Source

OWASP Top 10 for LLM Applications 2025 — LLM08 Vector and Embedding Weaknesses

Référence à citer dans le threat model et l'AIPD ; les embeddings sont des données personnelles potentielles (inversion).

Confirmée#securite #permissions #ragPublié le 16 sept. 2026Mis à jour le 16 sept. 2026Vérifié le 16 sept. 2026À revérifier le 15 déc. 2026

URL: https://genai.owasp.org/llmrisk/llm082025-vector-and-embedding-weaknesses/
Organisation: OWASP GenAI Security Project
Type: Documentation officielle
Fiabilité: Fiabilité haute
Publié: mars 2025
Consulté le: 16 septembre 2026
Sujets: securite, permissions, rag

Citée par 5 page(s)

Chunking et embeddingsHypothèseRAG · Découper les documents en passages exploitables, les étiqueter (dont l'ACL), les vectoriser avec un modèle multilingue sous licence libre, et estimer la mémoire des index.RAG : vue d'ensembleHypothèseRAG · Pipeline documentaire de la Box, de l'ingestion des dossiers à la réponse citée, avec le filtre de permissions au cœur de la recherche.Permissions et confidentialité dans le RAGHypothèseRAG · Comment garantir qu'un utilisateur ne récupère jamais un passage d'un dossier auquel il n'a pas accès : ACL par chunk, filtre côté serveur, double barrière application + moteur, audit et tests.Modèle de menaceHypothèseSécurité · Actifs, acteurs, scénarios et frontières de confiance de la Box, avec les risques propres au RAG et au LLM (OWASP Top 10 LLM 2025).Test de fuite de permissions du RAG (« l'avocat B ne voit jamais A »)HypothèseExpérimentation · Corpus fictif à canaris, batterie de questions par utilisateur, vérification des chunks récupérés, des réponses et du journal, avec et sans barrière applicative.

Ce que dit la source : liste 2025 (LLM01 Prompt Injection … LLM08 Vector and Embedding Weaknesses … LLM10 Unbounded Consumption). LLM08 cite « Unauthorized Access & Data Leakage », « Cross-Context Information Leaks » en multi-tenant, l'inversion d'embeddings et l'empoisonnement ; mesures : « fine-grained access controls and permission-aware vector and embedding stores », « strict logical and access partitioning of datasets in the vector database », tagging / classification, validation des sources, monitoring.

Ce qu'on en retient : référence à citer dans le threat model et l'AIPD ; les embeddings sont des données personnelles potentielles (inversion).

Limites : guide générique, sans implémentation.