第4章：AI 安全测试环境搭建
配置完整的 AI 安全测试环境，包括云平台使用、Python 配置和核心依赖库安装
预计阅读约16分钟
本章导读
前三章为你搭建了 AI 安全的认知框架：威胁全景、模型原理和红队思维。但安全研究不能停留在纸面上，从本章开始我们要真正"动手"了。而动手的第一步，不是写攻击代码，而是搭建一个稳定、可复现、可隔离的实验环境。如果环境不可靠，后续所有实验结论都将失去意义。
本章将引导你在云平台上完成完整的 AI 安全测试环境配置：从选择云平台和创建 GPU 实例，到安装 Python 依赖和加载第一个大语言模型，再到验证整条链路的联通性。默认基线与实验 1.1 对齐（腾讯 Cloud Studio + T4 GPU + Qwen2-1.5B-Instruct），确保你在阅读和动手之间无缝衔接。完成本章后，你将拥有一个可长期复用的实验基地，为模块二到模块五的所有实验做好准备。
学习目标
本章学完后，你将能够：
- 掌握云平台的使用：熟练使用云端开发环境创建和管理 GPU 开发环境
- 配置 Python 环境：正确安装和配置 Python 及相关依赖库
- 调用大语言模型（LLM）：能够使用 Transformers 库加载和运行预训练模型
- 排查常见问题：识别和解决环境搭建过程中的典型问题
1 环境搭建的三个原则
在开始动手前，先统一三条原则。后面所有操作都围绕它们展开：
| 原则 | 为什么重要 | 具体做法 |
|---|---|---|
| 可复现 | 团队成员应能得到一致结果 | 固定依赖版本、保留 requirements.txt |
| 可隔离 | 避免一个项目影响另一个项目 | 每个实验使用独立虚拟环境 |
| 可验证 | 避免“看起来能跑、实际上不稳定” | 每次配置后做最小验证脚本 |
有了这三个原则，我们再来决定环境方案，就不会只看“能不能跑”，而是看“能不能稳定地跑”。
2 为什么首选云平台
2.1 本地环境 vs 云平台
- 硬件门槛高：运行大语言模型通常需要较强 GPU，成本高
- 底层依赖复杂：CUDA、cuDNN、驱动版本容易互相制约
- 环境冲突常见：不同项目依赖版本容易相互影响
- 资源利用率低：GPU 大多数时间闲置
- GPU 可按需使用：对学习阶段更友好
- 启动速度快：多数平台提供预配置镜像
- 访问门槛低：浏览器即可使用
- 更利于协作：分享 Notebook 和配置更方便
类比理解
使用云平台就像租用健身房，而不是在家里建一个健身房。你只需要在需要锻炼时去健身房，使用专业的器材，用完就走。
这并不意味着本地部署不重要，而是对于课程阶段，云平台更容易把注意力放在"安全能力提升"而非"底层环境排障"上。选定了平台之后，下面按五步流程完成完整的环境配置。
3 环境配置总流程
创建工作空间
- 访问云端开发环境（本课程默认使用腾讯 Cloud Studio）
- 选择 Python 3 或 Data Science 模板
- 启用 GPU 支持并命名工作空间（例如
ai-security-lab） - 课程建议配置：NVIDIA Tesla T4（16GB 显存）
创建隔离环境
使用虚拟环境隔离依赖，避免后续实验互相污染。
安装固定依赖
固定关键库版本，确保你和同学、以及未来的自己都能复现结果。
运行最小验证脚本
验证 Python 版本、库版本和 CUDA 可用性，确认环境真正可用。
执行首个模型调用
使用课程实验同款模型 Qwen/Qwen2-1.5B-Instruct 验证“推理链路”完整可用，作为后续安全实验的起点。
4 Python 环境配置
4.1 检查 Python 版本
python --version
# 或
python3 --version建议使用 Python 3.8 或更高版本。
4.2 创建并激活虚拟环境
# 创建虚拟环境
python3 -m venv ai_security_env
# 激活虚拟环境
source ai_security_env/bin/activate # Linux/Mac
# 或
ai_security_env\Scripts\activate # Windows为什么一定要用虚拟环境？
虚拟环境的本质是“依赖隔离”。它能避免你在一个实验里升级了库版本，导致另一个实验突然失效。
5 安装核心依赖库
# 升级 pip
pip install --upgrade pip
# 安装核心库（固定版本，保证可复现）
pip install transformers==4.46.3 torch==2.5.1 numpy==1.26.4 matplotlib==3.9.3 accelerate==1.2.1| 库名 | 版本 | 作用 |
|---|---|---|
| transformers | 4.46.3 | Hugging Face 预训练模型库，负责模型与分词器加载 |
| torch | 2.5.1 | 深度学习框架，负责底层张量计算与推理 |
| numpy | 1.26.4 | 数值计算库，处理数组和矩阵运算 |
| matplotlib | 3.9.3 | 可视化库，用于展示实验结果 |
| accelerate | 1.2.1 | 设备调度与加速工具，优化推理执行 |
