آموزش تست امنیت هوش مصنوعی: تست زنجیره تأمین LLM-03 - آخرین آپدیت

دانلود AI Security Testing: LLM-03 Supply Chain Testing

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: تأیید آرتیفکت‌های مدل، وابستگی‌ها، مجوزها و گیت‌های خط لوله CI/CD شناسایی و اسکن وابستگی‌های آسیب‌پذیر در پشته اپلیکیشن LLM با استفاده از pip-audit و یک گردش کار ساختاریافته برای تست کیس‌ها. تأیید یکپارچگی آرتیفکت مدل با استفاده از چک‌سام‌های SHA-256 و شناسایی فرمت‌های فایل ناامن مانند pickle قبل از بارگذاری در محیط عملیاتی. تست خطوط پایه رفتاری LLM و شناسایی رگرسیون زمانی که یک مدل بدون ثبت تغییرات مستند، به‌روزرسانی، جایگزین یا Fine-tune می‌شود. نوشتن گزارش‌های باگ و معیارهای گیت انتشار برای یافته‌های زنجیره تأمین، شامل طبقه‌بندی شدت و الزامات شواهد برای رفع مشکل. ایجاد ماتریس تست QA برای LLM-03 شامل کنترل‌ها، سیگنال‌های شکست، مسئولین، شواهد و گیت‌های انتشار CI/CD. پیشنیازها: آشنایی اولیه با پایتون و خط فرمان. نیازی به پیش‌زمینه امنیتی نیست. داشتن سیستمی که بتواند Ollama را به صورت محلی اجرا کند توصیه می‌شود اما الزامی نیست.

بیشتر چک‌لیست‌های امنیتی، خودِ LLM را به عنوان ریسک در نظر می‌گیرند. این دوره هر آنچه در اطراف آن است را به عنوان ریسک می‌بیند.

تمرکز این دوره بر OWASP LLM-03: زنجیره تأمین است. به زبان ساده، این یعنی تست کردن اجزایی که یک اپلیکیشن LLM به آن‌ها وابسته است، پیش از آنکه اپلیکیشن به دست کاربر برسد.

یک اپلیکیشن LLM به پشته نرم‌افزاری وابسته است که احتمالاً شما آن را نساخته‌اید. این شامل پکیج‌های شخص ثالث، فریم‌ورک‌های متن‌باز، فایل‌های مدل از مخازن عمومی، APIهای میزبانی شده، شرایط تأمین‌کنندگان و خط لوله‌های CI/CD است. هر یک از این بخش‌ها می‌توانند پیش از اجرای منطق پرامپت یا کد اپلیکیشن شما، ریسک ایجاد کنند.

این دوره به مهندسان QA می‌آموزد که چگونه زنجیره تأمین LLM را به صورت سیستماتیک تست کنند. شما یاد می‌گیرید چگونه وابستگی‌ها را برای آسیب‌پذیری‌های شناخته شده اسکن کنید، مجوزهای پکیج و مدل را بررسی کنید، یکپارچگی آرتیفکت مدل را با هش‌ها و فرمت‌های ایمن‌تر تأیید کنید و خطوط پایه رفتاری بسازید تا تغییرات ناخواسته مدل (Model Drift) را پس از تغییر در مدل، آداپتور، سیاست پرامپت یا محیط اجرا شناسایی کنید.

همچنین یاد می‌گیرید که چگونه این بررسی‌ها را به گیت‌های انتشار تبدیل کنید. هدف تنها یافتن مشکلات نیست؛ هدف جمع‌آوری شواهدی است که تیم شما بتواند برای تصمیم‌گیری‌های نهایی (go/no-go)، گزارش باگ، بررسی ریسک و معیارهای بستن تسک‌ها از آن‌ها استفاده کند.

هر بخش از الگوی «تست-اجرا-گزارش» پیروی می‌کند. شما ابزارهای واقعی، دموهای قابل اجرا و قالب‌های گزارش باگ دریافت می‌کنید که می‌توانید آن‌ها را برای کارهای QA خود شخصی‌سازی کنید.

نیازی نیست متخصص امنیت باشید. اگر می‌توانید یک اسکریپت پایتون را اجرا کنید، خروجی ترمینال را بخوانید و یک برنامه تست را دنبال کنید، تمام پیش‌نیازها را دارید.

این دوره به صورت مستقل قابل ارائه است و همچنین مکمل طبیعی دوره‌های ۱ (تست Prompt Injection) و ۲ (تست افشای اطلاعات حساس) در سری تست امنیت AI است. در مجموع، سه دوره اول، سه مورد اول از لیست OWASP LLM Top 10 را از دیدگاه یک مهندس QA پوشش می‌دهند.

