Как читать авторский курс и нормативные материалы

Это учебные материалы, а не заключение о соответствии конкретного продукта. Организационные модели курса отделяйте от терминов стандарта: ППК в опубликованном проекте — машиночитаемый перечень, а живой реестр его версий является практикой сопровождения. Термин OSA в разных материалах имеет разный охват. Статус и обязательность нормативного документа проверяются отдельно; проект КАПО опубликован как проект первой редакции.

Что проверять на проекте

Чек-лист аудитора по двум темам модуля. Цель — поймать разрыв между декларацией и реальностью (для образов) и неполноту AI-кластеров (для AI-поставки).

Честный SBOM контейнерного образа

[ ] Сверка с реальностью. SBOM образа сверялся не только с декларацией, но и с фактическим содержимым слоёв (docker save + разбор tar-ов), а не принят «как есть».
[ ] Секреты во всех слоях. Поиск секретов выполнен по истории слоёв, а не только по финальной ФС; зафиксировано, что RUN rm не удаляет файл из нижнего слоя.
[ ] Признаки обфускации метаданных. Проверено наличие пакетных БД (/var/lib/dpkg/status, /lib/apk/db/installed, /var/lib/rpm/); их отсутствие при работающем ПО помечено как red flag, а не как «чистый образ».
[ ] «0 уязвимостей» расследуется. Результат сканера с нулём findings не принимается без объяснения причины (мало пакетов / затёртые метаданные / ПО мимо менеджера).
[ ] Спрятанные бинарники. Проверка на UPX-упаковку и стрип build-info (go version -m не читается → флаг для ручного разбора).
[ ] «Неисправимое статикой» вынесено явно. Multi-stage, внешние загрузки в рантайме, сборка из исходников помечены как непокрываемые статическим SBOM и требующие динамики.
[ ] Целостность поставки. Образ и его SBOM подтверждены attestations (in-toto/SLSA, подпись через Sigstore); проверена защита реестра от tag poisoning и подмены коммитов.
[ ] Воспроизводимость. Зафиксированы digest образа, версии инструментов, дата анализа; SBOM пересобирается из тех же входов.

SBOM for AI (минимальные элементы)

[ ] AI-кластеры присутствуют сверх обычного SBOM. Заполнены кластеры Models и Datasets, а не только дерево пакетов рантайма.
[ ] Идентичность и целостность модели. Есть Model identifier (PURL/SWHID/commit) и Model hash value именно по весам, с указанием алгоритма.
[ ] Лицензия модели по типу открытости. Model license различает open weight / open architecture / open data / open training; противоречия (open weight при закрытых данных) подняты.
[ ] Lineage и обучение. Заполнены Model description (предшественник, дистилляция, форк) и Model training properties (pre-/post-training, RLHF/DPO/PPO).
[ ] Provenance и чувствительность датасета. Dataset provenance (источник, способ сбора), Dataset sensitivity (PII/copyright/sensitive) и Dataset license заполнены; пустой кластер Datasets при используемой модели — блокер приёмки.
[ ] Инфраструктура и безопасность. Учтены Infrastructure (фреймворки, рантайм, при наличии — ссылка на HBOM) и Security Properties (контроли, в т.ч. защита от prompt injection для LLM).

Стоп-условия приёмки 1. В слоях образа найден живой секрет, отсутствующий в финальной ФС. 2. SBOM/сканер декларирует «чисто», но реальный состав слоёв с этим расходится (обфускация). 3. У используемой AI-модели не заполнены Model license (тип открытости) или Dataset provenance — нельзя оценить legal/security-риск.

Связи

Нормативка: 05 Нормативка (ГОСТ Р 56939-2024, проект ГОСТ Р по композиционному анализу). Шаблоны: Регламент приёмки контейнерного образа. Практики: П37. Контейнерный образ слои секреты и удаленные файлы, П38. Честный SBOM контейнерного образа, П39. SBOM for AI minimum elements. Справочник: SBOM for AI - минимальные элементы.