آموزش جامع و عملی OWASP Top 10 برای مدل‌های زبانی بزرگ (LLMs) - آخرین آپدیت

دانلود OWASP Top 10 for LLMs: Complete Hands-On Labs

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: حمله و دفاع از یک اپلیکیشن واقعی چت LLM به همراه RAG در برابر ۱۰ ریسک برتر OWASP برای LLMها - به صورت کاملاً عملی، محلی و با استفاده از Ollama رایگان. شناسایی هر ۱۰ دسته‌بندی OWASP Top 10 برای اپلیکیشن‌های LLM (نسخه ۲۰۲۵) در سیستم‌های واقعی چت و RAG. بهره‌برداری و سپس دفاع از یک اپلیکیشن LLM محلی - اجرای هر حمله در حالت آسیب‌پذیر و سپس مشاهده نحوه مسدود شدن آن توسط سیستم‌های دفاعی. پیکربندی هفت لایه دفاعی ترکیبی: فیلتر پرامپت، اعتبارسنجی ورودی، پاک‌سازی خروجی، محدودکننده نرخ (Rate Limiter)، ایزوله‌ساز کانتکست، گارد ابزارها و اعتبارسنج RAG. نوشتن مدل تهدید و برنامه دفاع در عمق (Defense-in-Depth) برای هر محصول یا قابلیت جدید مبتنی بر LLM. پیش‌نیازها: تسلط به خط فرمان (Command Line) و مفاهیم پایه JavaScript/TypeScript - شما ماژول‌های کد کوچک را مطالعه و ویرایش خواهید کرد. یک لپ‌تاپ با ۸ گیگابایت رم یا بیشتر که بتواند مدل محلی را با Ollama (رایگان) اجرا کند - بدون نیاز به حساب ابری یا API Key. آشنایی با وب‌اپلیکیشن‌ها و مفاهیم پایه LLM/Chatbot مفید است اما الزامی نیست.

این دوره شامل استفاده از هوش مصنوعی است.

مدل‌های زبانی بزرگ یک فرض بنیادی در امنیت اپلیکیشن‌ها را شکستند: دیگر جداسازی پاکی بین داده‌ها و دستورالعمل‌ها وجود ندارد. این دوره OWASP Top 10 برای اپلیکیشن‌های LLM (۲۰۲۵) را به تنها روشی که واقعاً یاد می‌گیرید آموزش می‌دهد - با بهره‌برداری از هر نقطه ضعف در یک اپلیکیشن واقعی و سپس دفاع در برابر آن.


شما یک آزمایشگاه محلی و متن‌باز را اجرا خواهید کرد: یک دستیار چت Next.js متصل به خط لوله تولید تقویت‌شده با بازیابی (RAG) که کاملاً توسط Ollama روی دستگاه خودتان اجرا می‌شود. بدون حساب ابری، بدون API Key و بدون هزینه. هر سناریو دو بار اجرا می‌شود - یک بار در حالت آسیب‌پذیر که حمله موفق می‌شود، و یک بار در حالت دفاع‌شده که زنجیره‌ای از دفاع‌های واقعی آن را متوقف می‌کند. شما خواهید دید که چگونه یک پرامپت در یک حالت منجر به نشت داده می‌شود و در حالت دیگر رد می‌شود، و سپس کد منبع دفاعی که این تفاوت را ایجاد کرده است مطالعه می‌کنید.


در دوازده بخش، تمام ده دسته را پوشش خواهید داد: تزریق پرامپت (Prompt Injection)، افشای اطلاعات حساس، زنجیره تامین، مسمومیت داده و مدل، مدیریت نادرست خروجی، دسترسی بیش از حد (Excessive Agency)، نشت پرامپت سیستم، نقاط ضعف وکتور و Embedding، اطلاعات نادرست و اتکای بیش از حد، و مصرف نامحدود (Denial of Wallet). شما هفت دفاع ترکیبی را پیکربندی و بررسی می‌کنید و یاد می‌گیرید دقیقاً هر کدام کدام حملات را متوقف می‌کنند و چرا اکتشافات ساده (Heuristics) هرگز کافی نیستند.