در پایان این دوره، شما می‌دانید چگونه به یک قابلیت LLM نگاه کنید و سوالات کلیدی انتشار را بپرسید: این مدل از کجا آمده است؟ آیا از آخرین بیلد تأیید شده تغییر کرده است؟ آیا هویت آرتیفکت قبل از بارگذاری چک شده است؟ آیا خط پایه رفتاری وجود دارد؟ اگر چیزی در تست شکست خورد، چه شواهدی برای مسیریابی، گزارش و بستن آن نیاز داریم؟


سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه Introduction

اسلاید عنوان Title Slide

  • اسلاید معرفی Intro Slide

  • زمینه OWASP و LLM-03 OWASP and LLM-03 Context

  • زنجیره تأمین LLM چیست؟ What Is the LLM Supply Chain?

  • مسئولیت‌های QA در زنجیره تأمین What QA Owns in the Supply Chain

  • بررسی زنجیره تأمین LLM What Is the LLM Supply Chain?

ریسک‌های پکیج و وابستگی‌ها Package and Dependency Risks

  • ریسک‌های پکیج و وابستگی‌ها Package and Dependency Risks

  • وابستگی‌های آسیب‌پذیر در پشته LLM Vulnerable Dependencies in the LLM Stack

  • مثال واقعی ۱: حمله وابستگی PyTorch/PyPI In the Wild #1: The PyTorch/PyPI Dependency Attack

  • حملات در سطح فریم‌ورک: Shadow Ray Framework-Level Attacks: Shadow Ray

  • سناریوی دمو ۱ و برنامه تست: pip audit Demo 1 Scenario & Test Plan: pip-audit

  • دموی pip audit pip-audit demo

  • دمو ۱: گزارش باگ و تحلیل پس از حادثه Demo 1: Bug Report & Post-Mortem

  • خلاصه بخش ۲ Section 2 Summary

  • مرور ریسک‌های پکیج و وابستگی‌ها Package and Dependency Risks

ریسک‌های آرتیفکت مدل و منشأ Model Artifact and Provenance Risks

  • ریسک‌های آرتیفکت مدل و منشأ Model Artifact and Provenance Risks

  • مدل‌های پیش‌آموزش دیده به عنوان بردارهای حمله Pre-Trained Models as Attack Vectors

  • ضعف در منشأ مدل Weak Model Provenance

  • مثال واقعی ۲: PoisonGPT In the Wild #2: PoisonGPT

  • آداپتورهای LoRA: چیستند و چرا برای QA مهم هستند LoRA Adapters: What They Are and Why QA Cares

  • ریسک سریال‌سازی مدل: Pickle در مقابل SafeTensors Model Serialization Risk: Pickle vs. SafeTensors

  • دمو ۲: سناریو و برنامه تست Demo 2: Scenario & Test Plan

  • اجرای دمو ۲ Demo 2

  • گزارش باگ و تحلیل پس از حادثه دمو ۲ Demo2 Bug Report and Post Mortem

  • تأیید هش به عنوان یک کنترل QA Hash Verification as a QA Control

  • ادغام و تبدیل مدل به عنوان سطوح حمله Model Merging and Conversion as Attack Surfaces

  • مثال واقعی ۳: JFrog / baller423: دمو ۲ در دنیای واقعی In the Wild #3: JFrog / baller423: Demo 2 in the Real World

  • آنچه QA در پلتفرم‌های مدل تأیید می‌کند What QA Verifies in Model Platforms

  • خلاصه بخش ۳: چارچوب کنترلی Section 03 Summary: Control Framework

  • مرور ریسک‌های آرتیفکت مدل و منشأ Section 03: Model Artifact and Provenance Risks

تست رگرسیون رفتاری و خط پایه Behavioral Regression and Baseline Testing

  • مقدمه بخش ۴: تست رگرسیون رفتاری و خط پایه Section 4 Intro: Behavioral Regression and Baseline Testing

  • تست رگرسیون رفتاری چه مواردی را بررسی می‌کند What Behavioral Regression Testing Checks

  • دمو ۳: سناریو و برنامه تست Demo 3: Scenario & Test Plan

  • اجرای دمو ۳: تست رگرسیون رفتاری Demo 3 Execution: Behavioral Regression Test

  • دمو ۳: گزارش باگ و تحلیل پس از حادثه Demo 3: Bug Report & Post-Mortem

  • خلاصه بخش ۴: رگرسیون رفتاری و تست خط پایه Section 04 Summary: Behavioral Regression and Baseline Testing

  • کوییز بخش ۴: رگرسیون رفتاری و تست خط پایه LLM-03 Section 04 Quiz: Behavioral Regression and Baseline Testing

بخش ۵: داده‌ها، مجوزها و شرایط تأمین‌کنندگان Section 5: Data, Licensing, and Supplier Terms (6 slides)

  • مقدمه بخش ۵ Section 05 Intro

  • مسموم کردن دیتاست از طریق زنجیره تأمین Dataset Poisoning via the Supply Chain

  • مثال واقعی: افشای داده‌های سامسونگ در ChatGPT In the Wild: Samsung / ChatGPT Data Exposure

