آموزش تزریق پرامپت در LLM: حملات و دفاع‌ها - آخرین آپدیت

دانلود LLM Prompt Injection: Attacks and Defenses

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: مدل‌های زبانی بزرگ (LLM) باید به صورت امن پیاده‌سازی شوند؛ شما نمی‌توانید برای محافظت، تنها به خودِ مدل تکیه کنید. اما چگونه می‌توان به این امنیت دست یافت و باید مراقب چه مواردی بود؟ در دوره «تزریق پرامپت در LLM: حملات و دفاع‌ها»، شما یاد می‌گیرید که چگونه از LLMها به صورت امن در برنامه‌های خود استفاده کنید. ابتدا، ریسک‌های مرتبط با LLMها، از جمله زمان‌های قابل اعتماد بودن یا نبودن آن‌ها را بررسی می‌کنید. سپس، با برخی از حملات خاصی که برنامه‌های مبتنی بر LLM با آن‌ها مواجه می‌شوند آشنا شده و نحوه عملکرد و ضرورت دفاع در برابر آن‌ها را درک خواهید کرد. در نهایت، روش‌های محافظت از سیستم خود، شامل بینش‌ها و رویکردهای کاربردی را می‌آموزید. پس از اتمام این دوره، مهارت‌ها و دانش لازم در زمینه تزریق پرامپت (Prompt Injection) را خواهید داشت تا از برنامه خود در برابر رفتارهای ناخواسته و بالقوه مخرب محافظت کنید.

سرفصل ها و درس ها

مقدمه‌ای بر امنیت و اعتماد در LLM Introduction to LLM Security and Trust

  • مقدمه‌ای بر امنیت LLM LLM Security Intro

  • اعتماد و ریسک Trust and Risk

  • آسیب‌پذیری‌های LLM در دنیای واقعی Real-world LLM Vulnerabilities

تزریق پرامپت و جیل‌بریکینگ Prompt Injection and Jailbreaking

  • درک مفهوم تزریق پرامپت Understanding Prompt Injection

  • حملات تزریق پرامپت Prompt Injection Attacks

  • پیامدهای تزریق پرامپت Prompt Injection Consequences

  • دمو: نشت اسرار پرامپت Demo: Leaking Prompt Secrets

  • دفاع در برابر تزریق Injection Defenses

سوءاستفاده از ابزارها و حملات SSRF Tool Misuse and SSRF Attacks

  • سوءاستفاده از ابزارهای LLM LLM Tool Misuse

  • دمو: اکسپلویت درخواست‌های ابزار Demo: Exploiting Tool Requests

  • دفاع در برابر سوءاستفاده از ابزارهای LLM LLM Tool Defenses

مدیریت نادرست خروجی‌ها Improper Output Handling

  • مدیریت خروجی LLM Handling LLM Output

  • دمو: مدیریت خروجی LLM Demo: Handling LLM Output

مسموم‌سازی داده‌ها و مدل Data and Model Poisoning

  • مسموم‌سازی LLM LLM Poisoning

  • دمو: مسموم‌سازی داده‌ها Demo: Data Poisoning

  • دمو: حملات Fine Tuning Demo: Fine Tuning Attacks

  • دفاع در برابر مسموم‌سازی Poisoning Defenses

دسترسی‌های بیش از حد و اجرای کد Excessive Agency and Code Execution

  • درک مفهوم دسترسی بیش از حد مدل Understanding Excess Model Agency

  • دمو: دسترسی بیش از حد – اجرای کد از راه دور (RCE) Demo: Excessive Agency – Remote Code Execution

  • محافظت از دسترسی‌های مدل Protecting Model Agency

  • منابع مفید Useful Resources

نمایش نظرات

آموزش تزریق پرامپت در LLM: حملات و دفاع‌ها
جزییات دوره
1h 7m
21
(آخرین آپدیت)
8
از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Gavin Johnson-Lynn Gavin Johnson-Lynn

گاوین 20 سال تجربه نوشتن نرم افزار در محیط های کنترل شده و برای سازمان های جهانی را دارد. پنج سال آخر کار توسعه وی با تمرکز بر امنیت سپری شد و به عنوان پیشگام امنیت پروژه قابل توجه پرداخت در یک شرکت FTSE 100 شناخته شد. او تجربه استفاده از زبانها از COBOL تا .Net را دارد و اکنون اغلب اوقات این مهارتها را هنگام توسعه با Python مفید می داند. تجربه گاوین از امنیت نرم افزار علاقه به امنیت را آشکار کرد و باعث شد وی به یک سخنران و وبلاگ نویس در این زمینه تبدیل شود. گاوین دارای گواهینامه Certified Secure Software Lifecycle Professional (CSSLP) و Scrum Master است و یک افسر فصل در فصل محلی خود (ISC) 2 است ، به او این فرصت را می دهد تا در ایجاد جامعه امنیتی محلی خود کمک کند. گاوین اکنون با استفاده از دانش دفاعی خود برای کمک به کارهای امنیتی تهاجمی ، بخشی از یک تیم سرخ است.