*, *::before, *::after { box-sizing: border-box; }
:root {
–orange: #F47721;
–text: #1A1D2E;
–text2: #4A5070;
–card: #F8F9FC;
–border: #D8DCE8;
–green: #1A7F4B;
–yellow: #8B6A00;
–red: #B91C1C;
–red-bg: #FFF1F2;
–red-acc: #DC2626;
–amb-acc: #D97706;
–radius: 8px;
–font: -apple-system, BlinkMacSystemFont, “Segoe UI”, system-ui, sans-serif;
–mono: “SF Mono”, “Fira Code”, Menlo, Consolas, monospace;
}
body { font-family: var(–font); color: var(–text); line-height: 1.65; max-width: 780px; margin: 0 auto; padding: 0 20px 80px; }
h1 { font-size: 2rem; font-weight: 800; line-height: 1.2; margin: 0 0 .5rem; text-wrap: balance; }
h2 { font-size: 1.3rem; font-weight: 700; margin: 2.5rem 0 .75rem; line-height: 1.3; }
h3 { font-size: 1.05rem; font-weight: 700; margin: 1.75rem 0 .5rem; }
p { margin: 0 0 1rem; }
ul, ol { margin: 0 0 1rem; padding-left: 1.4rem; }
li { margin-bottom: .4rem; }
strong { font-weight: 700; }
code { font-family: var(–mono); font-size: .84em; background: #EEF0F8; padding: 2px 6px; border-radius: 3px; white-space: nowrap; }
pre { font-family: var(–mono); font-size: .82em; background: #1A1D2E; color: #E8ECF5; padding: 14px 16px; border-radius: var(–radius); overflow-x: auto; margin: 1rem 0; line-height: 1.6; }
a { color: var(–orange); text-decoration: none; }
a:hover { text-decoration: underline; }
.breadcrumb { font-size: .78rem; color: var(–text2); margin-bottom: 1.5rem; }
.breadcrumb a { color: var(–text2); }
.breadcrumb span { margin: 0 .4rem; }
.meta-bar { display: flex; gap: 16px; flex-wrap: wrap; font-size: .78rem; color: var(–text2); margin-bottom: 2rem; padding-bottom: 1rem; border-bottom: 1px solid var(–border); }
.meta-bar .author { font-weight: 600; color: var(–text); }
.lead { font-size: 1.1rem; color: var(–text2); line-height: 1.65; margin-bottom: 1.5rem; }
.cta-box { background: linear-gradient(135deg,#FFF3E8,#FFF8F0); border: 1px solid rgba(244,119,33,.3); border-left: 4px solid var(–orange); border-radius: var(–radius); padding: 18px 20px; margin: 2rem 0; }
.cta-box p { margin: 0 0 .5rem; font-size: .9rem; }
.cta-btn { display: inline-block; background: var(–orange); color: #fff; padding: 10px 20px; border-radius: 6px; font-weight: 700; font-size: .88rem; text-decoration: none; margin-top: 10px; }
.cta-btn:hover { background: #D96A1E; text-decoration: none; }
.toc { background: var(–card); border: 1px solid var(–border); border-radius: var(–radius); padding: 18px 22px; margin: 2rem 0; }
.toc h2 { margin: 0 0 .75rem; font-size: 1rem; }
.toc ol { margin: 0; padding-left: 1.2rem; }
.toc li { margin-bottom: .3rem; font-size: .88rem; }
.toc a { color: var(–text2); }
.tbl-wrap { overflow-x: auto; margin: 1.5rem 0; border-radius: var(–radius); border: 1px solid var(–border); }
table { width: 100%; border-collapse: collapse; font-size: .85rem; }
th { background: #EEF0F8; padding: 9px 12px; text-align: left; font-weight: 700; font-size: .78rem; text-transform: uppercase; letter-spacing: .04em; color: var(–text2); border-bottom: 1px solid var(–border); white-space: nowrap; }
td { padding: 9px 12px; border-bottom: 1px solid var(–border); vertical-align: top; }
tbody tr:last-child td { border-bottom: none; }
tbody tr:nth-child(even) td { background: #FAFBFE; }
.note { padding: 13px 16px; border-radius: var(–radius); margin: 1.5rem 0; font-size: .88rem; line-height: 1.55; }
.note p { margin: 0; }
.note-warn { background: #FFFBEB; border-left: 4px solid #D97706; }
.note-info { background: #EFF6FF; border-left: 4px solid #3B82F6; }
.note-tech { background: #F0FDF4; border-left: 4px solid #16A34A; }
.note-danger { background: #FFF1F2; border-left: 4px solid #B91C1C; }

