模型上下文协议 (MCP) 采用**零信任安全模型**，以确保服务之间安全通信和数据处理。零信任原则是任何实体（无论是在网络内部还是外部）都不应被自动信任。相反，每个请求、用户或服务必须在授予访问权限之前进行验证。 MCP 通过要求对每次交互进行身份验证和授权来强制执行此原则，即使在共享同一网络的组件之间也是如此。例如，当客户端向 MCP 管理的服务发送请求时，协议会验证客户端的身份，检查权限，并确保请求符合预定义的策略。这种方法最大限度地降低了攻击者横向移动的风险，并减少了对基于边界防御的依赖，而基于边界防御在分布式系统中效果较差。
MCP 通过几种具体机制实现零信任。首先，它使用**相互 TLS (mTLS)** 进行服务之间的加密通信，确保双方在交换数据之前相互验证。这可以防止中间人攻击并保证数据完整性。其次，MCP 集成了细粒度的**基于角色的访问控制 (RBAC)**，允许管理员精确地定义哪些用户或服务可以访问特定资源。例如，模型推理服务可能被授予对模型注册表的只读访问权限，但被阻止修改训练数据集。第三，MCP 支持短期的、动态生成的凭据（例如，JWT 令牌）而不是静态 API 密钥，从而减少了凭据泄漏的影响。这些令牌会实时验证，并与特定操作相关联，例如查询模型的元数据或触发重新训练作业。总而言之，这些层确保信任永远不会被假设，即使在严格控制的环境中也是如此。
除了身份验证和加密之外，MCP 还通过**上下文感知策略执行**来增加安全性。例如，访问决策可以考虑动态变量，例如用户的位置、请求的时间或正在访问的数据的敏感性。请求模型预测的开发人员可能会在工作时间内被授予访问权限，但在预定义的窗口之外被阻止。同样，MCP 可以记录和审计所有交互，为合规性提供可追溯性。这在医疗保健等受监管的行业中尤其重要，因为模型输入可能包含患者数据。通过将零信任原则与上下文检查相结合，MCP 确保安全性适应现代机器学习工作流程的复杂性，在这些工作流程中，模型、数据和用户通常跨越多个环境（例如，云、本地、边缘设备）。这种方法平衡了严格的安全性与支持迭代开发和部署所需的灵活性。