Forveksl ikke disse

Applikationssikkerhed

• Cross-site request forgery (CSRF) vs. Cross-site scripting (XSS)

  XSS kører angriberens script inde på det betroede site; CSRF kører intet dér og låner kun brugerens login til at sende én forespørgsel udefra.

• Cross-site scripting (XSS) vs. SQL injection

  Begge misbruger input, som sitet stoler for meget på, men SQL injection angriber databasen på serveren, mens XSS angriber den besøgendes browser.

Beredskab og hændelser

• Business continuity plan (BCP) vs. Disaster recovery plan (DRP)

  BCP holder forretningen kørende under krisen; DRP får teknikken tilbage bagefter.

• Hændelsesrapportering vs. Lessons learned

  Rapportering sender fakta videre hurtigt under hændelsen; lessons learned ser tilbage bagefter for at forbedre.

• Krisestyring vs. Hændelseshåndtering

  Hændelseshåndtering er det tekniske arbejde med at stoppe og udbedre et angreb; krisestyring er ledelsens styring af forretningen omkring det.

Compliance, styring og lovgivning

• Audit vs. Gap-analyse

  En gap-analyse finder, hvad der mangler, før man går i gang; en audit kontrollerer, om det, man siger, man gør, faktisk bliver gjort.

• Audit vs. Selvevaluering
• Center for Cybersikkerhed (CFCS) vs. Tilsynsmyndighed

  CFCS beskæftigede sig med cybertrusler mod danske virksomheder og samfundet; Datatilsynet fører tilsyn med behandling af personoplysninger efter GDPR - de forveksles let, når et brud skal anmeldes.

• CER-direktivet vs. NIS2-direktivet

  Vedtaget samme dag som tvillinger - NIS2 beskytter net- og informationssystemer, CER beskytter kritiske enheders fysiske evne til at holde driften i gang. Enheder udpeget efter CER regnes som væsentlige efter NIS2.

• Compliance- og risikokoordinator vs. Informationssikkerhedskoordinator

  Compliance- og risikokoordinatoren tjekker mod regler og risici; sikkerhedskoordinatoren driver hele sikkerhedsarbejdet i hverdagen.

• Cyberrobusthedsforordningen (CRA) vs. NIS2-direktivet

  NIS2 stiller krav til de organisationer, der driver vitale tjenester; CRA stiller krav til de produkter og den software, som de - og alle andre - køber.

• D-mærket vs. ISO 27001

  D-mærket er en let dansk mærkning, der også dækker dataetik; ISO 27001 er en tungere international certificering af et sikkerhedssystem.

• Dataetik vs. GDPR

  GDPR fastlægger, hvad man skal gøre med personoplysninger; dataetik spørger, hvad man bør gøre, også med data, loven ikke dækker.

• Dataansvarlig vs. Databehandler

  Den dataansvarlige bestemmer, hvorfor og hvordan oplysningerne bruges; databehandleren håndterer dem kun efter den dataansvarliges skriftlige anvisninger.

• DORA-forordningen vs. NIS2-direktivet

  NIS2 dækker mange sektorer; DORA er det skrappere og mere detaljerede regelsæt for finanssektoren, og hvor begge gælder for en finansiel virksomhed, går DORA forud.

• EU-direktiv vs. EU-forordning

  Et direktiv skal først gøres til national lov; en forordning gælder direkte og ens i alle medlemslande.

• GDPR vs. NIS2-direktivet

  GDPR beskytter menneskers personoplysninger; NIS2 beskytter de tjenester, samfundet er afhængigt af.

• ISO 27000-serien vs. NIST Cybersecurity Framework (CSF)

  ISO-serien er et sæt standarder, man kan certificeres efter; NIST-rammeværket er en gratis, frivillig vejledning uden certificering.

• ISO 27001 vs. NIS2-direktivet

  NIS2 er en lov, man skal overholde; ISO 27001 er en frivillig standard, man kan bruge til at opfylde den.