/* ── Threat cards ─────────────────────────────────────────────── */
.threat-grid {
display: grid;
grid-template-columns: 1fr 1fr;
gap: 10px;
margin: 1.5rem 0;
}
.threat-card {
border: 1px solid var(–border);
border-left: 3px solid var(–tc-accent, var(–border));
border-radius: 0 var(–radius) var(–radius) 0;
padding: 14px 16px;
display: flex;
flex-direction: column;
gap: 6px;
}
.tc-alto { –tc-accent: var(–red-acc); }
.tc-med { –tc-accent: var(–amb-acc); }
.threat-header {
display: flex;
align-items: center;
justify-content: space-between;
gap: 8px;
}
.threat-title-row {
display: flex;
align-items: center;
gap: 7px;
min-width: 0;
}
.threat-title-row svg {
flex-shrink: 0;
color: var(–orange);
}
.threat-name {
font-weight: 700;
font-size: .88rem;
line-height: 1.3;
}
.threat-sev {
font-size: .68rem;
font-weight: 700;
letter-spacing: .06em;
text-transform: uppercase;
display: flex;
align-items: center;
gap: 4px;
flex-shrink: 0;
white-space: nowrap;
}
.threat-sev::before {
content: ”;
display: block;
width: 5px;
height: 5px;
border-radius: 50%;
background: currentColor;
}
.sev-alto { color: var(–red-acc); }
.sev-med { color: var(–amb-acc); }
.threat-desc {
font-size: .79rem;
color: var(–text2);
line-height: 1.55;
margin: 0;
}

/* ── Layer stack ──────────────────────────────────────────────── */
.layer-stack { display: flex; flex-direction: column; gap: 0; margin: 1.5rem 0; border: 1px solid var(–border); border-radius: var(–radius); overflow: hidden; }
.layer-row { display: flex; align-items: center; gap: 14px; padding: 11px 16px; border-bottom: 1px solid var(–border); }
.layer-row:last-child { border-bottom: none; }
.layer-num { font-variant-numeric: tabular-nums; font-size: .72rem; font-weight: 800; letter-spacing: .04em; color: #fff; background: var(–ln-bg, #1A1D2E); width: 22px; height: 22px; border-radius: 4px; display: flex; align-items: center; justify-content: center; flex-shrink: 0; }
.layer-label { font-weight: 700; font-size: .88rem; min-width: 140px; flex-shrink: 0; }
.layer-desc { font-size: .82rem; color: var(–text2); }
.ln-1 { –ln-bg: #DC2626; }
.ln-2 { –ln-bg: #D97706; }
.ln-3 { –ln-bg: #1D4ED8; }
.ln-4 { –ln-bg: #16A34A; }
.ln-5 { –ln-bg: #7C3AED; }

/* ── Checklist / FAQ / misc ───────────────────────────────────── */
.checklist { list-style: none; padding: 0; }
.checklist li { padding: .4rem 0 .4rem 1.8rem; position: relative; border-bottom: 1px solid var(–border); font-size: .9rem; }
.checklist li::before { content: “✓”; position: absolute; left: 0; color: var(–green); font-weight: 700; }
.checklist li:last-child { border-bottom: none; }
.faq { margin: 1.5rem 0; }
.faq-item { border-bottom: 1px solid var(–border); }
.faq-q { font-weight: 700; font-size: .95rem; padding: 14px 0 10px; cursor: pointer; display: flex; justify-content: space-between; align-items: center; gap: 12px; }
.faq-q::after { content: “+”; font-size: 1.2rem; color: var(–orange); flex-shrink: 0; }
.faq-item.open .faq-q::after { content: “−”; }
.faq-a { display: none; font-size: .88rem; color: var(–text2); padding-bottom: 14px; line-height: 1.6; }
.faq-item.open .faq-a { display: block; }
.divider { border: none; border-top: 1px solid var(–border); margin: 2rem 0; }
.source { font-size: .72rem; color: var(–text2); margin-top: -.5rem; margin-bottom: 1rem; }
.related-grid { display: grid; grid-template-columns: 1fr 1fr; gap: 12px; margin: 1.5rem 0; }
.related-card { border: 1px solid var(–border); border-radius: var(–radius); padding: 12px 14px; }
.related-card a { font-weight: 600; font-size: .9rem; color: var(–text); display: block; margin-bottom: 4px; }
.related-card span { font-size: .78rem; color: var(–text2); }