این دوره یک شرکت فرضی به نام NovaBridge را در قالب یک داستان مستمر مبتنی بر حوادث دنبال می‌کند تا تهدیدات در یک محیط سازمانی واقع‌بینانه قرار گیرند. هر بخش با یک تمرین عملی به پایان می‌رسد و دوره با یک پروژه نهایی (Capstone) بسته می‌شود که در آن برای یک محصول کاملاً جدید، مدل تهدید طراحی کرده و آن را در برابر هر ۱۰ دسته مقاوم می‌کنید.


در پایان، شما قادر خواهید بود هر ریسک OWASP LLM را در سیستم‌های واقعی شناسایی کنید و یک برنامه دفاع در عمق برای هر محصول مبتنی بر LLM که می‌سازید، بنویسید.


سرفصل ها و درس ها

خوش‌آمدگویی و راه‌اندازی Welcome & Setup

  • خوش‌آمدگویی و آنچه خواهید ساخت Welcome and What You'll Build

  • نگاهی کلی به OWASP Top Ten برای LLMها OWASP Top Ten for LLMs at a Glance

  • راه‌اندازی Ollama و پلتفرم آزمایشگاه Setting Up Ollama and the Lab Platform

  • دمو: راه‌اندازی Ollama و پلتفرم آزمایشگاه Demo: Setting Up Ollama and the Lab Platform

  • گشتی در کنسول امنیتی A Tour of the Security Console

  • نصب آزمایشگاه روی ویندوز، مک و لینوکس Installing the Lab on Windows, macOS, and Linux

  • راهنمای گام‌به‌گام نصب: اجرای دستورات Install Walkthrough: Run the Commands

  • دمو: گشتی در کنسول امنیتی DEMO: A Tour Of The Security Console

  • برپایی محلی پلتفرم آزمایشگاه Stand Up the Lab Platform Locally

LLM01: تزریق پرامپت (Prompt Injection) LLM01: Prompt Injection

  • تزریق پرامپت واقعاً چیست؟ What Is Prompt Injection, Really?

  • دموهای زنده: تزریق مستقیم، نقش‌آفرینی و Zero Width Smuggle Live Demos: Direct, Role-Play, and Zero-Width Smuggle

  • دمو: تزریق مستقیم، نقش‌آفرینی و Zero Width Smuggle Demo: Live Demos - Direct, Role-Play, and Zero-Width Smuggle

  • دفاع‌های لایه‌ای: فیلتر، اعتبارسنج و پاک‌ساز Layered Defenses: Filter, Validator, Sanitizer

  • دمو: دفاع‌های لایه‌ای: فیلتر، اعتبارسنج و پاک‌ساز Demo: Layered Defenses - Filter, Validator, Sanitizer

  • راهنمای آزمایشگاه: ساخت یک بای‌پس و سپس اصلاح آن Lab Walkthrough: Build a Bypass, Then a Fix

  • دمو: ساخت یک بای‌پس و سپس اصلاح آن Demo: Lab Walkthrough - Build a Bypass, Then a Fix

  • تست دانش: تزریق پرامپت (LLM01) Knowledge Check: Prompt Injection (LLM01)

  • کشف یک روش جدید برای دور زدن تزریق پرامپت و دفاع در برابر آن Discover a Novel Prompt-Injection Bypass and Defend It

LLM02: افشای اطلاعات حساس LLM02: Sensitive Information Disclosure

  • مدل‌های زبانی چگونه داده‌ها را نشت می‌دهند How LLMs Leak Data

  • سناریوی بهداشت و درمان: چهار حمله Healthcare Scenario: Four Attacks

  • دمو: سناریوی بهداشت و درمان: چهار حمله Demo: Healthcare Scenario - Four Attacks

  • پاک‌سازی خروجی و حذف اسرار از پرامپت‌ها Output Redaction and 'Secrets Out of Prompts'

  • آزمایشگاه: بازنویسی دستیار مالی Lab: Refactor the Finance Assistant

  • دمو: بازنویسی دستیار مالی Demo: Lab - Refactor the Finance Assistant

  • پیاده‌سازی پاک‌سازی خروجی بر اساس نقش کاربر Implement Role-Aware Output Redaction

LLM03: زنجیره تأمین (Supply Chain) LLM03: Supply Chain

  • زنجیره تأمین در اپلیکیشن‌های LLM Supply Chain in LLM Apps

  • وابستگی‌های توهمی و دستورالعمل‌های آلوده Hallucinated Dependencies and Tainted Playbooks

