模仿攻擊

模仿攻擊（Imitation Attacks），又稱模型萃取攻擊（Model Extraction Attacks），是一種針對機器學習即服務（MLaaS）的智慧財產權竊取技術。攻擊者扮演一般使用者，透過合法管道大量查詢企業對外提供服務的AI模型API，並記錄其輸入與輸出對應關係。接著，攻擊者利用這些蒐集到的數據集，訓練出一個功能與原始模型高度相似的「代理模型」或「複製模型」。此行為直接侵害了受台灣《營業秘密法》第二條所保護的企業核心資產（如演算法、模型權重）。在風險管理體系中，此類攻擊被視為對資訊資產「機密性」的破壞，違反了ISO/IEC 27001的控制要求。它與旨在竊取訓練資料的「模型反轉攻擊」不同，模仿攻擊的核心目標是複製模型本身的功能，進而規避研發成本，進行惡性市場競爭。

企業可依據ISO 31000風險管理框架，將防禦模仿攻擊整合至日常營運中。第一步為「風險識別與評估」，將對外服務的AI模型API識別為關鍵資訊資產，評估其遭受模仿攻擊的可能性與衝擊，例如分析API的商業價值與存取日誌。第二步為「控制措施設計與實施」，導入多層次防禦機制，技術上包含設定嚴格的API請求速率限制（Rate Limiting）、監控異常查詢行為的模式（如短時間內來自單一來源的大量查詢），並可採用如本文所述的「條件式浮水印」技術，為模型輸出嵌入隱形標記以供事後追溯。法律上，應在服務條款中明確禁止任何形式的模型複製行為。第三步為「監控與審查」，定期審核API存取日誌，並進行滲透測試，確保防禦措施的有效性。導入後，預期可將可疑的API濫用事件降低95%以上，並確保在法律訴訟中擁有強力的所有權證據。

台灣企業在防禦模仿攻擊時，主要面臨三大挑戰。第一，「AI資安人才短缺」，多數企業缺乏兼具AI與資安背景的專家來設計與實施如模型浮水印等高級防禦技術。第二，「資源與成本限制」，中小企業可能難以負擔建立全天候API監控系統與導入複雜防禦方案的成本。第三，「法律舉證困難」，若未預先部署追蹤機制，即使懷疑模型被竊，也很難在法庭上依據《營業秘密法》提出對方「不法侵害」的具體證據。對策上，企業應採分階段實施：初期可先導入API閘道器，設定請求速率與流量限制等低成本基礎防護（預計1個月內完成）。中期應針對核心高價值模型，與專業顧問合作，導入客製化的浮水印與異常偵測機制（預計3-6個月）。長期而言，應將AI安全納入開發流程（MLSecOps），並對開發人員進行定期教育訓練，以建立整體的安全文化。