План на курса

Въведение в моделиране на уязвимости на ИС

  • Кои фактори правят ИС уязвими?
  • Сравнение на атакуваемата площ на ИС и традиционните системи
  • Ключови вектори на атаки: данни, модели, изходи и интерфейси

Атаки върху ИС модели чрез злонамерени данни

  • Разбиране на злонамерени примерни данни и техники за нарушаване
  • Бяло-капче и черно-капче атаки
  • Методи FGSM, PGD и DeepFool
  • Визуализация и създаване на злонамерени примерни данни

Инверсия на модели и утечка на лични данни

  • Извличане на обучаващи данни от изходи на модели
  • Атаки за установяване на членство
  • Рискове за личната сигурност в класификационни и генеративни модели

Отравяне на данни и инжектиране на задни врати

  • Как отравените данни влияят на поведението на модели
  • Тригерирани задни врати и Троянски атаки
  • Стратегии за откриване и очистване

Робустност и техники за защита

  • Злонамерено обучение и разширение на данни
  • Маскиране на градиенти и предварителна обработка на входа
  • Гладкост на модели и техники за регулиране

Защита на ИС с гарантирана лична сигурност

  • Въведение в диференциалната сигурност
  • Инжектиране на шум и бюджети за сигурност
  • Федеративно обучение и сигурно агрегиране

AI Security в практиката

  • Оценка и развой на модели с учет на заплахи
  • Използване на ART (Adversarial Robustness Toolbox) в приложени ситуации
  • Случаи от индустрията: реални прекършения и превенции

Резюме и следващи стъпки

Изисквания

  • Разбиране в процеси на машинно обучение и обучение на модели
  • Опит с Python и общоприети ML фреймворкове като PyTorch или TensorFlow
  • Знакомство с базовите концепции за сигурност или моделиране на заплахи е полезно

Целева група

  • Инженери на машинно обучение
  • Аналитици на киберсигурност
  • Изследователи на AI и екипи за валидация на модели
 14 Часа

Брой участници


Цена за участник

Предстоящи Курсове

Свързани Kатегории