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 خود مدل تکیه کنید. اما چگونه به این امنیت دست یابید و باید مراقب چه نکاتی باشید؟ 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 مربوط به LLMها، از جمله زمان‌های اعتماد و عدم اعتماد به آن‌ها را بررسی خواهید کرد. سپس، با برخی از حملات خاصی که برنامه‌های مبتنی بر LLM با آن‌ها مواجه می‌شوند آشنا شده و نحوه عملکرد و ضرورت ایجاد دفاع در برابر آن‌ها را درک می‌کنید. در نهایت، روش‌های محافظت از سیستم، شامل بینش‌های کاربردی و رویکردهای عملی را خواهید آموخت. پس از اتمام این دوره، شما 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 ابزاری 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

دسترسی 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 Demo: Excessive Agency – Remote Code Execution

  • محافظت از دسترسی 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.