• ISO 27001 vs. NIST Cybersecurity Framework (CSF)

  ISO 27001 er et ledelsessystem, man kan opnå certificering efter; NIST CSF er et gratis, frivilligt rammeværk af mål uden certifikat.

Detektion og respons

• Anomalidetektion vs. Detektionsregel

  En detektionsregel leder efter et angreb, nogen allerede har beskrevet; anomalidetektion leder efter alt, der bryder det sædvanlige mønster.

• Kompromitteringsindikator (IoC) vs. MITRE ATT&CK

  Et spor er en enkelt ting, en angriber har efterladt og let kan skifte; MITRE ATT&CK beskriver, hvordan angribere opfører sig, hvilket er meget sværere for dem at ændre.

• Triage af alarmer vs. Trusselsjagt (threat hunting)

  Triage reagerer på alarmer, værktøjerne allerede har rejst; trusselsjagt starter fra et gæt og leder efter det, der ikke gav alarm.

Grundbegreber

• Compliance vs. Cyber- og informationssikkerhed

  At være compliant betyder at opfylde et sæt regler; at være sikker betyder rent faktisk at være beskyttet. Det ene garanterer ikke det andet.

• Credential stuffing vs. Sessionskapring

  Credential stuffing kommer ind ad hoveddøren med en genbrugt adgangskode; sessionskapring springer login over og overtager en, der allerede er logget ind.

• Fortrolighed vs. Integritet

  Fortrolighed handler om, hvem der kan se informationen; integritet handler om, hvorvidt den er blevet ændret.

• Integritet vs. Uafviselighed (non-repudiation)
• Kontrol (foranstaltning) vs. Sikkerhedspolitik

  En politik siger, hvad der skal opnås; en kontrol er det konkrete tiltag, der opnår det.

• Lagdelt sikkerhed (defence in depth) vs. Perimetersikkerhed
• Risiko vs. Trussel

  En trussel er det, der kan ske; risiko vejer også, hvor sandsynligt det er, og hvor ondt det vil gøre.

• Sikkerhedshændelse vs. Trussel

  En trussel er noget, der kan forårsage skade; en hændelse er skade, der faktisk sker eller er sket.

• Tilgængelighed vs. Fortrolighed

  Flere låse beskytter fortroligheden, men kan gøre information sværere at nå; de to skal balanceres.

Kontroller og tekniske grundbegreber

• Indtrængningsdetektion (IDS) vs. Indtrængningsforebyggelse (IPS)

  En IDS ser kun på og advarer; en IPS sidder i trafikkens vej og blokerer det, den vurderer som skadeligt.

• Menneskelig foranstaltning (kontrol) vs. Teknisk kontrol
• Organisatorisk kontrol vs. Menneskelig foranstaltning (kontrol)
• Organisatorisk kontrol vs. Teknisk kontrol
• Penetrationstest vs. Sårbarhedsscanning

  En scanning finder og nævner automatisk kendte svagheder; en pentest lader mennesker faktisk udnytte og kombinere dem for at bevise den reelle konsekvens.

• Penetrationstest vs. Sårbarhedsvurdering

  En vurdering prioriterer svagheder på papiret; en pentest beviser ved at prøve, hvilke der reelt kan udnyttes.

Mennesker, kultur og awareness

• Awareness vs. Sikkerhedskultur

  Awareness er, hvad den enkelte ved og gør; kultur er gruppens fælles vaner og holdninger.

• Phishing vs. Pretexting
• Pretexting vs. Spear phishing

  Begge rammer én udvalgt person, men spear phishing bygger på én velformet besked, mens pretexting bygger på at spille en rolle, der kan vare over mange henvendelser.

• Smishing (sms-svindel) vs. Vishing (telefonsvindel)

  Smishing sender en skrevet besked og venter på et klik; vishing bruger en levende stemme til at presse offeret i øjeblikket.

