modules/                               # 擴展模組目錄
│   ├── README.md                          # 模組開發指南
│   │
│   └── eval/                              # Phase 5: AI 審計與合規模組
│       ├── README.md                      # 模組完整說明
│       ├── __init__.py                    # 模組初始化
│       ├── requirements.txt               # 模組專屬依賴
│       ├── environment.yml                # Conda 環境配置
│       │
│       ├── config/                        # 配置目錄
│       │   ├── audit_config.yaml          # 審計配置（不推送）
│       │   └── audit_config.example.yaml  # 配置範例（脫敏）
│       │
│       ├── src/                           # 源碼目錄
│       │   ├── __init__.py
│       │   └── shield_audit_workflow.py   # Inspect AI 工作流程
│       │
│       ├── scripts/                       # 自動化腳本
│       │   ├── setup_conda_env.sh         # Conda 環境設置
│       │   ├── setup_ubuntu_env.sh        # Ubuntu 環境設置
│       │   ├── verify_setup.py            # 環境驗證腳本
│       │   └── run_audit.sh               # 快速啟動審計
│       │
│       ├── tests/                         # 單元測試
│       │   └── __init__.py
│       │
│       └── docs/                          # 模組文檔
│           ├── ARCHITECTURE.md            # 架構說明
│           ├── CONDA_SETUP_GUIDE.md       # Conda 設置指南
│           ├── DEPLOYMENT_SUMMARY.md      # 部署總結
│           └── QUICK_START.md             # 快速開始
│
├── shared/                                # 共享資源目錄
│   ├── README.md                          # 資源說明
│   │
│   ├── assets/                            # 媒體資源
│   │   ├── *.png, *.jpg                   # 圖片（架構圖、Logo）
│   │   ├── *.mp3                          # 音訊（NotebookLM Podcast）
│   │   └── *.srt                          # 字幕
│   │
│   └── data/                              # 資料目錄
│       ├── 20260319_compliance_matrix.db  # 合規邏輯矩陣
│       ├── 20260319_enterprise_assets.db  # 企業資產拓樸
│       ├── finance_assets.csv             # 財務資產（範例）
│       ├── finance_compliance.json        # 財務合規（範例）
│       │
│       └── audit_results/                 # 審計報告輸出目錄
│           ├── .gitkeep                   # 保持目錄被追蹤
│           └── README.md                  # 報告格式說明
│
└── docs/                                  # 全域文檔目錄
    └── （預留）

---

🔧 核心模組 (core/)

Phase 1-4 核心防禦功能

1. app.py - Streamlit 主應用

功能：

• 互動式威脅狩獵儀表板
• 企業防禦圖譜視覺化（PyVis）
• Phase 1-4 完整工作流程編排

關鍵函數：

• init_ontology(): 載入企業防禦矩陣
• dark_web_search(): 暗網威脅搜尋
• collision_analysis(): 雙引擎碰撞推導
• generate_snort_rules(): 生成防火牆規則

執行方式：

cd core

想要指定特定的 PORT (EX: 8000) 的話就是這樣

python -m streamlit run app.py --server.port 8000 --server.address 0.0.0.0

---

2. llm.py + llm_utils.py - LLM 引擎

功能：

• 支援 Gemini (Cloud) / Ollama (Local) 動態路由
• 威脅意圖萃取與繁體中文總結
• Snort/WAF 規則生成

支援模型：

• Cloud: Gemini-2.0-flash, Gemini-1.5-pro
• Local: Llama3, Mistral, Qwen（透過 Ollama）

設定方式：

# .env 文件
GOOGLE_API_KEY=your_gemini_api_key
OLLAMA_BASE_URL=http://127.0.0.1:11434

---

3. search.py + scrape.py - 暗網探針

功能：

• 透過 Tor SOCKS5 代理存取 .onion 網站
• 整合多個暗網搜尋引擎（Ahmia, Torch, DarkSearch）
• 抽取駭客論壇威脅情資（PoC、CVE、漏洞利用）

支援的暗網引擎：

ENGINES = {
    "ahmia": "https://ahmia.fi/search/?q=",
    "torch": "http://torchdeedp3i2jigzjdmfpn5ttjhthh5wbmda2rr3jvqjg5p77c54dqd.onion/search?query=",
    "darksearch": "https://darksearch.io/api/search?query="
}