固定版本不是"保守做法"，而是安全实验的基础。否则同一测试在不同机器上可能得到不一致结果。
版本更新说明
上述版本为 2025-2026 学年推荐版本。AI 生态迭代较快，授课教师可在每学期开课前运行 pip install --upgrade transformers torch accelerate 获取最新稳定版，并更新此处的版本号以保持课程一致性。如遇兼容问题，优先确保 transformers 与 torch 的 CUDA 版本匹配。
6 验证安装是否成功
import torch
print(f"PyTorch version: {torch.__version__}")
print(f"CUDA available: {torch.cuda.is_available()}")
import transformers
print(f"Transformers version: {transformers.__version__}")
import numpy as np
print(f"NumPy version: {np.__version__}")如何解释验证结果
CUDA available: True：说明当前环境可使用 GPU。CUDA available: False：不一定是错误，可能是 CPU 实例；若课程实验要求 GPU，请切换实例再测。- 库版本与预期一致：说明环境已具备可复现实验基础。
7 加载第一个模型（最小链路验证）
from transformers import AutoTokenizer, AutoModelForCausalLM
import torch
model_name = "Qwen/Qwen2-1.5B-Instruct"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
model_name,
torch_dtype=torch.float16,
device_map="auto"
)
messages = [
{"role": "system", "content": "你是一个有帮助的AI助手。"},
{"role": "user", "content": "请用一句话介绍 AI 安全。"}
]
text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer([text], return_tensors="pt").to(model.device)
outputs = model.generate(
**inputs,
max_new_tokens=64,
temperature=0.7,
do_sample=True
)
generated_ids = outputs[0][inputs.input_ids.shape[-1]:]
print(tokenizer.decode(generated_ids, skip_special_tokens=True))这一步的重点不是“生成质量”，而是确认三件事：模型能加载、推理能执行、输出能稳定返回。
8 常见问题排查
问题：torch.cuda.is_available() 返回 False
排查顺序：
- 确认实例类型是否为 GPU
- 重启工作空间并重新连接
- 检查平台侧 GPU 配额或会话是否过期
问题：加载模型时报 OutOfMemoryError
解决方案：
- 先换小模型（如
Qwen/Qwen2-0.5B-Instruct而不是Qwen/Qwen2-1.5B-Instruct） - 尝试
model.half()降低显存占用 - 减小批量大小（batch size）
问题：pip install 失败
解决方案：
- 升级 pip：
pip install --upgrade pip - 检查网络与 DNS
- 使用镜像源：
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple 包名
9 实验习惯最佳实践
良好习惯
- 先记录再修改：每次变更依赖前先保存当前环境清单
- 每次实验可复现：保留输入、参数、输出和版本信息
- 资源有预算意识：持续关注 GPU 占用与运行时长
- 代码与结论一起保存：Notebook 中同时记录实验代码与观察结论
- 结束后清理资源：释放模型和会话，避免不必要成本
10 推荐的项目结构
为了让实验过程更清晰、协作更顺畅，建议采用如下结构：
配套实验
动手实践
完成本章学习后，请进行 实验 1.1：环境配置，在实际操作中验证你的环境是否真正达到“可复现、可隔离、可验证”三个目标。
常见问题
本章小结
- 本章核心不是“安装工具”：而是建立可复现、可隔离、可验证的实验基线
- 云平台优先是阶段性策略：先降低环境门槛，再聚焦安全能力提升
- 配置流程要形成闭环：创建环境 -> 安装依赖 -> 验证结果 -> 最小模型测试
- 排障要有顺序：先查实例与资源，再查依赖与代码
- 良好习惯决定长期效率：规范记录、版本管理和资源清理缺一不可
课后思考
自测 Quiz
1. 本课程推荐的实验平台和 GPU 配置是什么？
2. 环境搭建的三项核心原则是什么？
3. 为什么实验中需要固定依赖版本？