این صفحه نحوه پیکربندی تنظیمات امنیتی برای سرورهای MCP در Google Workspace را شرح می‌دهد.
باید پیام‌واره‌ها و پاسخ‌ها را ازنظر محتوای مخرب یا حملات تزریق پیام‌واره غربال کنید. می‌توانید از Model Armor ارائه‌شده توسط Google استفاده کنید، یا می‌توانید از راهکار خودتان استفاده کنید، به‌شرطی که آن را مستند کنید تا کاربران آن خطر را بپذیرند. برای اطلاعات بیشتر، خط‌مشی توسعه‌دهنده و داده‌های کاربر Google Workspace را ببینید.
پیش‌نیازها
پروژه Google Cloud. برای ایجاد پروژه، ایجاد پروژه را ببینید.
شناسه کارخواه OAuth 2.0 با استفاده از این کارخواه برای نماینده مجهز به هوش مصنوعی انتخاب‌شده در پلاتفرم Google Auth > کارخواه‌ها. برای ایجاد شناسه کارخواه OAuth، ایجاد اطلاعات کاربری شناسه کارخواه OAuth را ببینید.
پیکربندی‌های اختیاری امنیت و ایمنی
MCP به‌دلیل تنوع گسترده کنش‌هایی که می‌توانید با ابزارهای MCP انجام دهید، خطرات و ملاحظات امنیتی جدیدی را معرفی می‌کند. برای به‌حداقل رساندن و مدیریت این خطرات، Google Cloud تنظیمات پیش‌فرض و خط‌مشی‌های قابل‌سفارشی‌سازی ارائه می‌دهد تا استفاده از ابزارهای MCP را در سازمان یا پروژه Google Cloud خود کنترل کنید.
برای اطلاعات بیشتر درباره امنیت و حاکمیت MCP، به امنیت و ایمنی هوش مصنوعی مراجعه کنید.
استفاده از Model Armor
Model Armor سرویسی در Google Cloud است که برای تقویت امنیت و ایمنی برنامه‌های هوش مصنوعی شما طراحی شده است. این ابزار با غربالگری پیشگیرانه پیام‌واره‌ها و پاسخ‌های مدل زبانی بزرگ، از کاربران دربرابر خطرات مختلف محافظت می‌کند و از روال‌های هوش مصنوعی مسئولانه پشتیبانی می‌کند. چه هوش مصنوعی را در محیط ابری خودتان مستقر کنید چه در ارائه‌دهندگان ابری خارجی، Model Armor می‌تواند به شما کمک کند از ورودی‌های مخرب جلوگیری کنید، ایمنی محتوا را تأیید کنید، از داده‌های حساس محافظت کنید، مطابقت را حفظ کنید، و خط‌مشی‌های ایمنی و امنیتی هوش مصنوعی خود را به‌طور مداوم در سراسر چشم‌انداز متنوع هوش مصنوعی خود اعمال کنید.
وقتی Model Armor با ثبت گزارش فعال فعال باشد، Model Armor کل بارداده را ثبت می‌کند. این کار ممکن است اطلاعات حساس را در گزارش‌هایتان افشا کند.
هدایت درخواست MCP به Model Armor
Model Armor در مناطق خاصی دردسترس است. وقتی Model Armor فعال است و از سرور MCP در حوزه‌ای قضایی استفاده می‌کنید که Model Armor از آن پشتیبانی نمی‌کند، رفتار مسیریابی تماس ممکن است برای سرورهای MCP مختلف متفاوت باشد و ممکن است انطباق با اقامتگاه داده را برای داده‌های درحال استفاده و درحال انتقال نقض کند. برای اطلاعات بیشتر درباره رفتار سرورهای MCP تکی، به محصولات پشتیبانی‌شده Model Armor مراجعه کنید.فعال کردن Model Armor
قبل‌از اینکه بتوانید از Model Armor استفاده کنید، باید Model Armor API را فعال کنید.
کنسول
اگر Model Armor API ازقبل فعال نشده است، آن را فعال کنید.
