模块一 AI 安全基础
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
学习 AI 安全不能只停留在理论层面，我们需要一个实际的环境来进行实验和测试。本章将指导大家搭建一个完整的 AI 安全测试环境。
章节目标
学完本章后，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：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
为什么选择云平台
本地环境 vs 云平台
- 硬件要求高：运行大语言模型需要强大的 GPU，成本很高
- 配置复杂：需要安装 CUDA、cuDNN 等底层驱动
- 环境污染：可能与其他项目冲突
- 资源浪费：GPU 只在运行实验时才需要
- 免费的 GPU 资源：足够运行本课程的所有实验
- 开箱即用：环境已经预配置好
- 随时随地访问：只需要浏览器和网络
- 按需使用：用完即停，不占用本地资源
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。
环境配置步骤
创建工作空间
访问云平台
打开浏览器，访问云端开发环境（如腾讯 Cloud Studio、Google Colab 等）
创建工作空间
- 选择 Python 3 或 Data Science 模板
- 启用 GPU 支持
- 给工作空间起名，如 "AI-Security-Lab"
等待初始化
系统会自动初始化环境，通常需要 1-2 分钟
Python 环境配置
检查 Python 版本
python --version
# 或
python3 --version应该看到 Python 3.8 或更高版本。
创建虚拟环境
# 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为什么需要虚拟环境？
虚拟环境就像给每个项目创建一个独立的"房间"，每个房间有自己的库版本，互不干扰。
安装核心依赖库
# 升级 pip
pip install --upgrade pip
# 安装核心库
pip install transformers==4.40.0 torch==2.1.0 numpy==1.24.3 matplotlib==3.7.1 accelerate==0.27.0各库的作用：
| 库名 | 版本 | 作用 |
|---|---|---|
| transformers | 4.40.0 | Hugging Face 预训练模型库，包含 GPT、BERT 等 |
| torch | 2.1.0 | PyTorch 深度学习框架，模型的底层计算引擎 |
| numpy | 1.24.3 | 数值计算库，处理数组和矩阵运算 |
| matplotlib | 3.7.1 | 数据可视化库，绘制实验结果图表 |
| accelerate | 0.27.0 | 加速库，优化 GPU 使用 |
验证安装
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__}")验证结果
如果一切正常，你应该看到：
CUDA available: True表示 GPU 可用- 各库版本号正确显示
加载第一个模型
让我们加载一个小型语言模型进行测试：
from transformers import AutoTokenizer, AutoModelForCausalLM
# 加载模型和分词器
model_name = "gpt2"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name)
# 生成文本
input_text = "The future of AI is"
input_ids = tokenizer.encode(input_text, return_tensors="pt")
output = model.generate(input_ids, max_length=50)
print(tokenizer.decode(output[0], skip_special_tokens=True))常见问题排查
问题：torch.cuda.is_available() 返回 False
解决方案：
- 确认已选择 GPU 实例
- 重启工作空间
- 检查 GPU 驱动是否正确安装
问题：加载模型时出现 OutOfMemoryError
解决方案：
- 使用更小的模型（如 gpt2 而不是 gpt2-xl）
- 使用
model.half()减少内存占用 - 减小 batch size
问题：pip install 失败
解决方案：
- 升级 pip：
pip install --upgrade pip - 检查网络连接
- 尝试使用国内镜像：
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple 包名
实验习惯最佳实践
良好习惯
- 定期保存工作：云平台可能会断开连接
- 使用版本控制：用 Git 管理代码
- 监控资源使用：注意 GPU 内存和计算时长
- 记录实验过程：使用 Jupyter Notebook 记录代码和结果
- 及时清理：用完的模型和数据要释放内存
推荐的项目结构
为了更好地组织实验代码，建议使用以下项目结构：
01_environment_test.ipynb
02_vulnerability_scan.ipynb
requirements.txt
README.md
本章小结
- 云平台优势：免费 GPU、开箱即用、随时访问
- 环境配置：虚拟环境隔离、核心库安装
- 验证安装：检查 CUDA 可用性和库版本
- 问题排查：掌握常见问题的解决方法
- 良好习惯：保存工作、版本控制、资源监控
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配置是否正确。