FUNDAMENTOS: O NOVO PARADIGMA DE SEGURANÇA EM LLMs
Bases de dados de Vulnerabilidades do Caos à Defesa Coordenada. CVE, NVD, CWE, CPE, CVSS.
Try this quiz
Play through the questions and see your score instantly
Ready to test your knowledge?
5 questions · Quick play · Instant results
Make your own quiz videos
Turn any topic into a polished video quiz — with AI-powered questions, voiceover, and animations. No video editing skills needed.
Unlimited quizzes, free to start
Create as many quizzes as you want. Describe your topic and AI builds the questions, answers, and explanations for you.
Customise everything
Pick from stunning templates, tweak colours and fonts, add your branding, and choose between vertical or landscape formats.
Export-ready videos
Download HD videos optimised for TikTok, YouTube Shorts, Instagram Reels, or full-length YouTube — one click, no editing.
No credit card required
Quiz Questions & Answers
Review every prompt, the correct responses, and helpful context to prep for your own run-through.
Question 1: Por que WAFs tradicionais falham contra ataques em LLMs?
Porque WAFs não suportam HTTPS
Porque LLMs processam linguagem natural — a intenção maliciosa não tem assinatura sintática detectável
Porque WAFs são lentos demais para IA
Porque LLMs usam criptografia de ponta a ponta
Question 2: O que é "Semantic Bypass" no contexto de LLMs?
Bypass de autenticação via tokens JWT inválidos
Exploração de falha no modelo de embeddings vetoriais
Técnica onde intenção maliciosa se disfarça de linguagem natural legítima, contornando filtros de sintaxe
Ataque de força bruta contra a API do modelo
Question 3: Qual é a premissa fundamental que falha ao aplicar AppSec clássico em LLMs?
A premissa de que firewalls bloqueiam IPs maliciosos
A premissa de que validação de sintaxe garante segurança
A premissa de que logs são suficientes para auditoria
A premissa de que TLS protege dados em trânsito
Question 4: Quais três fatores formam a superfície de ataque exclusiva dos LLMs?
Escalabilidade, latência e custo de inferência
Linguagem natural, manipulação de contexto e comportamentos emergentes
GPU, memória RAM e largura de banda de rede
Tokenização, embeddings e camada de atenção
Question 5: O Secure LLM Mindset recomenda que defensores assumam:
Que o modelo sempre seguirá as instruções do system prompt
Que firewalls de API são suficientes para conter ataques
Que o comportamento do modelo é previsível após fine-tuning
A imprevisibilidade como premissa — protegendo dados, monitorando contexto e validando saídas