Risikostyring

• Kvalitativ risikoanalyse vs. Kvantitativ risikoanalyse

  Den kvalitative metode bruger skalaer og skøn; den kvantitative sætter kroner og sandsynligheder på hver risiko.

• Residual risiko vs. Risikoappetit

  Residual risiko er det, der faktisk er tilbage; risikoappetit er, hvor meget ledelsen er villig til at lade blive tilbage. Den første måles op mod den anden.

• Risikoaccept vs. Risikoundgåelse

  Accept beholder aktiviteten og dens risiko; undgåelse stopper aktiviteten, så risikoen forsvinder.

• Risikoappetit vs. Risikoprofil
• Risikoreduktion vs. Risikooverførsel

  Reduktion sænker selve risikoen; overførsel lader risikoen være uændret, men flytter regningen til en anden part.

• Risikoundgåelse vs. Risikoreduktion

  Undgåelse stopper aktiviteten; reduktion beholder den og tilføjer kontroller for at gøre den sikrere.

På tværs af klynger

• Angrebsflade vs. Trusselsbillede

  Angrebsfladen er ens egne veje ind; trusselsbilledet er, hvem og hvad der derude forsøger at bruge dem.

• Certificering vs. Compliance

  Compliance betyder at følge reglerne; certificering er et eksternt organs formelle erklæring om, at en standard er opfyldt på et bestemt tidspunkt.

• Falsk positiv vs. Sikkerhedshændelse

  En sikkerhedshændelse er reel skade eller en reel trussel; en falsk positiv lignede kun en, indtil nogen tjekkede.

• IT-drift vs. Security operations center (SOC)

  IT-driften holder systemerne kørende; et SOC holder øje med de samme systemer for angreb.

• Menneskelig foranstaltning (kontrol) vs. Fysisk sikkerhed
• Nudging vs. Sikkerhedspolitik

  En politik fastsætter regler, der skal følges; et nudge styrer adfærd uden regler eller sanktioner.

• Organisatorisk kontrol vs. Fysisk sikkerhed
• Overbelastningsangreb (DoS/DDoS) vs. Ransomware

  Begge gør systemer ubrugelige, men en oversvømmelse blokerer udefra, mens ransomware låser data indefra.

• Perimetersikkerhed vs. Zero Trust

  Perimetersikkerhed stoler på alt inden for netværket; Zero Trust stoler ikke på noget alene på grund af placering og kontrollerer hver forespørgsel.

• Privacy by design vs. Security by design

  Security by design beskytter alle systemer og data; privacy by design er GDPR-princippet med fokus på menneskers personoplysninger og at indsamle mindre.

• Rammeværk vs. Sikkerhedspolitik

  Et rammeværk er en fælles struktur udefra; en politik er organisationens eget dokument om dens mål og regler.

Identitet og adgang

• Autentificering vs. Autorisation

  Autentificering spørger, hvem du er; autorisation spørger, hvad du må. At bestå den første giver ikke automatisk den anden.

• Brugerkonto vs. Digital identitet

  En identitet er, hvem nogen er; en konto er ét login, vedkommende har i ét system. Én identitet kan have mange konti.

Kryptografi

• Asymmetrisk kryptografi (public key) vs. Symmetrisk kryptering

  Symmetrisk kryptering bruger én fælles nøgle til både at låse og låse op; asymmetrisk kryptografi bruger et nøglepar, så ingen hemmelighed skal deles først.

Netværk

• Klient vs. Server

  Klienten spørger og starter udvekslingen; serveren venter og svarer. Den samme maskine kan spille begge roller.

• TLS vs. VPN

  TLS beskytter ét programs forbindelse til én tjeneste; en VPN pakker al en enheds trafik ind i én beskyttet tunnel.

På tværs af klynger

• Database vs. Filsystem

  Et filsystem gemmer hele filer under et navn; en database gemmer poster, den forstår, så den kan søge i dem og holde mange samtidige ændringer i trit.

