ai_regulation
AI Supply Chain Sicherheit: Google öffnet k8s-aibom für automatisierte ML-BOMs
Google hat am 15. Juli 2025 das Tool k8s-aibom als Open Source veröffentlicht, wie der Konzern im eigenen Cloud-Blog bekannt gab. Der leichtgewichtige Kubernetes Controller erkennt automatisch laufende KI-Workloads wie vLLM oder Triton Inference Server und generiert daraus standardisierte Machine Learning Bills of Materials (ML-BOMs) im CycloneDX-Format – ohne dass Entwickler ihre Pod-Spezifikationen ändern oder privilegierte DaemonSets einsetzen müssen.
Die Veröffentlichung reagiert auf ein wachsendes Problem in der KI-Lieferkette: Sogenannte Schatten-KI entsteht, wenn Entwickler KI-Modelle und -Frameworks einsetzen, ohne dass die IT-Sicherheit davon Kenntnis hat. Herkömmliche Scanner arbeiten meist zum Build-Zeitpunkt und erfassen nur das, was offiziell registriert wurde. k8s-aibom hingegen beobachtet den Live-Cluster-Zustand und erkennt auch nicht registrierte KI-Laufzeiten, Agent-Frameworks wie LangChain oder AutoGen sowie Vektordatenbanken wie Milvus. Die erzeugten ML-BOMs sind fälschungssicher, weil der Controller sie mit einem DoesNotExist-Precondition-Mechanismus in Google Cloud Storage ablegt – einmal geschrieben, sind die Objekte kryptografisch unveränderbar.
Was bedeutet das konkret für Ihren Betrieb?
Wenn Ihr Unternehmen Google Kubernetes Engine (GKE) oder einen anderen konformen Kubernetes-Cluster für KI-Projekte nutzt, können Sie k8s-aibom ab sofort ohne Lizenzkosten einsetzen. Das Tool verschafft Ihnen einen lückenlosen Überblick darüber, welche KI-Modelle und -Frameworks in Ihrem Cluster tatsächlich laufen – und trennt dabei explizit deklarierte von automatisch abgeleiteten Befunden. Das ist besonders relevant, weil der EU AI Act ab Februar 2025 schrittweise wirksam wird und Artikel 12 eine automatisierte Protokollierung von KI-Systemen verlangt. Die automatisch generierten ML-BOMs dienen als revisionssichere Dokumentation gegenüber Wirtschaftsprüfern und Aufsichtsbehörden. Der Betrieb erfordert keine Kernel-Module, keine Sidecar-Container und keine Änderungen an bestehenden CI/CD-Pipelines, sodass auch kleinere IT-Teams die Integration bewältigen können.
Der Schritt von Google fügt sich in eine breitere Entwicklung ein: Die Nachvollziehbarkeit von KI-Lieferketten wird zum zentralen Baustein der IT-Governance. Wer heute auf automatisierte ML-BOMs setzt, schafft nicht nur Transparenz für die eigene Sicherheitsabteilung, sondern bereitet sich systematisch auf künftige Prüfpflichten nach NIST AI RMF oder ISO/IEC 42001 vor. Mittelfristig dürften standardisierte AI-BOMs ähnlich selbstverständlich werden wie Software Bills of Materials in der klassischen Softwareentwicklung.
Die Veröffentlichung reagiert auf ein wachsendes Problem in der KI-Lieferkette: Sogenannte Schatten-KI entsteht, wenn Entwickler KI-Modelle und -Frameworks einsetzen, ohne dass die IT-Sicherheit davon Kenntnis hat. Herkömmliche Scanner arbeiten meist zum Build-Zeitpunkt und erfassen nur das, was offiziell registriert wurde. k8s-aibom hingegen beobachtet den Live-Cluster-Zustand und erkennt auch nicht registrierte KI-Laufzeiten, Agent-Frameworks wie LangChain oder AutoGen sowie Vektordatenbanken wie Milvus. Die erzeugten ML-BOMs sind fälschungssicher, weil der Controller sie mit einem DoesNotExist-Precondition-Mechanismus in Google Cloud Storage ablegt – einmal geschrieben, sind die Objekte kryptografisch unveränderbar.
Was bedeutet das konkret für Ihren Betrieb?
Wenn Ihr Unternehmen Google Kubernetes Engine (GKE) oder einen anderen konformen Kubernetes-Cluster für KI-Projekte nutzt, können Sie k8s-aibom ab sofort ohne Lizenzkosten einsetzen. Das Tool verschafft Ihnen einen lückenlosen Überblick darüber, welche KI-Modelle und -Frameworks in Ihrem Cluster tatsächlich laufen – und trennt dabei explizit deklarierte von automatisch abgeleiteten Befunden. Das ist besonders relevant, weil der EU AI Act ab Februar 2025 schrittweise wirksam wird und Artikel 12 eine automatisierte Protokollierung von KI-Systemen verlangt. Die automatisch generierten ML-BOMs dienen als revisionssichere Dokumentation gegenüber Wirtschaftsprüfern und Aufsichtsbehörden. Der Betrieb erfordert keine Kernel-Module, keine Sidecar-Container und keine Änderungen an bestehenden CI/CD-Pipelines, sodass auch kleinere IT-Teams die Integration bewältigen können.
Der Schritt von Google fügt sich in eine breitere Entwicklung ein: Die Nachvollziehbarkeit von KI-Lieferketten wird zum zentralen Baustein der IT-Governance. Wer heute auf automatisierte ML-BOMs setzt, schafft nicht nur Transparenz für die eigene Sicherheitsabteilung, sondern bereitet sich systematisch auf künftige Prüfpflichten nach NIST AI RMF oder ISO/IEC 42001 vor. Mittelfristig dürften standardisierte AI-BOMs ähnlich selbstverständlich werden wie Software Bills of Materials in der klassischen Softwareentwicklung.
💡 Handlungsempfehlung: Prüfen Sie noch diese Woche mit Ihrem DevOps-Team, ob in Ihren Kubernetes-Clustern nicht registrierte KI-Workloads laufen, und evaluieren Sie die Installation des quelloffenen k8s-aibom-Controllers als kostenfreies Mittel zur automatisierten ML-BOM-Erstellung.
Haeufige Fragen
Was ist eine Machine Learning Bill of Materials und wofür brauche ich sie?
Eine Machine Learning Bill of Materials (ML-BOM) ist ein standardisiertes Dokument im CycloneDX-Format, das alle Komponenten eines KI-Workloads auflistet – von Modellen und Frameworks bis zu Vektordatenbanken. Sie dient als revisionssicherer Nachweis gegenüber Prüfern und hilft, Schatten-KI zu identifizieren sowie Compliance mit dem EU AI Act zu belegen.
Wie erkennt k8s-aibom nicht registrierte KI-Workloads in meinem Kubernetes-Cluster?
k8s-aibom überwacht kontinuierlich die Kubernetes-Cluster-API und analysiert Container-Images, Umgebungsvariablen und Kommandozeilenargumente per Mustererkennung. Es kategorisiert Funde in 'Declared' (explizit konfiguriert), 'Inferred' (automatisch abgeleitet) und 'Unresolved' (Prüfbedarf), ohne dass Entwickler ihre Pod-Spezifikationen anpassen müssen.