AI算力集群快速落地，企业往往更关注模型、推理和业务应用的安全。但近期 NVIDIA DCGM Exporter 披露的安全问题提醒企业：AI基础设施的风险入口，不一定只在业务侧，也可能藏在一个看似普通的运维监控接口里。
公开研究数据显示，约2100台 DCGM Exporter 主机曾无需认证即可对外提供监控指标，涉及近300家机构和超过12000个GPU标识。相关问题可能导致监控服务资源被大量占用甚至停止响应；在资源隔离不足的情况下，还可能影响同一环境中的AI任务运行。
1、“只是监控接口”，为什么也值得重视？
DCGM Exporter主要用于采集GPU温度、功耗、显存、负载和运行状态等信息。对运维人员来说，它只是一个监控组件，但如果这类接口直接暴露在公网，就可能让外部获取GPU型号、硬件标识、运行状态、资源使用情况以及部分工作负载信息。
所以真正值得企业思考的，不只是“这个监控工具安全吗”，而是：一个内部运维接口，为什么能够被公网直接访问？
2、AI基础设施，也有自己的“管理面”
可以简单把AI基础设施分成两个部分：业务面负责模型推理、应用访问和业务流量；管理面则包括GPU监控、日志、容器管理、模型管理、运维平台及相关控制接口。
这些系统不一定直接承载业务，却掌握大量基础设施运行信息，部分系统还具备较高管理权限。随着AI基础设施不断扩张，管理接口也在持续增加。如果这些接口缺少身份校验、访问限制，或者长期直接暴露在公网，就可能形成新的风险入口。
业务系统需要安全边界，管理系统同样需要。
3、真正需要检查的，不只是补丁有没有升级
针对此次问题，NVIDIA已经提供修复版本，并建议关闭非必要的性能分析接口。升级版本当然重要，但对企业来说，更值得追问的是：为什么一个内部监控服务，会出现在公网？
如果只修复单个组件，却没有重新检查公网暴露面和访问边界，类似问题仍可能出现在其他管理组件上。企业可以重点核查哪些管理端口正在对外开放、哪些服务真正需要公网访问，以及防火墙、安全组和访问策略是否真正生效。
减少不必要的公网暴露，是降低同类风险的重要基础。
4、AI基础设施要从“能运行”走向“可管理”
GPU集群、容器环境和AI平台可能分布在不同机房、云平台和业务环境中。企业不能只关注算力是否正常，还需要知道资源在哪里、哪些接口对外开放、谁可以访问。
否则就可能出现一种情况：业务正常运行，管理接口却已经暴露在公网。
因此，AI基础设施建设不能只考虑算力和性能，管理面同样需要明确访问边界。
写在后面
这次事件提醒企业，AI基础设施的安全不只在模型和业务侧，监控、日志、运维等管理接口，同样需要被纳入安全边界。
企业不妨先检查三个问题：有哪些管理接口正在对外开放？这些接口真的需要公网访问吗？访问策略是否真正生效？
AI基础设施不仅要跑得起来，更要边界清楚、管理可控。