@media (max-width: 600px) {
h1 { font-size: 1.5rem; }
.threat-grid, .related-grid { grid-template-columns: 1fr; }
.layer-label { min-width: 100px; }
}
@media (prefers-color-scheme: dark) {
:root:not([data-theme=”light”]) {
–text: #E8ECF5; –text2: #9AA0BC; –card: #1C2030; –border: #2A2F45;
–red-bg: #2D0A0A; –red-acc: #F87171; –amb-acc: #FCD34D;
}
body { background: #0F1117; }
code { background: #22273A; color: #E8ECF5; }
th { background: #1C2030; }
tbody tr:nth-child(even) td { background: rgba(255,255,255,.02); }
.toc, .related-card { background: #1C2030; }
.threat-card { background: #14172A; }
.layer-row { background: transparent; }
.note-warn { background: #2D2000; }
.note-info { background: #0A1628; }
.note-tech { background: #0A1F12; }
.note-danger { background: #2D0A0A; }
.cta-box { background: linear-gradient(135deg,#2D1A08,#3D2410); }
}
[data-theme=”light”] body { background: #fff; }
[data-theme=”dark”] body { background: #0F1117; }

<!– SVG icon defs (reused via ) –>

Segurança em infraestrutura de IA: do modelo à API

Colocar um LLM em produção cria uma superfície de ataque que não existia no software tradicional: prompt injection, exfiltração de dados de treinamento, APIs de inferência expostas e modelos com acesso irrestrito a ferramentas. Este guia cobre as camadas de segurança — rede, modelo, API e dados — com controles práticos para cada uma.

1. Principais ameaças em infraestrutura de IA

A segurança em IA tem vetores específicos que se somam aos riscos tradicionais de infraestrutura. Conhecer cada ameaça é o ponto de partida para escolher os controles certos.

2. As 5 camadas de segurança para IA em produção

3. Camada 1: rede e isolamento de infraestrutura

O controle mais eficaz em segurança de infraestrutura é reduzir a superfície de ataque antes de qualquer outra medida. Uma GPU que não é acessível diretamente da internet não pode ser atacada diretamente.

Isolamento de rede

• GPU em VPC/rede privada: o servidor de GPU nunca deve ter IP público. O acesso deve ser via VPN, bastion host ou load balancer com TLS terminado.
• Firewall de entrada restritivo: apenas as portas necessárias abertas — tipicamente 8000 (vLLM), 9400 (DCGM Prometheus) e 22 (SSH, somente da rede de gestão).
• Segmentação por ambiente: GPU de produção em sub-rede separada da GPU de fine-tuning e de desenvolvimento. Um comprometimento em dev não deve alcançar prod.

GPU dedicada vs. compartilhada

4. Camada 2: segurança do modelo

Verificação de integridade de modelos

Modelos baixados de repositórios públicos devem ter seus hashes verificados antes do uso em produção. A Hugging Face publica hashes SHA256 dos pesos em cada repositório.

# Verificar hash SHA256 dos pesos após download
sha256sum model.safetensors

# Comparar com o hash publicado pelo repositório oficial
# Qualquer divergência indica arquivo corrompido ou substituído

System prompt hardening

O system prompt é a primeira linha de defesa contra prompt injection. Princípios:

• Instruções explícitas de recusa: defina o que o modelo deve se recusar a fazer — não assuma que ele inferirá os limites corretos.
• Separação de contextos: nunca injete dados não confiáveis (entrada do usuário, resultados de ferramentas) diretamente no system prompt. Mantenha o system prompt imutável.
• Não revele o system prompt: instrua o modelo a não reproduzir o conteúdo do system prompt — mesmo disfarçado de “debug” ou “repetição”.