  • ریسک مجوزها یک باگ واقعی است Licensing Risk Is a Real Bug

  • ریسک شرایط تأمین‌کننده و سیاست حریم خصوصی Supplier Terms and Privacy Policy Risk

  • آنچه QA در این بخش تأیید می‌کند What QA Verifies Here

  • خلاصه بخش ۵: حاکمیت زنجیره تأمین Section 05 Summary: Supply Chain Governance

  • کوییز بخش ۵: ریسک‌های داده، مجوز و شرایط تأمین‌کننده LLM-03 Section 05 Quiz: Data, Licensing, and Supplier-Term Risks

بخش ۶: AI BOMها، یکپارچگی آرتیفکت و گیت‌های انتشار Section 06: AI BOMs, Artifact Integrity, and Release Gates

  • مقدمه بخش ۶: AI BOMها، یکپارچگی آرتیفکت و گیت‌های انتشار Section 06 Intro: AI BOMs, Artifact Integrity, and Release Gates

  • SBOM برای QA SBOM for QA

  • از SBOM به AI BOM From SBOM to AI BOM

  • یکپارچگی و امضای مدل Model Integrity and Signing

  • گیت‌های انتشار و آستانه‌های شدت Release Gates and Severity Thresholds

  • آنچه QA در این بخش تأیید می‌کند What QA Verifies Here

  • خلاصه بخش ۶ Section 06 Summary

  • کوییز بخش ۶: AI BOMها، یکپارچگی آرتیفکت و گیت‌های انتشار LLM-03 Section 06 Quiz: AI BOMs, Artifact Integrity, and Release Gates

ریسک‌های زیرساختی و روی دستگاه Infrastructure and On-Device Risks

  • مقدمه ریسک‌های زیرساختی و روی دستگاه Infrastructure and On-Device Risks Intro

  • ریسک‌های زیرساخت ابری Cloud Infrastructure Risks

  • ریسک‌های زنجیره تأمین LLM روی دستگاه On-Device LLM Supply Chain Risks

  • آنچه QA در زیرساخت و روی دستگاه تأیید می‌کند What QA Verifies in Infrastructure and On-Device

  • خلاصه بخش ۷: ریسک‌های زیرساختی و روی دستگاه Section 07 Summary: Infrastructure and On-Device Risks

  • کوییز بخش ۷: ریسک‌های زیرساختی و روی دستگاه LLM-03 Section 07 Quiz: Infrastructure and On-Device Risks

ساخت برنامه تست QA برای LLM-03 Building the LLM-03 QA Test Plan

  • مقدمه بخش ۸: ساخت برنامه تست QA برای LLM-03 Section 08 Intro: Building the LLM-03 QA Test Plan

  • برنامه تست هشت نقطه‌ای و ماتریس تست کیس The Eight-Checkpoint Test Plan and Test Case Matrix

  • یکپارچگی CI/CD و گیت‌های انتشار CI/CD Integration and Release Gates

  • نوشتن گزارش‌های باگ LLM-03 Writing LLM-03 Bug Reports

  • خلاصه دوره و بررسی نهایی Course Summary and Final Review

  • کوییز بخش ۸: ساخت برنامه تست QA برای LLM-03 LLM-03 Section 08 Quiz: Building the LLM-03 QA Test Plan

لاب اتوماسیون امنیت زنجیره تأمین Supply Chain Security Automation Lab

  • چرا تست زنجیره تأمین را اتوماتیک کنیم Why Automate Supply Chain Testing

  • معماری Harness برای LLM-03 Harness Architecture for LLM-03

  • بررسی‌های قطعی در مقابل رگرسیون رفتاری Deterministic Checks vs. Behavioral Drift

  • اجرای Harness Running the Harness

  • جمع‌آوری آرتیفکت‌ها Collecting Artifacts

  • تفسیر نتایج Interpreting Results

  • خلاصه اتوماسیون Automation Summary

نمایش نظرات

آموزش تست امنیت هوش مصنوعی: تست زنجیره تأمین LLM-03
جزییات دوره
2.5 hours
64
(آخرین آپدیت)
15
5 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

Jonathan Fisher Jonathan Fisher

سازنده موسیقی و طراح صدا

سلام، من جاناتان هستم و هیپ هاپ تسکین دهنده لوفی را به عنوان FAIR GAME می سازم.

اکنون یک دهه است که برای almos موسیقی می‌سازم و خوشبختانه با پروژه موسیقی خود در تمام پلتفرم‌های استریم موفق شده‌ام. p>

من بیشتر به خاطر آهنگم که در سال 2020 توسط BTS در توییتر به اشتراک گذاشته شد و حدود 7 میلیون پخش در همه پلتفرم ها دارد، شناخته شده ام.

من همچنین در ساخت پک نمونه، تبلیغات و صدای بازی کار می کنم. می‌توانید مجموعه‌ای از بسته‌های نمونه را ببینید که من روی آنها کار کرده‌ام