  • دمو: وابستگی‌های توهمی و دستورالعمل‌های آلوده Demo: Hallucinated Dependencies and Tainted Playbooks

  • حسابرسی منشأ (بدون اکسپلویت) Provenance Audit (No Exploit)

  • دمو: حسابرسی منشأ Demo: Provenance Audit

  • حسابرسی منشأ در یکی از پروژه‌های AI خودتان Provenance Audit of One of Your Own AI Projects

LLM04: مسمومیت داده‌ها و مدل LLM04: Data & Model Poisoning

  • مسمومیت در زمان بازیابی در مقابل زمان آموزش Retrieval-Time vs Training-Time Poisoning

  • زنده: آپلود یک دفترچه راهنمای مسموم Live: Upload a Poisoned Handbook

  • دمو: آپلود یک دفترچه راهنمای مسموم Demo: Live - Upload a Poisoned Handbook

  • برچسب‌های اعتماد و ایزوله‌سازی کانتکست Trust Labels and Context Isolation

  • انگشت‌نگاری اسناد تزریق شده Fingerprinting Injected Docs

  • دمو: انگشت‌نگاری اسناد تزریق شده Demo: Fingerprinting Injected Docs

  • ساخت ماژول دفاعی برای امتیازدهی مسمومیت اسناد Build a Document-Poisoning Scorer Defense Module

LLM05: مدیریت نادرست خروجی LLM05: Improper Output Handling

  • برخورد با خروجی مدل به عنوان ورودی غیرقابل اعتماد Treat Model Output as Untrusted Input

  • حملات XSS، URI و SQL به صورت زنده XSS, URI, and SQL - Live

  • دمو: حملات XSS، URI و SQL به صورت زنده Demo: XSS, URI, and SQL - Live

  • لایه‌های پاک‌سازی و وظیفه رندرکننده Sanitization Layers and the Renderer's Job

  • دمو: لایه‌های پاک‌سازی و وظیفه رندرکننده Demo: Sanitization Layers and the Renderer's Job

  • شناسایی نقاط خروجی مدل در اپلیکیشن شما Map the Model-Output Sinks in Your Application

LLM06: دسترسی بیش از حد (Excessive Agency) LLM06: Excessive Agency

  • مشکل Agency در ایجنت‌های LLM The Agency Problem in LLM Agents

  • شبیه‌ساز ابزار: ارسال ایمیل، انتقال وجه (آسیب‌پذیر) Tool Simulator: sendEmail, transferFunds (Vulnerable)

  • دمو: شبیه‌ساز ابزار: ارسال ایمیل و انتقال وجه (آسیب‌پذیر) Demo: Tool Simulator - sendEmail, transferFunds (Vulnerable)

  • لیست سفید + محدودسازی دامنه + نظارت انسانی (HITL) Allowlist + Scoping + HITL

  • دمو: لیست سفید + محدودسازی دامنه + نظارت انسانی (HITL) Demo: Allowlist + Scoping + HITL

  • آزمایشگاه: ارتقای ارسال ایمیل به وضعیت مجاز با محدوده مشخص Lab: Promote sendEmail to Allowed-With-Scope

  • افزودن ابزار searchHandbook محدود شده به لیست سفید Add a Scoped searchHandbook Tool to the Allowlist

LLM07: نشت پرامپت سیستم LLM07: System Prompt Leakage

  • پرامپت‌ها قابل کشف هستند (تغییر دیدگاه) The Prompt Is Discoverable (Mindset Shift)

  • دمو: ارتقای ارسال ایمیل به وضعیت مجاز با محدوده مشخص Demo: Lab - Promote sendEmail to Allowed-With-Scope

  • چهار بردار نشت داده به صورت زنده Four Leak Vectors Live

  • دمو: چهار بردار نشت داده به صورت زنده Demo: Four Leak Vectors Live

  • خارج کردن کامل اسرار و کلیدها از پرامپت Move Secrets Out of the Prompt Entirely

  • دمو: خارج کردن کامل اسرار از پرامپت Demo: Move Secrets Out of the Prompt Entirely

  • حذف اسرار جاسازی شده در پرامپت از یک سناریو Remove Prompt-Embedded Secrets From a Scenario

LLM08: نقاط ضعف وکتور و Embedding LLM08: Vector & Embedding Weaknesses

  • شباهت کسینوسی به معنای اعتبار نیست Cosine Similarity Is Not Authority

  • مسمومیت لنگر (Anchor Poisoning) و نشت بین مستاجران Anchor Poisoning and Cross-Tenant Leakage