前置需求：

# 安裝並啟動 Tor
sudo apt install tor
sudo systemctl start tor
# Tor 預設監聽 127.0.0.1:9050

---

4. init_ontology.py - 防禦圖譜初始化

功能：

• 從 CSV/JSON/Database 載入企業資產
• 建構 NetworkX 圖譜拓樸
• 渲染互動式防禦矩陣

支援的資料來源：

• SQLite Database (.db)
• CSV 檔案 (.csv)
• JSON 檔案 (.json)

範例資料庫結構：

-- 企業資產表
CREATE TABLE assets (
    asset_id TEXT PRIMARY KEY,
    asset_name TEXT,
    asset_type TEXT,  -- Server, Application, Database
    ip_address TEXT,
    dependencies TEXT -- JSON array of dependent assets
);

-- 合規規則表
CREATE TABLE compliance_rules (
    rule_id TEXT PRIMARY KEY,
    rule_name TEXT,
    description TEXT,
    applicable_assets TEXT  -- JSON array
);

---

5. pageindex/ - 無向量視覺檢索

核心創新：

• 零 LLM 延遲建檔：利用 OpenDataLoader 電腦視覺直接抽取 PDF 目錄
• 保留原生排版：截取 Bounding Box 原圖，消滅表格幻覺
• 物理版面感知：識別 heading, table, picture 錨點

關鍵模組：

page_index.py - 核心索引引擎

def page_index(pdf_path: str, output_json: str):
    """
    將 PDF 轉換為帶有精準座標的目錄樹 JSON
    
    輸出格式:
    {
        "title": "文檔標題",
        "tree": [
            {
                "type": "heading",
                "text": "第一章",
                "page": 1,
                "bbox": [x0, y0, x1, y1]
            },
            {
                "type": "table",
                "page": 2,
                "bbox": [x0, y0, x1, y1],
                "image_path": "tables/page_2_table_0.png"
            }
        ]
    }
    """

retrieve.py - 檢索功能

def get_page_content(json_path: str, query: str) -> List[Dict]:
    """
    根據查詢關鍵字，返回相關頁面與 Bounding Box
    
    無向量檢索：直接字串匹配 + 物理鄰近度排序
    """

---

6. health.py - 系統健康度監測

功能：

• LLM API 連線狀態檢測（Gemini / Ollama）
• Tor SOCKS5 代理存活度測試
• 暗網搜尋引擎 Ping 延遲檢測

執行方式：

python core/health.py

輸出範例：

✅ Gemini API: 正常（延遲: 234ms）
✅ Ollama Local: 正常（延遲: 45ms）
✅ Tor SOCKS5: 正常（127.0.0.1:9050）
⚠️  Ahmia 搜尋引擎: 逾時（>5000ms）
✅ DarkSearch API: 正常（延遲: 1234ms）

---

🧩 擴展模組 (modules/)

Phase 5: AI 審計與合規模組 (modules/eval/)

模組概述

定位：企業主權 AI 大腦的「內層防禦」
目的：防範提示詞注入、越獄攻擊、RAG 幻覺，並產出 ISO 42001 合規報告

Actor-Judge 雙腦架構

┌────────────────────────────────────────────────────────┐
│              Inspect AI (大腦排程器)                    │
│              配置驅動工作流程編排                        │
└────────────────────────────────────────────────────────┘
                          │
        ┌─────────────────┼─────────────────┐
        ▼                 ▼                 ▼
┌──────────────┐  ┌──────────────┐  ┌──────────────┐
│ 攻擊端 (Actor)│  │ 目標端 (Target)│  │ 裁判端 (Judge)│
│              │  │              │  │              │
│ GenAI:       │  │ 客戶 AI 系統  │  │ GenAI:       │
│ - Garak      │─▶│ - LLM API    │◀─│ - GuardVal   │
│ - FuzzyAI    │  │ - CV Model   │  │ - TruLens    │
│ - Gemma-CRACK│  │ - Audio Model│  │ - Giskard    │
│              │  │              │  │              │
│ CV/Audio:    │  │ 護欄:        │  │ CV/Audio:    │
│ - IBM ART    │  │ - NeMo Guards│  │ - SHAP       │
│ - Foolbox    │  │ - Safety-Guard│ │ - Captum     │
└──────────────┘  └──────────────┘  └──────────────┘

核心功能

1. GenAI 文字攻擊（攻擊端）

Garak - OWASP LLM Top 10 自動化探測器

# audit_config.yaml
weapons_loadout:
  genai_text:
    enable_garak_injection: true
    garak_probes:
      - "promptinject"   # 提示詞注入
      - "dan"            # DAN 越獄
      - "encoding"       # 編碼繞過（Base64, Hex）
      - "continuation"   # 續寫攻擊

