Согласно материалу AWS Machine Learning, когда ИИ-агенты получают доступ к базам данных, API и чувствительным бизнес-операциям, установление криптографической идентичности через инфраструктуру открытых ключей X.509 (PKI) становится критически важным требованием. Основная проблема заключается в том, чтобы доказать, какой агент сделал запрос, предотвратить подделку между агентами и подтвердить, что каждый агент действует только от имени авторизованного пользователя. Традиционные подходы, такие как обмен API-ключами между компонентами или передача токенов OAuth через цепочки агентов, не соответствуют требованиям нулевой доверенности, которые требуют корпоративные развертывания. Многоагентные ИИ-структуры все чаще используют Протокол контекста модели (MCP) для подключения агентов к внешним инструментам и источникам данных. MCP определяет, как агент на базе большой языковой модели (LLM) вызывает инструменты, такие как запросы к базам данных или операции с электронной почтой. Однако MCP не имеет встроенного стандарта аутентификации. Он по своей природе не зависит от транспортного протокола. Это создает критический пробел: без надлежащих механизмов идентификации любой компонент может выдать себя за агента, воспроизвести перехваченные учетные данные или вызывать инструменты без авторизации. В этом посте мы покажем, как решить эту проблему, используя Keyfactor EJBCA в сочетании с сервисами AWS. EJBCA — это платформа PKI, которая поддерживает развертывание с высокой доступностью, автоматизацию REST API и валидацию по Протоколу статуса сертификата в режиме онлайн (OCSP). Архитектура примера использует четыре взаимодополняющих механизма безопасности. Во-первых, подписанные конверты запросов предоставляют криптографическое доказательство владения при каждом вызове агента. Во-вторых, утверждения о делегировании, подписанные пользователем, авторизуют агентов без обмена учетными данными. В-третьих, токены с ограниченной аудиторией по RFC 8693 ограничивают степень раскрытия от любого отдельного раскрытия токена. В-четвертых, проверка отзыва OCSP в реальном времени немедленно распространяет изменения учетных данных на всех агентов. Решение использует Amazon Bedrock для вывода LLM через SDK Strands Agents. Хотя эта архитектура примера использует базу данных в качестве защищаемого ресурса, тот же шаблон аутентификации применим к любому серверу инструментов, совместимому с MCP. Полный исходный код для всех примеров доступен в сопроводительном репозитории GitHub. Keyfactor предоставляет широко используемую платформу управления машинной идентичностью, которую используют более 1500 корпоративных клиентов по всему миру. Эти организации охватывают финансовые услуги, здравоохранение, производство и государственный сектор. Keyfactor помогает организациям устанавливать и поддерживать криптографическую доверенность через управление жизненным циклом сертификатов, операции PKI и управление машинной идентичностью. EJBCA Enterprise — это Центр сертификации (CA) и платформа PKI от Keyfactor, разработанная для развертывания с высокой доступностью и автоматизации REST API. Доступная как корпоративный продукт, EJBCA обеспечивает выпуск сертификатов X.509, валидацию OCSP, распределение списков отозванных сертификатов (CRL) и полный менеджмент жизненного цикла сертификатов через веб-консоль и REST API. Партнерство между AWS и Keyfactor объединяет управляемые сервисы AWS (Amazon Bedrock, AWS Secrets Manager, Amazon Relational Database Service (Amazon RDS)) с инфраструктурой PKI, которая поддерживает управление жизненным циклом сертификатов, автоматизированную регистрацию и отзыв в реальном времени. Эта комбинация решает пробел в экосистеме ИИ-агентов. В то время как AWS предоставляет вычислительные, хранилищные и слои вывода ИИ, Keyfactor предоставляет криптографический уровень идентичности, который связывает агентов с проверяемыми, отзывными, краткосрочными учетными данными. Эта совместная архитектура примера, разработанная совместно инженерными командами AWS и Keyfactor, демонстрирует, как интегрировать эти технологии. Вы можете адаптировать представленные здесь шаблоны к своим многоагентным развертываниям. Материал подготовлен нейросетью на основе оригинальной публикации. ИИ может ошибаться в деталях (цифры, имена, даты, цитаты) — для важной информации сверяйтесь с первоисточником.