تست نفوذ مدلهای زبانی بزرگ GenAI - ایمنسازی مدلهای زبان بزرگ
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- شناخت آسیبپذیریهای خاص مدلهای زبانی بزرگ (LLMs) در کاربردهای واقعی
- بررسی مفاهیم کلیدی تست نفوذ و نحوه کاربرد آنها در سیستمهای generative AI
- تسلط به فرآیند ساخت تیم قرمز برای LLMs با استفاده از تکنیکهای عملی و شبیهسازی حملات واقعی
- تحلیل دلیل ناکارآمدی بنچمارکهای سنتی در امنیت GenAI و آشنایی با روشهای ارزیابی بهتر
- بررسی آسیبپذیریهای اصلی مانند تزریق پرامپت، توهمات، پاسخهای سوگیرانه و موارد دیگر
- استفاده از فریمورک MITRE ATT&CK برای نگاشت تاکتیکهای دشمن علیه LLMs
- شناسایی و کاهش تهدیدهای خاص مدل مانند عاملیت بیش از حد، سرقت مدل و مدیریت ناایمن خروجیها
- انجام تست و گزارشدهی یافتههای اکسپلوتیشن برای اپلیکیشنهای مبتنی بر LLM
پیشنیازهای دوره
- درک اولیه از IT یا امنیت سایبری علاقهمندی به سیستمهای هوش مصنوعی و تأثیر آنها در جهان واقعی - نیاز به دانش قبلی در تست نفوذ یا LLMs نیست.
توضیحات دوره
دوره ایجاد تیم قرمز و تست نفوذ برای LLMs، به طور دقیق تنظیم شده تا متخصصان امنیت، توسعهدهندگان هوش مصنوعی و هکرهای اخلاقی را که هدفشان ایمنسازی اپلیکیشنهای generative AI است، تحت پوشش قرار دهد. از مفاهیم پایه در امنیت LLM تا تکنیکهای پیشرفته ایجاد تیم قرمز، این دوره به شما دانش و مهارتهای کاربردی لازم برای محافظت از سیستمهای LLM را میآموزد.
در طول دوره، با مطالعات موردی و شبیهسازیهای حمله عملی مواجه میشوید که شامل نمایشهایی از تزریق پرامپت، افشای اطلاعات حساس، مدیریت توهمات، حملات انکار سرویس مدل و رفتار ناایمن پلاگینها است. همچنین یاد میگیرید چگونه از ابزارها، فرآیندها و فریمورکهایی مانند MITRE ATT&CK برای ارزیابی ساختاریافته ریسک اپلیکیشنهای هوش مصنوعی استفاده کنید.
در پایان دوره، توانایی شناسایی و اکسپلویت کردن از آسیبپذیریهای موجود در LLMs را پیدا کرده و قادر خواهید بود استراتژیهای کاهش ریسک و گزارشدهی مطابق استانداردهای صنعت را طراحی کنید.
مزایای کلیدی برای شما:
- بینشهای امنیت LLM - آشنایی با آسیبپذیریهای مدلهای generative AI و یادگیری تکنیکهای پیشگیرانه برای شناسایی آنها
- ملزومات تست نفوذ - تسلط به استراتژیهای ساخت تیم قرمز، مراحل اکسپلویت کردن و مدیریت پس از اکسپلویت مخصوص اپلیکیشنهای مبتنی بر LLM.
- دموهای عملی - کسب تجربه عملی از طریق شبیهسازیهای حمله واقعی، شامل خروجیهای سوگیرانه، وابستگی بیش از حد و نشت اطلاعات
- تسلط به فریمورک - یادگیری کاربرد مفاهیم MITRE ATT&CK با تمرینهای عملی برای مقابله با تهدیدهای خاص LLM
- توسعه ایمن هوش مصنوعی - ارتقای مهارتهای خود در ساخت اپلیکیشنهای generative AI مقاوم با پیادهسازی مکانیزمهای دفاعی مانند مدیریت ایمن خروجی و حفاظت از پلاگینها
امروز به ما بپیوندید و وارد دنیای هیجانانگیز امنیت هوش مصنوعی شوید. همین حالا در دوره شرکت کنید و اولین قدم را برای تبدیل شدن به کارشناس تست نفوذ LLM بردارید.
این دوره برای چه کسانی مناسب است؟
- تحلیلگران SOC، مهندسین امنیت و معماران امنیت که به دنبال ایمنسازی سیستمهای LLM هستند.