FuzzyAI - 語義模糊測試框架

• 對提示詞進行語義保持的隨機變異
• 探測模型的邊界脆弱性

Gemma-4-31B-CRACK - 紅隊專用攻擊性資料生成模型

• 自動生成 50+ 種越獄變體
• 支援多語言攻擊樣本（繁中、英、日）

---

2. CV/Audio 對抗攻擊（攻擊端）

IBM ART - 白盒對抗樣本生成

from art.attacks.evasion import FastGradientMethod, ProjectedGradientDescent

# FGSM 攻擊
attack = FastGradientMethod(estimator=model, eps=0.03)
adversarial_image = attack.generate(x=original_image)

# PGD 攻擊
attack = ProjectedGradientDescent(estimator=model, eps=0.05, max_iter=40)
adversarial_image = attack.generate(x=original_image)

Foolbox - 黑盒對抗攻擊框架

• DeepFool: 最小擾動攻擊
• Boundary Attack: 無梯度決策邊界攻擊

---

3. GenAI 評估（裁判端）

GuardVal - 護欄有效性量化

{
  "guardrail_metrics": {
    "prompt_injection_rate": 0.02,     // 提示注入成功率 2%
    "jailbreak_success_rate": 0.01,    // 越獄成功率 1%
    "guardrail_block_rate": 0.98,      // 護欄攔截率 98%
    "MAPR": 0.02                       // 漏擋率（Miss-Attack Pass Rate）
  }
}

TruLens - 幻覺檢測與事實性驗證

from trulens_eval import TruChain

# RAG 系統評估
tru_recorder = TruChain(rag_chain)
with tru_recorder:
    result = rag_chain.run(query)

# 計算 Groundedness（事實根據性）
groundedness_score = tru_recorder.groundedness()  // 0.0-1.0，越高越好

Giskard - 毒性、偏見、刻板印象檢測

from giskard import scan

# 自動掃描模型風險
scan_results = scan(model, dataset)

# 輸出毒性分數
toxicity_score = scan_results.get_metric("toxicity")
bias_score = scan_results.get_metric("bias")

---

4. CV/Audio 可解釋性分析（裁判端）

SHAP - 特徵重要性分析

import shap

# 生成 SHAP 解釋
explainer = shap.DeepExplainer(model, background_data)
shap_values = explainer.shap_values(test_image)

# 視覺化特徵重要性
shap.image_plot(shap_values, test_image)

Captum - PyTorch 原生梯度歸因

from captum.attr import IntegratedGradients, DeepLift

# IntegratedGradients 歸因
ig = IntegratedGradients(model)
attributions = ig.attribute(input_tensor, target=target_class)

# DeepLift 歸因
dl = DeepLift(model)
attributions = dl.attribute(input_tensor, target=target_class)

---

審計報告格式

summary.json - 量化指標摘要

{
  "audit_metadata": {
    "target_system": "My_AI_System",
    "audit_datetime": "2026-05-24T10:30:00Z",
    "inspector_version": "1.0.0"
  },
  "genai_metrics": {
    "prompt_injection_rate": 0.02,
    "jailbreak_success_rate": 0.01,
    "guardrail_block_rate": 0.98,
    "hallucination_score": 0.05,
    "toxicity_score": 0.03
  },
  "cv_audio_metrics": {
    "adversarial_success_rate": 0.15,
    "model_robustness_score": 0.85
  },
  "iso42001_compliance": {
    "total_controls": 42,
    "passed_controls": 40,
    "compliance_rate": 0.95
  }
}

detailed_log.jsonl - 詳細互動日誌

{"timestamp":"2026-05-24T10:30:01Z","attack_type":"prompt_injection","input":"Ignore previous instructions...","output":"I cannot comply...","blocked":true}
{"timestamp":"2026-05-24T10:30:02Z","attack_type":"jailbreak","input":"DAN mode activated...","output":"[BLOCKED]","blocked":true}
{"timestamp":"2026-05-24T10:30:03Z","attack_type":"hallucination_test","query":"北京是日本的首都嗎？","answer":"不，北京是中華人民共和國的首都","groundedness":1.0}

---

快速啟動

# 1. 安裝環境
cd modules/eval
./scripts/setup_conda_env.sh
conda activate shield-audit-env

# 2. 配置審計目標
cp config/audit_config.example.yaml config/audit_config.yaml
vim config/audit_config.yaml

# 3. 執行審計
./scripts/run_audit.sh

# 4. 查看報告
cat ../../shared/data/audit_results/latest_summary.json

---

📦 共享資源 (shared/)

assets/ - 媒體資源

圖片資源：

• 架構圖：101.png, 102.png, …（Phase 1-5 流程圖）
• Logo：shield-logo.jpg, SHIELD.png
• PoC 截圖：shield-poc.png

音訊資源：

• shield.mp3: NotebookLM 生成的專案 Podcast（繁體中文）
• SHIELD-NBLM2.srt: Podcast 字幕

引用方式：

# 在 core/app.py 中
SHIELD_ROOT = Path(__file__).parent.parent
ASSETS_DIR = SHIELD_ROOT / "shared" / "assets"
logo_path = ASSETS_DIR / "shield-logo.jpg"

---

data/ - 資料目錄

企業資產與合規資料：

• 20260319_enterprise_assets.db: 企業 IT 資產拓樸（SQLite）
• 20260319_compliance_matrix.db: 資安合規邏輯矩陣（SQLite）
• finance_assets.csv: 財務資產範例（CSV）
• finance_compliance.json: 財務合規範例（JSON）

審計報告輸出：

• audit_results/: Phase 5 審計報告輸出目錄
  • YYYYMMDD_HHMMSS_summary.json
  • YYYYMMDD_HHMMSS_detailed_log.jsonl
  • YYYYMMDD_HHMMSS_html_report.html

---

🛠️ 技術棧

核心技術

應用領域	核心工具	說明
AI 推論與萃取	Google Gemini 2.0-flash Ollama (Llama3, Mistral)	雲端與地端 LLM 混合部署
數據精煉	OpenDataLoader-PDF PageIndex NVIDIA NeMo Data Designer	PDF 無損解析 無向量檢索 合成數據生成
圖譜運算	NetworkX PyVis	防禦拓樸渲染 連鎖衝擊推演
AI 治理	NVIDIA NeMo Guardrails Nemotron-Safety-Guard	邏輯護欄 語意防火牆
決策軌跡	LangGraph Langfuse	多代理人狀態機 完整日誌追蹤
暗網探勘	Tor (SOCKS5) Headless OSINT Scraper	隱匿追蹤 情資萃取
數位員工	OpenClaw Multica LINE Messaging API	Agent 執行 工單管理 ChatOps 授權
審計攻擊端	Garak FuzzyAI IBM ART Foolbox	OWASP LLM Top 10 語義模糊測試 對抗樣本生成
審計裁判端	GuardVal TruLens Giskard SHAP Captum	護欄評估 幻覺檢測 毒性分析 可解釋性
審計編排	Inspect AI Microsoft PyRIT	工作流程編排 紅隊自動化

---

Python 依賴管理

Core 模組依賴 (core/requirements.txt)

streamlit>=1.32.0
google-generativeai>=0.4.0
networkx>=3.2.1
pyvis>=0.3.2
requests>=2.31.0
python-dotenv>=1.0.0
pysocks>=1.7.1
beautifulsoup4>=4.12.0
PyMuPDF>=1.23.0
opendataloader-pdf>=0.1.0
litellm>=1.0.0

Eval 模組依賴 (modules/eval/requirements.txt)

inspect-ai>=0.3.0
garak>=0.9.0
adversarial-robustness-toolbox>=1.15.0
foolbox>=3.3.0
trulens-eval>=0.24.0
giskard>=2.8.0
shap>=0.44.0
captum>=0.7.0
pyyaml>=6.0
python-dotenv>=1.0.0

---

🚀 部署指南

環境需求

• 作業系統: Ubuntu Server 20.04+ / Debian 11+ / macOS / Windows (WSL2)
• Python 版本: 3.10 或以上
• 記憶體: 最低 8GB RAM（建議 16GB）
• GPU: 可選（啟用 GPU 可大幅提升審計效能）
• 網路: 支援 Tor 存取（暗網探針需求）