• End-to-end-kryptering vs. TLS

  TLS beskytter kun data på hver strækning, og serveren læser dem undervejs; end-to-end-kryptering holder dem lukkede hele vejen fra afsender til modtager.

• Kryptering vs. Hashing

  Kryptering kan vendes om af den, der har nøglen; hashing er envejs og kan aldrig give de oprindelige data tilbage.

• Kryptografisk nøgle vs. Adgangskode

  En adgangskode vælges og huskes af et menneske; en nøgle er en lang tilfældig værdi, der skabes og gemmes af en maskine.

Agenter og værktøjer

• Agent2Agent-protokol (A2A) vs. Model Context Protocol (MCP)

  MCP forbinder én agent med dens værktøjer og data; A2A forbinder hele agenter med andre agenter som ligemænd, der kan tænke og arbejde i lang tid.

AI-assisteret kodning

• AI-kodeassistent vs. Kodeagent

  En assistent svarer og foreslår, mens udvikleren styrer; en kodeagent får en opgave og udfører selv mange trin, kører kommandoer og retter filer.

• AI-parprogrammering vs. Vibe coding

  Begge overlader skrivningen til AI, men ved parprogrammering læser og forstår udvikleren hver ændring, mens vibe coding bevidst springer den læsning over.

• Kodefuldførelse (code completion) vs. Kodeagent

  Fuldførelse tilbyder nogle få linjer netop dér, hvor der skrives; en kodeagent planlægger og ændrer mange filer mod et mål.

• Specifikationsdrevet udvikling vs. Vibe coding

  Ved vibe coding bestemmer koden, hvad der bygges, og læsningen springes over; her bliver mennesker først enige om, hvad der skal bygges, og tjekker resultatet op imod det.

AI-hardware og drift

• Latens vs. Gennemløb (throughput)

  Latens er, hvor længe én forespørgsel venter; gennemløb er, hvor meget arbejde der i alt klares pr. sekund. At samle forespørgsler i grupper hæver ofte gennemløbet, men får hver enkelt til at vente længere.

AI-risiko og governance

• Adversarielt eksempel vs. Dataforgiftning (data poisoning)

  Et adversarielt eksempel narrer en færdig model, mens den bruges; dataforgiftning ødelægger modellen, mens den lærer.

• AI-alignment vs. Guardrails (sikkerhedsværn)

  Alignment former, hvad modellen selv er tilbøjelig til at gøre; guardrails er separate kontroller rundt om den, der fanger det, alignment overser.

• Dataforgiftning (data poisoning) vs. Prompt injection

  Forgiftning ødelægger modellen, mens den lærer; prompt injection vildleder en færdig model, mens den bruges.

• Jailbreak vs. Prompt injection

  I et jailbreak angriber brugeren selv modellens sikkerhedsregler; ved prompt injection gemmer en udenforstående instruktioner i indhold, modellen læser, og vender den mod brugeren eller ejeren.

Evaluering og målinger

• Benchmark vs. LLM som dommer (LLM-as-a-judge)

  Et benchmark tjekker svar mod faste rigtige svar; en LLM-dommer bedømmer åbne svar, hvor der ikke findes ét rigtigt.

• Nøjagtighed (accuracy) vs. F1-score

  Nøjagtighed tæller alle rigtige svar ens og skjuler derfor en sjælden klasse, der altid overses; F1-score ser kun på den klasse og afslører problemet.

• Præcision (precision) vs. Genkaldelse (recall)

  Præcision spørger, hvor mange af de markerede tilfælde der var rigtige; genkaldelse spørger, hvor mange af de ægte tilfælde der blev fundet. Hæver man den ene, falder den anden som regel.

• Testsæt vs. Valideringssæt

  Valideringssættet tjekkes mange gange for at styre valg under opbygningen; testsættet åbnes én gang, når alle valg er truffet.