Guardrails de output

• Detecção de PII no output: bloquear ou mascarar CPF, e-mail e número de cartão na resposta antes de entregar ao cliente.
• Limite de contexto por sessão: restringir o histórico de conversa injetado no contexto. Um histórico longo é um vetor para extrair dados de sessões anteriores.
• Validação de chamadas de ferramentas: se o modelo tem acesso a function calling, valide todos os parâmetros antes de executá-los — nunca execute comandos gerados pelo modelo sem sanitização.

5. Camada 3: API de inferência

A API de inferência é o principal ponto de contato entre o mundo externo e o modelo. Um endpoint mal configurado expõe tanto o modelo quanto os dados que transitam por ele.

Autenticação e autorização

• API keys com escopo: cada cliente ou aplicação deve ter sua própria API key. Nunca use uma key compartilhada — ela não pode ser revogada seletivamente.
• JWT com claims de permissão: para APIs expostas a usuários finais, use JWT com claims que definam quais modelos e parâmetros o usuário pode acessar.
• Bloqueio do endpoint de administração: endpoints como /v1/models e /metrics nunca devem ser públicos — restringir à rede de gestão.

Rate limiting e throttling

TLS e transmissão segura

# Configuração nginx reverso com TLS + headers de segurança
server {
    listen 443 ssl;
    ssl_certificate     /etc/ssl/certs/api.pem;
    ssl_certificate_key /etc/ssl/private/api.key;
    ssl_protocols       TLSv1.2 TLSv1.3;
    ssl_ciphers         HIGH:!aNULL:!MD5;

    add_header Strict-Transport-Security "max-age=31536000" always;
    add_header X-Content-Type-Options    nosniff;

    location /v1/ {
        proxy_pass http://127.0.0.1:8000;
        proxy_set_header X-Real-IP $remote_addr;
    }

    # Bloquear acesso externo a endpoints internos
    location ~ ^/(metrics|docs|health)$ {
        allow 10.0.0.0/8;
        deny  all;
        proxy_pass http://127.0.0.1:8000;
    }
}

6. Camada 4: dados de treinamento e LGPD

Dados usados em fine-tuning têm ciclo de vida de segurança próprio: coleta, armazenamento, uso no treinamento e descarte.

Sanitização de datasets

• Remoção de PII antes do treinamento: CPF, CNPJ, e-mail, telefone, número de cartão e endereços devem ser removidos ou mascarados. Ferramentas como Microsoft Presidio fazem detecção automática.
• Detecção de credenciais: escanear datasets por padrões de API keys, senhas e tokens antes do uso. A ferramenta trufflehog e regex por padrão de provedor cobrem os casos mais comuns.
• Deduplicação: dados duplicados aumentam o risco de memorização de exemplos específicos. Deduplicar o dataset reduz a probabilidade de reprodução de dados sensíveis.

LGPD e dados pessoais em IA

Referência: LGPD (Lei 13.709/2018) e guias ANPD, agosto de 2026. Este conteúdo é informacional — consulte assessoria jurídica para avaliação de conformidade específica.

Criptografia de dados em repouso

• Pesos do modelo: armazenar em volumes criptografados (LUKS no Linux). Pesos de modelos fine-tunados com dados proprietários têm valor de negócio e devem ser protegidos como ativos.
• Datasets: criptografar com AES-256. Controlar acesso com chaves gerenciadas (HashiCorp Vault ou AWS KMS para ambientes híbridos).
• Backups: aplicar mesma proteção dos dados originais — um backup em claro é tão vulnerável quanto os dados originais.

7. Camada 5: controle de acesso e auditoria

RBAC para infraestrutura de IA

Logs de inferência e auditoria

• O que logar: timestamp, API key (hash), tokens de prompt e resposta, latência, modelo, status. Nunca o conteúdo do prompt em logs de acesso geral.
• Logs de conteúdo: quando a regulação exige retenção de conteúdo, logar em destino separado com acesso restrito, criptografado e retenção definida.
• Retenção e descarte: 90 dias é um ponto de partida razoável para logs de acesso. Logs com PII exigem prazo definido conforme a base legal da LGPD.

