آموزش عامل‌های هوش مصنوعی برای امنیت سایبری - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• خوش‌آمدگویی و اهداف دوره Welcome and course goals

1. مقدمه‌ای بر هوش مصنوعی و مدل‌های زبانی بزرگ (LLMs) در امنیت سایبری 1. Introduction to AI and LLMs in Cybersecurity

• مقدمه فصل Chapter introduction

• پتانسیل تحول‌آفرین هوش مصنوعی و LLMها در امنیت سایبری The transformative potential of AI and LLMs in cybersecurity

• تعریف مدل‌های زبانی بزرگ (LLMs) و معماری آن‌ها Defining large language models (LLMs) and their architectures

• تکامل هوش مصنوعی در امنیت سایبری: از یادگیری ماشین تا هوش مصنوعی عامل‌محور Evolution of AI in cybersecurity: From ML to agentic AI

2. مفاهیم اصلی عامل‌های هوش مصنوعی 2. Core Concepts of AI Agents

• حافظه و یادگیری در عامل‌های هوش مصنوعی Memory and learning in AI agents

• سطوح خودمختاری عامل‌ها در امنیت سایبری Agent autonomy levels in cybersecurity

• LLMها به عنوان «مغز» عامل‌های هوش مصنوعی: قابلیت‌ها و محدودیت‌ها LLMs as the “brain” of AI agents: Capabilities and limitations

• سیستم‌های چندعاملی: همکاری و پیچیدگی Multi-agent systems: Collaboration and complexity

• تطبیق LLMها برای امنیت سایبری: تنظیم دقیق، مهندسی پرامپت و تقویت Adapting LLMs for cybersecurity: Fine-tuning, prompt engineering, and augmentation

• عامل‌های هوش مصنوعی چیستند؟ تعریف، ویژگی‌ها و جریان کاری What are AI agents? Definition, characteristics, and workflow

3. مجموعه‌داده‌ها و مدیریت داده‌ها برای عامل‌های هوش مصنوعی در امنیت سایبری 3. Datasets and Data Handling for AI Agents in Cybersecurity

• مقابله با کمبود داده: استفاده از LLMها برای افزایش داده‌ها در امنیت سایبری Addressing data scarcity: LLMs for data augmentation in cybersecurity

• انواع مجموعه‌داده‌ها در LLM برای امنیت: کد-محور، متن-محور و ترکیبی Types of datasets in LLM for security: Code-based, text-based, and combined

• پیش‌پردازش و نمایش داده‌ها برای مدل‌های هوش مصنوعی امنیت سایبری Data pre-processing and representation for cybersecurity AI models

4. عامل‌های هوش مصنوعی در شناسایی تهدیدات 4. AI Agents in Threat Detection

• شناسایی بلادرنگ تهدیدات سایبری با هوش مصنوعی Real-time detection of cyber threats with AI

• مقدمه فصل Chapter introduction

• تحلیل و طبقه‌بندی بدافزارها با عامل‌های هوش مصنوعی Malware analysis and classification with AI agents

• شناسایی و تحلیل خودکار آسیب‌پذیری‌ها Automated vulnerability detection and analysis

5. عامل‌های هوش مصنوعی در امنیت شبکه و مهندسی اجتماعی 5. AI Agents in Network and Social Engineering Security

• شناسایی و دفاع در برابر حملات فیشینگ و زبان‌های فریبنده Detecting and defending against phishing attacks and deceptive language

• بهره‌گیری از هوش مصنوعی برای هوش تهدید (Threat Intelligence) و مدیریت سطح حمله Leveraging AI for threat intelligence and attack surface management

• شناسایی نفوذ به شبکه و طبقه‌بندی حملات Network intrusion detection and attack classification

6. قابلیت‌های تحلیل پیشرفته 6. Advanced Analysis Capabilities

• مهندسی معکوس و تحلیل باینری با کمک هوش مصنوعی Reverse Engineering and Binary Analysis with AI Assistance

• هوش مصنوعی برای درک سیاست‌های امنیتی و حریم خصوصی AI for understanding security and privacy policies

• هوش مصنوعی برای تحلیل لاگ‌های سیستم و شناسایی ناهنجاری‌ها AI for System Log Analysis and Anomaly Detection

7. عامل‌های هوش مصنوعی در پاسخ به حوادث 7. AI Agents in Incident Response

• مقدمه فصل Chapter introduction

• اتوماسیون رفع آسیب‌پذیری‌ها و تولید وصله (Patch) Automating vulnerability repair and patch generation

• بهینه‌سازی جریان‌های کاری پاسخ به حوادث و پلی‌بوک‌ها Streamlining incident response workflows and playbooks

• تحلیل پس از حمله و شناسایی علت ریشه‌ای با هوش مصنوعی Post-attack analysis and root cause identification with AI

8. ارتقای مراکز عملیات امنیت (SOCs) با هوش مصنوعی عامل‌محور 8. Enhancing Security Operations Centres (SOCs) with Agentic AI

• هوش مصنوعی برای دفاع پیش‌دستانه و شکار تهدیدات AI for proactive defense and threat hunting

• مدیریت ریسک و تحلیل‌های پیش‌بینانه مبتنی بر هوش مصنوعی AI-powered risk management and predictive analytics

• تصمیم‌گیری تطبیقی و یادگیری مستمر در عامل‌های SOC Adaptive decision-making and continuous learning in SOC agents

• بهینه‌سازی سرمایه‌گذاری‌های امنیت سایبری و اتوماسیون انطباق (Compliance) Optimizing cybersecurity investments and compliance automation

9. مخاطرات امنیتی و آسیب‌پذیری‌های عامل‌های هوش مصنوعی 9. Security Risks and Vulnerabilities of AI Agents

• تهدیدات خاص عامل‌ها: تزریق پرامپت، جیل‌بریکینگ و آسیب‌پذیری‌های زنجیره تأمین Agent-specific threats: Prompt injection, jailbreaking, and supply chain vulnerabilities

• آسیب‌پذیری‌های ذاتی مرتبط با AI: هوش مصنوعی متخاصم، مسموم‌سازی داده‌ها و عدم هم‌راستایی Inherent AI-related vulnerabilities: Adversarial AI, data poisoning, and misalignment

• مروری بر چالش‌های امنیتی عامل‌های هوش مصنوعی: چهار شکاف دانشی Overview of AI agent security challenges: The four knowledge gaps

• مقدمه فصل Chapter introduction

10. ملاحظات اخلاقی و چارچوب‌های حاکمیتی 10. Ethical Considerations and Governance Frameworks

• طراحی هوش مصنوعی مسئولانه: مدل‌های حاکمیتی و حضور انسان در چرخه (HITL) Designing responsible AI: Governance models and human-in-the-loop (HITL)

• چالش‌های تفسیرپذیری، قابل اعتماد بودن و استفاده اخلاقی از LLMها Challenges in LLM interpretability, trustworthiness, and ethical usage

• مقابله با سوگیری و عدالت در عامل‌های هوش مصنوعی Addressing bias and fairness in AI agents

11. مسیرهای آینده و مفاهیم پیشرفته 11. Future Directions and Advanced Concepts

• ویدیو جمع‌بندی دوره Course wrap-up video

• گسترش قابلیت‌های LLM و هوش مصنوعی چندوجهی (Multimodal) Expanding LLM capabilities and multimodal AI

• امنیت برای LLMها و دفاع پیش‌دستانه خودکار Security for LLMs and proactive self-defense

• نقشه راه عامل‌های هوش مصنوعی در امنیت سایبری: فرصت‌ها و تحقیقات آینده The roadmap for AI agents in cybersecurity: Opportunities and future research