  • دمو: مسمومیت لنگر و نشت بین مستاجران Demo: Anchor Poisoning and Cross-Tenant Leakage

  • اعتماد به منبع و ایزوله‌سازی مستاجران (Tenant Isolation) Source Trust and Tenant Isolation

  • دمو: اعتماد به منبع و ایزوله‌سازی مستاجران Demo: Source Trust and Tenant Isolation

  • افزودن ایزوله‌سازی مستاجران به بازیابی RAG Add Tenant Isolation to RAG Retrieval

LLM09: اطلاعات نادرست و اتکای بیش از حد LLM09: Misinformation & Overreliance

  • چرا LLMها با اعتماد به نفس توهم می‌زنند Why LLMs Hallucinate Confidently

  • سناریوی SOC: CVEهای جعلی و مراحل دستورالعمل غلط SOC Scenario: Fake CVEs and Runbook Steps

  • دمو: سناریوی SOC: CVEهای جعلی و مراحل دستورالعمل غلط Demo: SOC Scenario - Fake CVEs and Runbook Steps

  • حالت رد کردن (Refuse Mode) و انضباط در ارجاع‌دهی Refuse Mode and Citation Discipline

  • دمو: حالت رد کردن و انضباط در ارجاع‌دهی Demo: Refuse Mode and Citation Discipline

  • ساخت سیستم دفاعی تأییدکننده ارجاعات Build a Citation Verifier Defense

LLM10: مصرف نامحدود (Denial of Wallet) LLM10: Unbounded Consumption

  • حمله Denial of Wallet (تخلیه کیف پول) Denial of Wallet

  • محدودیت نرخ و سقف توکن در عمل Rate Limits and Token Caps in Action

  • دمو: محدودیت نرخ و سقف توکن در عمل Demo: Rate Limits and Token Caps in Action

  • داشبورد هزینه‌ها و معیارهای بودجه Cost Dashboard and Budget Metrics

  • دمو: داشبورد هزینه‌ها و معیارهای بودجه Demo: Cost Dashboard and Budget Metrics

  • پیاده‌سازی کارت هزینه در دقیقه و محدودیت نرخ بر اساس IP Ship a Cost-Per-Minute Card and Per-IP Rate Limit

جمع‌بندی و پروژه نهایی Wrap-Up & Capstone

  • مرور مفاهیم دفاع در عمق Defense-in-Depth Recap

  • پروژه نهایی: مقاوم‌سازی یک سناریوی جدید Capstone: Harden a New Scenario

  • گام‌های بعدی و مسیر یادگیری Where to Go Next

  • دوره‌های مرتبط Related Courses

  • پروژه نهایی: مدل تهدید و مقاوم‌سازی محصول جدید NovaBridge Capstone - Threat-Model and Harden a New NovaBridge Product

  • دانلود راهنمای رایگان همراه Download Your Free Companion Guide

  • آزمون جامع تمرینی OWASP LLM Top 10 OWASP LLM Top 10 - Cumulative Practice Exam

نمایش نظرات

آموزش جامع و عملی OWASP Top 10 برای مدل‌های زبانی بزرگ (LLMs)
جزییات دوره
6.5 hours
69
(آخرین آپدیت)
6
از 5
دارد
ندارد
ندارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Dr Amar Massoud Dr Amar Massoud

متخصص در آموزش های صدور گواهینامه IT

PhD در علوم کامپیوتر و مدیر فناوری اطلاعات با 30 سال تجربه فنی در زمینه های مختلف از جمله امنیت فناوری اطلاعات، مدیریت فناوری اطلاعات، مدیریت خدمات فناوری اطلاعات، توسعه نرم افزار، مدیریت پروژه، تجزیه و تحلیل تجاری و معماری نرم افزار. من دارای بسیاری از گواهینامه‌های IT مانند 

ISO 27001 Auditor، ComptIA Security+، GSEC، CEH، CISM

ارزیابی‌کننده/مجری COBIT 5

گواهینامه TOGAF

متخصص ITIL، ناب IT

PMP، PMI-ACP، Prince2 Practicer، Praxis

PMI-PBA، CBAP 

کمربند مشکی شش سیگما ناب ، ISO 9001

و بسیاری موارد دیگر.