Genfinding og søgning

• Nøgleordssøgning vs. Semantisk søgning

  Nøgleordssøgning kræver, at de samme ord optræder; semantisk søgning matcher på betydning, så hver fanger resultater, den anden overser.

Grundlæggende maskinlæring

• Deep learning vs. Feature engineering

  Deep learning finder selv brugbare input i rådata; ved feature engineering bygger mennesker de input i hånden.

• Forstærkningslæring (reinforcement learning) vs. Superviseret læring

  Superviseret læring får vist det rigtige svar for hvert eksempel; forstærkningslæring får kun bagefter at vide, hvor godt dens valg gik.

• Forstærkningslæring (reinforcement learning) vs. Ikke-superviseret læring
• Inferens vs. Modeltræning

  Træning er den langsomme engangsfase, hvor modellen lærer; inferens er al senere brug, hvor den kun anvender det lærte.

• Klassifikation vs. Regression

  Klassifikation vælger én gruppe fra en fast liste; regression giver et tal på en skala, fx en pris eller en tid.

• Klassifikation vs. Klyngeanalyse (clustering)

  Klassifikation sorterer i grupper, som mennesker har navngivet på forhånd og vist eksempler på; klyngeanalyse finder selv grupper uden givne navne.

• Klassifikation vs. Generativ AI

  Klassifikation afgør kun, hvilken gruppe et input hører til; generativ AI skaber ny tekst, nye billeder eller ny lyd.

• Kunstig intelligens (AI) vs. Maskinlæring

  AI er hele målet om at få computere til at handle klogt; maskinlæring er én vej dertil, hvor systemet lærer af eksempler i stedet for skrevne regler.

• Lineær regression vs. Logistisk regression

  Lineær regression forudsiger et tal som en pris; logistisk regression forudsiger trods navnet, hvilken gruppe noget hører til.

• Selvsuperviseret læring vs. Superviseret læring

  Begge lærer af rigtige svar, men i superviseret læring skriver mennesker svarene; her klippes de ud af selve dataene.

• Selvsuperviseret læring vs. Ikke-superviseret læring

  Ingen af dem kræver menneskelige mærkater, men ikke-superviseret læring leder kun efter grupper og mønstre, mens selvsuperviseret læring giver sig selv udfyld-hullet-opgaver med et rigtigt svar.

• Superviseret læring vs. Ikke-superviseret læring

  Superviseret læring får de rigtige svar at lære af; ikke-superviseret læring får ingen svar og må selv finde grupper eller afvigelser.

Modelarkitekturer

• Decoder vs. Encoder

  En encoder læser hele inputtet i begge retninger for at forstå det; en decoder kigger kun tilbage og skriver nye tokens ét efter ét.

Prompting og generering

• Context engineering vs. Prompt engineering

  Prompt engineering finpudser ordlyden af én forespørgsel; context engineering styrer alt, der lægges frem over mange trin, og meget af det samles automatisk.

• Few-shot prompting vs. Zero-shot prompting

  Few-shot viser modellen løste eksempler først; zero-shot giver kun instruktionen.

Sprogmodeller

• Kontekstvindue vs. Vidensgrænse (knowledge cutoff)

  Kontekstvinduet er, hvad modellen kan læse lige nu; vidensgrænsen er, hvor dens indbyggede viden stopper - nye fakta kan kun komme ind gennem vinduet.

Træning og optimering

• Hyperparameter vs. Modelparameter

  En hyperparameter sættes af mennesker før træningen; en modelparameter læres af modellen under træningen.

• Instruktionstilpasning (instruction tuning) vs. Fortræning (pretraining)

  Fortræning giver bred viden fra rå tekst; instruktionstilpasning lærer bagefter modellen at handle på forespørgsler.

På tværs af klynger

• Agenthukommelse vs. Kontekstvindue

  Kontekstvinduet er det, modellen ser lige nu, og forsvinder, når samtalen slutter; agenthukommelse gemmes udenfor og overlever, så den kan læses ind igen.