MFA e acesso ao servidor

• SSH apenas via chave pública — desabilitar autenticação por senha (PasswordAuthentication no no sshd_config).
• MFA obrigatório para todos os acessos administrativos ao servidor de GPU.
• Revisão trimestral de acessos — revogar acessos de ex-colaboradores no mesmo dia da saída.

8. Checklist de segurança para IA em produção

• GPU em rede privada — sem IP público direto
• Firewall de entrada: apenas portas necessárias abertas
• Ambientes dev / staging / prod em sub-redes separadas
• Hash dos pesos do modelo verificado antes de deploy
• System prompt hardened contra prompt injection
• Guardrails de output: detecção de PII na resposta
• API com autenticação obrigatória (sem endpoint público sem auth)
• Rate limiting por IP, por API key e por tamanho de input
• TLS 1.2+ em todos os endpoints públicos
• Endpoints internos (metrics, docs, health) bloqueados externamente
• Dataset de fine-tuning sanitizado (PII, credenciais, deduplicação)
• Base legal LGPD documentada para dados pessoais em treinamento
• Pesos e datasets criptografados em repouso
• RBAC definido com separação de deveres
• SSH por chave pública — senha desabilitada
• MFA para todos os acessos administrativos
• Política de retenção e descarte de logs definida
• Revisão trimestral de acessos

Conteúdos relacionados

Perguntas frequentes

{
“@context”: “https://schema.org”,
“@graph”: [
{
“@type”: “Article”,
“headline”: “Segurança em infraestrutura de IA: do modelo à API”,
“description”: “Como proteger infraestrutura de IA: isolamento de GPU, controle de acesso a modelos, segurança de APIs de inferência e proteção de dados de treinamento.”,
“url”: “https://adentro.com.br/seguranca-infraestrutura-ia/”,
“datePublished”: “2026-08-11”,
“dateModified”: “2026-08-11”,
“publisher”: { “@type”: “Organization”, “name”: “Adentro”, “url”: “https://adentro.com.br” },
“inLanguage”: “pt-BR”
},
{
“@type”: “BreadcrumbList”,
“itemListElement”: [
{“@type”:”ListItem”,”position”:1,”name”:”Adentro”,”item”:”https://adentro.com.br”},
{“@type”:”ListItem”,”position”:2,”name”:”Blog”,”item”:”https://adentro.com.br/blog/”},
{“@type”:”ListItem”,”position”:3,”name”:”Infraestrutura para IA”,”item”:”https://adentro.com.br/infraestrutura-para-inteligencia-artificial/”},
{“@type”:”ListItem”,”position”:4,”name”:”Segurança em infraestrutura de IA”,”item”:”https://adentro.com.br/seguranca-infraestrutura-ia/”}
]
},
{
“@type”: “FAQPage”,
“mainEntity”: [
{
“@type”: “Question”,
“name”: “Prompt injection é realmente uma ameaça relevante em produção?”,
“acceptedAnswer”: { “@type”: “Answer”, “text”: “Sim, especialmente em sistemas com function calling. Um prompt injection bem-sucedido permite executar ações como enviar e-mails, acessar bancos de dados ou fazer chamadas de API. Sistemas de RAG que buscam conteúdo externo são particularmente vulneráveis.” }
},
{
“@type”: “Question”,
“name”: “Como tratar o direito de exclusão da LGPD quando os dados foram usados em fine-tuning?”,
“acceptedAnswer”: { “@type”: “Answer”, “text”: “Dados de fine-tuning são incorporados nos pesos de forma difusa — não é possível removê-los cirurgicamente. Manter registro exato dos dados por versão de modelo é essencial, além de avaliar a necessidade de retreinamento em casos críticos.” }
}
]
}
]
}

document.querySelectorAll(‘.faq-q’).forEach(q => q.addEventListener(‘click’, () => q.parentElement.classList.toggle(‘open’)));