نقش‌های لازم برای فعال کردن میاناهای برنامه‌سازی کاربردی
برای فعال کردن میاناهای برنامه‌سازی کاربردی، به اجازه
serviceusage.services.enableنیاز دارید. اگر پروژه را ایجاد کرده‌اید، احتمالاً ازقبل این اجازه را ازطریق نقش «مالک» (roles/owner) دارید. درغیراین‌صورت، می‌توانید این اجازه را ازطریق نقش «سرپرست استفاده از سرویس» (roles/serviceusage.serviceUsageAdmin) دریافت کنید. با نحوه اعطای نقش‌ها آشنا شوید.پروژه‌ای را که می‌خواهید Model Armor در آن فعال شود انتخاب کنید.
gcloud
قبل‌از شروع، این مراحل را بااستفاده از Google Cloud CLI با Model Armor API دنبال کنید:
نصب Google Cloud CLI، و سپس ورود به سیستم gcloud با هویت فدرال. پس‌از ورود به سیستم، با اجرای فرمان زیر، Google Cloud CLI را مقداردهی اولیه کنید:
gcloud init-
فرمان زیر را برای تنظیم نقطه پایانی میانای برنامه‌سازی کاربردی برای سرویس Model Armor اجرا کنید.
gcloud config set api_endpoint_overrides/modelarmor "https://modelarmor.LOCATION.rep.googleapis.com/"
LOCATIONرا با منطقه‌ای که می‌خواهید از Model Armor استفاده کنید جایگزین کنید.
پیکربندی محافظت برای سرورهای MCP از راه دور Google و Google Cloud
برای کمک به محافظت از فراخوانی‌ها و پاسخ‌های ابزار MCP، می‌توانید از تنظیمات کف Model Armor استفاده کنید. تنظیمات کف، حداقل فیلترهای امنیتی را که در سراسر پروژه اعمال می‌شود تعریف می‌کند. این پیکربندی مجموعه ثابتی از فیلترها را برای همه فراخوانی‌ها و پاسخ‌های ابزار MCP در پروژه اعمال می‌کند.
تنظیمات کف Model Armor را با فعال کردن پاک‌سازی MCP راه‌اندازی کنید. برای اطلاعات بیشتر، پیکربندی تنظیمات کف Model Armor را ببینید.
فرمان نمونه زیر را ببینید:
gcloud model-armor floorsettings update \ --full-uri='projects/PROJECT_ID/locations/global/floorSetting' \ --enable-floor-setting-enforcement=TRUE \ --add-integrated-services=GOOGLE_MCP_SERVER \ --google-mcp-server-enforcement-type=INSPECT_AND_BLOCK \ --enable-google-mcp-server-cloud-logging \ --malicious-uri-filter-settings-enforcement=ENABLED \ --add-rai-settings-filters='[{"confidenceLevel": "MEDIUM_AND_ABOVE", "filterType": "DANGEROUS"}]'
PROJECT_ID را با شناسه پروژه Google Cloud خودتان جایگزین کنید.
به تنظیمات زیر توجه کنید:
-
INSPECT_AND_BLOCK: نوع اجرایی که محتوا را برای سرور Google MCP بازرسی می‌کند و پیام‌واره‌ها و پاسخ‌هایی را که با فیلترها مطابقت دارند مسدود می‌کند. ENABLED: تنظیماتی که فیلتر یا اجرایی را فعال می‌کند.MEDIUM_AND_ABOVE: سطح اطمینان برای تنظیمات فیلتر «هوش مصنوعی مسئولانه - خطرناک». می‌توانید این تنظیم را تغییر دهید، هرچند مقادیر پایین‌تر ممکن است به نتایج مثبت کاذب بیشتری منجر شود. برای اطلاعات بیشتر، سطوح اطمینان Model Armor را ببینید.
غیرفعال کردن اسکن ترافیک MCP با Model Armor
برای متوقف کردن Model Armor از اسکن خودکار ترافیک به و از سرورهای Google MCP براساس تنظیمات کف پروژه، فرمان زیر را اجرا کنید:
gcloud model-armor floorsettings update \
--full-uri='projects/PROJECT_ID/locations/global/floorSetting' \
--remove-integrated-services=GOOGLE_MCP_SERVER
PROJECT_ID را با شناسه پروژه Google Cloud جایگزین کنید. Model Armor به‌طور خودکار قوانین تعریف‌شده در تنظیمات کف این پروژه را برای هیچ‌یک از ترافیک‌های سرور Google MCP اعمال نمی‌کند.
تنظیمات کف Model Armor و پیکربندی کلی می‌تواند بر چیزی فراتر از MCP تأثیر بگذارد. چون Model Armor با سرویس‌هایی مثل Vertex AI ادغام می‌شود، هر تغییری که در تنظیمات کف ایجاد کنید می‌تواند بر اسکن ترافیک و رفتارهای ایمنی در همه سرویس‌های ادغام‌شده تأثیر بگذارد، نه فقط MCP.