• Agentisk arbejdsgang vs. AI-agent

  I en arbejdsgang bestemmer udviklerens kode rækkefølgen af trin; i en AI-agent bestemmer modellen selv undervejs.

• Angreb på AI-forsyningskæden vs. Slopsquatting

  Begge misbruger tillid til downloads, men slopsquatting planter kodepakker under navne, en AI finder på, mens et angreb på AI-forsyningskæden manipulerer AI'ens egne dele.

• Bias i AI vs. Hallucination

  Bias er en fast skævhed i resultaterne for bestemte grupper; en hallucination er et selvsikkert svar, der simpelthen er fundet på.

• Dataskred (data drift) vs. Overtilpasning (overfitting)

  Begge viser sig ved, at en model klarer sig dårligere i brug end i test, men overtilpasning er en fejl fra træningen, mens dataskred skyldes, at verden ændrer sig bagefter.

• Diffusionsmodel vs. Stor sprogmodel (LLM)

  En diffusionsmodel former hele outputtet på én gang over mange rensningstrin; en stor sprogmodel skriver ét token efter det andet.

• Embedding-model vs. Stor sprogmodel (LLM)

  Begge læser tekst, men en embedding-model returnerer én liste af tal, mens en stor sprogmodel skriver ny tekst.

• Feature (inputvariabel) vs. Modelparameter

  Features er de værdier, et eksempel bringer med til modellen; modelparametre er de værdier, modellen lærer og beholder fra træningen.

• Foldningsnetværk (CNN) vs. Transformer

  Et CNN ser kun på små nærliggende felter ad gangen og bygger op; en transformer lader hver del af inputtet se på alle andre dele fra starten.

• Grundmodel (foundation model) vs. AI-model til almen brug (GPAI)

  En grundmodel er forskningens navn for idéen; en AI-model til almen brug er den juridiske kategori i EU's AI-forordning med egne kriterier og pligter.

• Instruktionsfil til agenter vs. Systemprompt

  Begge er faste ordrer, men systemprompten sættes af dem, der bygger AI-værktøjet, mens denne fil skrives af projektteamet og følger med koden.

• Kontekstvindue vs. Træningsdata

  Tekst i kontekstvinduet læses kun til det aktuelle svar; træningsdata formede modellen på forhånd. En leverandør kan dog gemme samtaler og senere genbruge dem som træningsdata.

• Kunstig intelligens (AI) vs. Stor sprogmodel (LLM)

  Mange siger i dag "AI" og mener en chatassistent, men en stor sprogmodel er kun én slags AI blandt mange.

• Modelevaluering (evals) vs. Modeltræning

  Træning ændrer modellen, så den passer til sine eksempler; evaluering måler kun den færdige model og må ikke ukontrolleret føres tilbage i den.

• Overtilpasning (overfitting) vs. Undertilpasning (underfitting)

  Overtilpasning lærer eksemplerne for tæt og fejler på nye tilfælde; undertilpasning har ikke lært nok til at klare sig godt selv på de eksempler, den har set.

• Prompt injection vs. Systemprompt

  Begge er instruktioner til modellen, men systemprompten kommer fra den, der har bygget appen, mens prompt injection smugler en angribers ordrer ind, der forsøger at tilsidesætte den.

• Stor sprogmodel (LLM) vs. Lille sprogmodel (SLM)

  Begge virker på samme måde, men en lille sprogmodel har langt færre parametre, så den er billigere og hurtigere, men ved mindre.

• Testsæt vs. Træningsdata

  Træningsdata er det, modellen lærer af; testsættet holdes strengt adskilt, så det kan måle modellen retfærdigt.

• Træningsdata vs. Valideringssæt

  Træningsdata er det, modellen lærer af; valideringssættet holdes uden for og bruges kun til at tjekke, vælge indstillinger og beslutte, hvornår der skal stoppes.