- مدیران ارشد امنیت اطلاعات (CISO)، مشاوران امنیت و مشاوران امنیت هوش مصنوعی که میخواهند از اپلیکیشنهای هوش مصنوعی محور محافظت کنند.
- اعضای تیمهای قرمز و آبی و متخصصان تست نفوذ که به بررسی تکنیکهای اکسپلوتیشن و دفاع از LLM میپردازند.
- دانشجویان و علاقهمندان فناوری که مایل به کسب تجربه عملی در تست نفوذ و LLM و ایجاد تیم قرمز هستند.
- هکرهای اخلاقی و تیمهای رسیدگی به حادثه که میخواهند مهارتهای تأمین امنیت مدلهای generative AI را توسعه دهند.
- مهندسان پرامپت و مهندسان یادگیری ماشین که به ایمنسازی مدلهای هوش مصنوعی و درک آسیبپذیریهای اپلیکیشنهای مبتنی بر LLM علاقهمند هستند.
تست نفوذ مدلهای زبانی بزرگ GenAI - ایمنسازی مدلهای زبان بزرگ
-
مقدمه و منابع دوره 02:25
-
تست نفوذ چیست؟ 04:18
-
چرا LLMs آسیبپذیر هستند؟ 02:34
-
چرا بنچمارکها کافی نیستند؟ - ایمنی و امنیت هوش مصنوعی 02:03
-
آسیبپذیریهای اپلیکیشن LLM - دموی 1 (توضیح کد) 03:00
-
آسیبپذیریهای اپلیکیشن LLM - دموی 2 (سوگیری و کلیشهها) 03:34
-
آسیبپذیریهای اپلیکیشن LLM - دموی 3 (افشای داده حساس) 04:50
-
آسیبپذیریهای اپلیکیشن LLM - دموی 4 (قطع سرویس) 02:04
-
آسیبپذیریهای اپلیکیشن LLM - دموی 5 (توهم) 04:04
-
مدلهای پایه در مقابل اپلیکیشنهای LLM 02:37
-
استراتژیهای ایمنی اپلیکیشن LLM 02:49
-
بررسی آسیبپذیریهای LLM 02:21
-
بررسی اپلیکیشن LLM - دمو 01:05
-
ایمپورت اپلیکیشن LLM 00:52
-
چرا تست نفوذ برای GenAI ضروری است؟ 04:34
-
مقایسه تیم قرمز و تست نفوذ 04:07
-
فرآیند تست نفوذ 03:29
-
اکسپلویت کردن 02:46
-
پس از اکسپلویت کردن 04:15
-
تیم قرمز برای LLMs - پنج تکنیک کلیدی 12:47
-
گزارشدهی 01:29
-
رفع اشکال و گزارشدهی 03:31
-
ATT&CK چیست؟ 01:58
-
درک هرم درد 06:42
-
بررسی ماتریسهای ATT&CK 01:34
-
تاکتیکهای ATT&CK 11:02
-
تکنیکهای ATT&CK 03:37
-
تکنیکهای فرعی ATT&CK 04:30
-
منابع داده برای ATT&CK 01:58
-
استراتژیهای تشخیص 02:09
-
پیادهسازی تکنیکهای کاهش ریسک 02:21
-
بررسی گروههای ATT&CK 02:33
-
نرمافزار در فریمورک ATT&CK 01:57
-
بررسی کمپینها 02:29
-
روابط ATT&CK 02:23
-
ماتریس سازمانی ATT&CK - تمرین عملی 14:53
-
تزریق پرامپت 02:47
-
تزریق غیرمستقیم پرامپت - دمو 12:50
-
مدیریت ناایمن خروجی - تئوری 03:08
-
مدیریت ناایمن خروجی - دمو 11:02
-
آسیبپذیریهای زنجیره تأمین 03:25
-
حمله انکار سرویس (DoS) مدل 05:16
-
جلوگیری از حمله DoS مدل 02:10
-
مسمویت داده آموزش 03:15
-
افشای اطلاعات حساس 03:28
-
امنیت پلاگین در اپلیکیشنهای LLM 02:16
-
عاملیت بیش از حد 02:44
-
وابستگی بیش از حد 04:16
-
سرقت مدل 02:33
مشخصات آموزش
تست نفوذ مدلهای زبانی بزرگ GenAI - ایمنسازی مدلهای زبان بزرگ
- تاریخ به روز رسانی: 1404/12/10
- سطح دوره:همه سطوح
- تعداد درس:49
- مدت زمان :03:16:14
- حجم :1.61GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy