لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
نمایش نظرات