• Vidensdestillation (distillation) vs. Overførselslæring (transfer learning)

  Transfer learning genbruger den samme model til en ny opgave; destillation flytter evnen over i en anden, mindre model.

Cloud

• Infrastructure as a service (IaaS) vs. Platform as a service (PaaS)

  Med IaaS passer du selv styresystemet; med PaaS gør udbyderen det, og du leverer kun dit program og dine data.

• Infrastructure as a service (IaaS) vs. Software as a service (SaaS)

  IaaS giver dig rå maskiner at bygge på; SaaS giver dig et færdigt program at bruge.

• Platform as a service (PaaS) vs. Software as a service (SaaS)

  Med PaaS kører du dit eget program på udbyderens platform; med SaaS bruger du kun udbyderens færdige program.

Observerbarhed

• Distribueret sporing (tracing) vs. Metrikker
• Overvågning (monitoring) vs. Observerbarhed

  Overvågning besvarer spørgsmål, man har valgt på forhånd; observerbarhed lader en stille nye spørgsmål om problemer, man ikke forventede.

• Serviceniveauaftale (SLA) vs. Serviceniveaumål (SLO)

  En SLA er et kontraktligt løfte til kunder med en pris for at bryde det; en SLO er det strengere interne mål, der sikrer, at løftet holdes.

På tværs af klynger

• Container vs. Virtuel maskine

  En virtuel maskine har sit eget fulde styresystem; en container deler værtens kerne, hvilket gør den lettere, men mindre stærkt adskilt.

• Adgangskontrol vs. Adgangsstyring

  Adgangskontrol er mekanismen, der tillader eller afviser hver anmodning; adgangsstyring er den løbende proces med at tildele, gennemgå og fjerne adgangen.

• AI red teaming vs. Penetrationstest

  En pentest leder efter veje ind til systemer og data; AI red teaming jagter også skadelige, falske eller regelbrydende svar fra selve modellen.

• Audit-logning vs. Audit

  Audit-logning er systemets egen registrering af handlinger; en audit er en uafhængig gennemgang af, om kontrollerne virker - og den læser ofte netop de registreringer.

• Distribueret sporing (tracing) vs. Log
• Engangskode (OTP) vs. Passkey

  En engangskode kan ved en fejl tastes ind på en falsk side; en passkey svarer kun det rigtige site.

• EU's AI-forordning vs. GDPR

  GDPR beskytter personoplysninger, uanset hvor de bruges; AI-forordningen regulerer AI-systemer som produkter, uanset om de rører personoplysninger. Ofte gælder begge på én gang.

• Firewall vs. Indtrængningsforebyggelse (IPS)

  En firewall afgør ud fra faste regler, hvor trafik må gå hen; en IPS kigger ind i tilladt trafik efter tegn på angreb.

• Firewall vs. Human firewall
• Genopretningsmål (RTO/RPO) vs. Serviceniveaumål (SLO)
• Klassifikation vs. Dataklassifikation

  Samme ord, forskelligt arbejde - dataklassifikation er, at mennesker mærker filer efter, hvor fortrolige de er, ikke at en maskine sorterer input.

• Overdreven handlefrihed (excessive agency) vs. Rettighedseskalering (privilege escalation)

  Ved rettighedseskalering tilegner en angriber sig rettigheder, der aldrig blev givet; ved overdreven handlefrihed blev rettighederne givet fra starten.

• Prompt injection vs. Social engineering

  Begge narrer et mål til at adlyde en falsk autoritet, men her er målet modellen og ikke et menneske.

• Prompt injection vs. SQL injection

  Begge smugler kommandoer ind via input, men SQL injection rammer en database, mens prompt injection rammer en sprogmodel.

• VPN vs. Zero Trust

  En VPN stoler på den, der kommer ind på netværket; Zero Trust tjekker hver anmodning, uanset hvor den kommer fra.