AI-veiligheidAgenten 🇺🇸 06.08.2026 22:02

AI-agenten beveiligen met temporele beleidsregels in Amazon Bedrock AgentCore

Amazon Web ServicesAmazon Web Services
AWS introduceert temporele beleidsregels in Amazon Bedrock AgentCore, die stateful autorisatieregels mogelijk maken die agentverzoeken evalueren in de context van hun trajectgeschiedenis. Deze beleidsregels handhaven workflowsequencing, voorkomen datafabricage, beperken financiële blootstelling en vereisen menselijke goedkeuring, en draaien aan de gatewayperimeter om bypass te voorkomen. Een praktisch voorbeeld met een private banking-agent demonstreert de implementatie met behulp van de Dogwood-beleidstaal.
Amazon Bedrock AgentCore biedt nu temporele beleidsregels die de bestaande staatloze beleidsengine uitbreiden om elk verzoek te evalueren in de context van eerdere gebeurtenissen in de sessie van een agent. Omdat ze worden uitgevoerd aan de perimeter van de AgentCore Gateway, buiten de code van de agent, kunnen ze niet worden onderschept of gemanipuleerd. Gebruiksgevallen zijn onder andere het afdwingen van de integriteit van uitvoer over gekoppelde tools, de volgorde van toolaanroepen, menselijke goedkeuring voor bevoorrechte acties en de versheid van gegevens. De beleidsregels werken op Model Context Protocol (MCP) toolaanroepen, agent-naar-agent-aanroepen en modelinferentieaanroepen die via de gateway worden gerouteerd. Elk verzoek moet een x-amzn-bedrock-agentcore-policy-session-id-header bevatten, en sessies worden gedefinieerd door de sessie-ID te combineren met de identiteit van de eindgebruiker, met een maximale terugkijkvenster van 24 uur. De blogpost bespreekt een voorbeeld van een private banking-agent, die beleidsregels vereist zoals het afdwingen van de volgorde van toolaanroepen (get_client_profile, daarna load_portfolio, daarna rebalance_portfolio), ervoor zorgen dat portfolio_id overeenkomt, marktprijzen vereisen binnen 1 minuut voor handel, de totale handelswaarde beperken tot $60.000 per sessie, goedkeuring vereisen voor transacties boven $25.000, het voorkomen van het kopen en verkopen van hetzelfde effect met verlies, en het uitschakelen van schrijfbewerkingen na 15 minuten inactiviteit. De implementatie gebruikt de beleidstaal Dogwood, die Cedar-beleid ondersteunt en temporele voorwaarden mogelijk maakt.
Bron: AWS ML blog — origineel
Eerdere berichten over dit onderwerp ↓
Vers nieuws