🔓 LLM Security Lab

Praktische Sicherheitsforschung an Large Language Models (LLMs)

Dieses Repository dokumentiert meine praktischen Experimente und Erkenntnisse im Bereich KI-Sicherheit. Alle Tests werden lokal mit Open-Source-Modellen durchgeführt – verantwortungsvoll und zu Lernzwecken.

🎯 Ziel

Verstehen, wie LLMs angegriffen werden können, um sie besser absichern zu können. Grundlage ist die OWASP Top 10 for LLM Applications.

🛠️ Lab-Setup

Komponente	Details
Plattform	Windows + Ollama
Modell	DeepSeek (lokal)
Zweck	Offensive LLM Security Testing

📁 Struktur

LLM-Security-Lab/
├── README.md
├── findings/
│   ├── 001-system-prompt-leakage.md
│   ├── 002-creative-bypass-gedicht.md
│   └── 003-cross-lingual-injection.md
├── owasp-llm-top10/
│   └── uebersicht.md
├── tools/
│   └── nuetzliche-tools.md
└── ressourcen/
    └── lernmaterial.md

📋 Findings

Nr.	Titel	OWASP Kategorie	Schweregrad
001	System Prompt Leakage via Zusammenfassung	LLM07 - System Prompt Leakage	Hoch
002	Kreative Umgehung via Gedicht	LLM07 - System Prompt Leakage	Hoch
003	Cross-Lingual Prompt Injection (Französisch)	LLM01 - Prompt Injection	Kritisch

🔬 OWASP Top 10 for LLM Applications

Übersicht und eigene Notizen: owasp-llm-top10/uebersicht.md

🧰 Tools

Nützliche Tools für LLM Security Testing: tools/nuetzliche-tools.md

📚 Ressourcen

Lernmaterial und weiterführende Links: ressourcen/lernmaterial.md

⚠️ Disclaimer

Alle Experimente werden lokal und verantwortungsvoll durchgeführt. Dieses Repository dient ausschließlich Bildungs- und Forschungszwecken. Die dokumentierten Techniken sollen helfen, KI-Systeme sicherer zu machen – nicht sie zu missbrauchen.

👤 Über mich

Angehender Fachinformatiker Systemintegration mit Fokus auf Cloud Security und KI-Sicherheit. Aktuell in Umschulung (2026-2028) mit dem Ziel, als Cloud Security Engineer / AI Security Engineer zu arbeiten.

---

Dieses Repository wird fortlaufend mit neuen Findings und Experimenten aktualisiert.