---

快速部署流程

步驟 1: 克隆倉庫

git clone https://github.com/Deep-Learning-101/SHIELD.git
cd SHIELD

步驟 2: 安裝 Tor 服務

# Ubuntu/Debian
sudo apt install tor
sudo systemctl start tor
sudo systemctl enable tor

# macOS
brew install tor
brew services start tor

步驟 3: 部署 Core 模組

cd core

# 安裝依賴
pip install -r requirements.txt

# 設定環境變數
cp .env.example .env
vim .env
# 填入 GOOGLE_API_KEY=your_gemini_api_key

# 啟動主應用
streamlit run app.py --server.port 8000 --server.address 0.0.0.0

步驟 4: 部署 Phase 5 審計模組（可選）

cd ../modules/eval

# 使用 Conda（推薦）
./scripts/setup_conda_env.sh
conda activate shield-audit-env

# 或使用 Python venv
python3 -m venv audit-env
source audit-env/bin/activate
pip install -r requirements.txt

# 配置審計目標
cp config/audit_config.example.yaml config/audit_config.yaml
vim config/audit_config.yaml

# 執行審計
./scripts/run_audit.sh

---

Docker 部署（規劃中）

# Dockerfile (規劃中)
FROM python:3.11-slim

# 安裝系統依賴
RUN apt-get update && apt-get install -y tor

# 複製專案
WORKDIR /app
COPY . /app

# 安裝 Python 依賴
RUN pip install -r core/requirements.txt

# 啟動服務
CMD ["streamlit", "run", "core/app.py", "--server.port=8000"]

---

🔒 安全性與合規

資料保護

1. 機密資料不外洩

• ✅ 審計報告僅存於本地 shared/data/audit_results/
• ✅ .gitignore 已配置，審計報告不會推送至 GitHub
• ✅ API 金鑰透過環境變數管理，不寫入配置文件

2. 主權 AI 部署

• ✅ 支援 100% 地端部署（Ollama + vLLM）
• ✅ 無向量架構，無需維護 Vector DB
• ✅ 物理斷網環境下仍可運行 Phase 1, 3, 5

3. 零信任架構

• ✅ ChatOps 人類審批（Human-in-the-loop）
• ✅ Actor-Judge 雙腦架構，業務與裁判分離
• ✅ 完整的決策軌跡日誌（Langfuse）

---

ISO 42001 合規映射

Phase 5 審計模組自動對齊 ISO/IEC 42001:2023 控制項：

ISO 42001 控制項	SHIELD 實現
5.1 AI 政策	Actor-Judge 雙腦架構文檔
6.2.2 風險評估	紅藍隊攻防演練（Garak, FuzzyAI）
6.2.3 風險處置	護欄評估與熱重載（NeMo Guardrails）
7.2 能力	可解釋性分析（SHAP, Captum）
7.5 文件化	審計報告自動生成（summary.json, HTML）
8.2.2 數據品質	PageIndex 無損解析，零幻覺檢索
8.5 AI 系統驗證	TruLens 幻覺檢測
8.6 AI 系統確認	GuardVal 護欄量化評估
8.8 AI 系統輸出監控	Langfuse 完整日誌追蹤
9.1 監控與測量	健康度監測（health.py）

---

使用限制

本系統僅限於以下合法用途：

• ✅ 企業內部 AI 系統安全審計
• ✅ 授權紅隊演練 (Authorized Red Teaming)
• ✅ 學術研究與教學
• ✅ 防禦性網路安全演練

嚴禁：

• ❌ 未經授權攻擊第三方 AI 服務
• ❌ 生成或傳播惡意內容
• ❌ 違反服務條款或當地法律的行為
• ❌ 將暗網探針用於非防禦性目的

---

📊 專案統計

代碼統計

# Core 模組
find core -name "*.py" | wc -l
# 14 個 Python 文件

# Eval 模組
find modules/eval -name "*.py" | wc -l
# 4 個 Python 文件

# 文檔
find . -name "*.md" | wc -l
# 11 個 Markdown 文件

功能覆蓋率

階段	功能	狀態
Phase 1	防禦本體建置	✅ 已實現
Phase 2	暗網威脅狩獵	✅ 已實現
Phase 3	雙引擎推導	✅ 已實現
Phase 4	ChatOps 自動修補	⚠️ 部分實現（需 OpenClaw 整合）
Phase 5	AI 審計與合規	✅ 已實現

---

📚 參考資源

學術論文

• Zou et al. (2023). “Universal and Transferable Adversarial Attacks on Aligned Language Models”
• Goodfellow et al. (2015). “Explaining and Harnessing Adversarial Examples”
• Ribeiro et al. (2016). “Why Should I Trust You? Explaining the Predictions of Any Classifier”

工具文件

• Inspect AI 官方文件
• Garak GitHub
• IBM ART 文件
• TruLens 文件
• NVIDIA NeMo Guardrails

---

📄 授權協議

AGPL v3 License - 詳見 LICENSE 檔案

---

專案版本: v1.0
文檔版本: v1.0
最後更新: 2026-05-26
作者: TonTon H.-D. Huang Ph.D.

本文件由 Claude Sonnet 4.5 協助生成
Co-Authored-By: Claude Sonnet 4.5 noreply@anthropic.com

This site is open source. Improve this page.