لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش ریسکهای امنیتی در هوش مصنوعی و یادگیری ماشین: دستهبندی حملات و حالتهای شکست
- آخرین آپدیت
دانلود Security Risks in AI and Machine Learning: Categorizing Attacks and Failure Modes
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
یادگیری ماشین (ML) مانند هر نرمافزار یا فرآیند دیگری، در برابر حملات آسیبپذیر است. برای محافظت از یک سیستم، ابتدا باید بدانید که این سیستم در کجا و چگونه آسیبپذیر است. در این دوره، دیانا کلی به مدلسازان باتجربه تهدیدات نشان میدهد که چگونه یادگیری ماشین بر اساس تأثیرات احتمالی و حجم عظیم دادههای مورد نیاز برای عملیات خود، تمرکز امنیتی را تغییر میدهد. دیانا توضیح میدهد که یادگیری ماشین در هنگام حمله مهاجمان چگونه میتواند به روشهای مختلف شکست بخورد و چگونه نقصهای طراحی میتواند منجر به شکست عملیاتی، نشت دادهها و سایر ریسکهای امنیتی و حریم خصوصی شود.
اهمیت ساخت مدلهای یادگیری ماشین تابآور، پیامدهای عدم ادغام امنیت در ML و نقاط آسیبپذیری در برابر مهاجمان عمدی و مشکلات طراحی و پیادهسازی را بیاموزید. علاوه بر این، برخی از مؤثرترین رویکردها و تکنیکها برای ساخت سیستمهای یادگیری ماشین مستحکم و تابآور را کشف کنید.
سرفصل ها و درس ها
مقدمه
Introduction
دغدغههای امنیتی در یادگیری ماشین
Machine learning security concerns
1. مبانی هوش مصنوعی
1. AI Foundations
چرا امنیت هوش مصنوعی اهمیت دارد
Why AI security matters
چگونه سیستمهای هوش مصنوعی شکست میخورند و راه محافظت از آنها
How AI systems can fail and how to protect them
اهداف امنیتی برای یادگیری ماشین: مثلث CIA
Security goals for ML: CIA
چارچوبهای امنیتی یادگیری ماشین
ML security frameworks
حملات در مقابل حالتهای شکست غیرعمدی
Attacks vs. unintentional failure modes
2. حالتهای شکست عمدی و حملات
2. Intentional Failure Modes and Attacks
حملات زنجیره تأمین
Supply chain attacks
دستکاری سیستم
System manipulation
دامنه فیزیکی: اشیاء متخاصم سه بعدی
Physical domain: 3D adversarial objects
حملات مسمومسازی دادهها
Poisoning attacks
درهای پشتی (Backdoors) و اکسپلویتهای موجود
Backdoors and existing exploits
معکوسسازی مدل
Model inversion
حملات اختلال و ورودیهای مخرب
Perturbation attacks and malicious input
استنتاج عضویت و سرقت مدل
Membership inference and model stealing
برنامهریزی مجدد (Reprogramming)
Reprogramming
3. حالتهای شکست غیرعمدی و نقصهای ذاتی طراحی
3. Unintentional Failure Modes and Intrinsic Design Flaws
تغییرات توزیعی و تستهای ناقص
Distributional shifts and incomplete testing
عوارض جانبی و عدم همراستایی
Side effects and misalignment
بیشبرازش (Overfitting) و کمبرازش (Underfitting)
Overfitting and underfitting
ملاحظات مربوط به سوگیری دادهها
Data bias considerations
هک پاداش (Reward Hacking)
Reward hacking
4. ساخت هوش مصنوعی تابآور
4. Building Resilient AI
تکنیکهای مؤثر برای ایجاد تابآوری در هوش مصنوعی
Effective techniques for building resilience in AI
مدل تهدید مجموعه دادهها
Dataset threat model
زنجیره تأمین
Supply chain
تستهای متخاصم و تیم قرمز (Red Teaming)
Adversarial testing and red teaming
دسترسی به API و اجزای پشتیبان
API access and supporting components
مدلسازی تهدیدات هوش مصنوعی
Threat modeling AI
نتیجهگیری
Conclusion
گامهای بعدی در مسیر امنیت هوش مصنوعی
Next steps in your AI security journey
Diana Kelley CTO و Cofounder SecurityCurve، یک استراتژی مستقل، مشاوره و مشاوره شرکت است.
دیانا در حال حاضر اصلی VCISO در SALT Cybersecurity، عضو هیئت مدیره اجرایی زنان در امنیت سایبری و آینده سایبر است بنیاد و مشاور در فن آوری های Comptia و Woplli. او سری #mycyberwhy را تولید می کند و میزبان عمل متعادل سازی (امنیت) توسط BrightTalk و میزبان پادکست پادکست روزانه سایبر است. یک میدان سابق امنیت سایبری CTO در مایکروسافت و مشاور امنیت جهانی اجرایی IBM، او 2020 مدیر اجرایی سال 2009 توسط انجمن زنان اجرایی در مورد امنیت اطلاعات، مدیریت ریسک و حفظ حریم خصوصی نامگذاری شد و همکاران معماری سایبری عملی و کتابخانه های رمزنگاری است برای توسعه دهندگان.
نمایش نظرات