Al visitar nuestro sitio, usted acepta política de privacidad sobre cookies, estadísticas de seguimiento, etc.

Detección avanzada de vulnerabilidades e IA

Este módulo explora la intersección entre el descubrimiento de vulnerabilidades y la Inteligencia Artificial (IA), centrándose en cómo las técnicas de IA pueden automatizar y mejorar la identificación de vulnerabilidades de seguridad en software y sistemas. Abarca el uso de modelos de aprendizaje automático para predecir y localizar posibles fallos de seguridad, el entrenamiento de la IA con datos históricos sobre vulnerabilidades y las consideraciones éticas de las pruebas y la explotación automatizadas.

Portal > Inteligencia artificial > Detección avanzada de vulnerabilidades e IA

Curriculum Builder

Ver plan de estudios

Chio, Clarence, y David Freeman. Aprendizaje automático y seguridad: Protecting Systems with Data and Algorithms. Primera edición. Sebastopol, CA: O'Reilly Media, 2018.

Wang, Bolun, Yuanshun Yao, Bimal Viswanath, Haitao Zheng y Ben Y. Zhao. "With Great Training Comes Great Vulnerability: Ataques prácticos contra el aprendizaje por transferencia". En Proceedings of the 27th USENIX Conference on Security Symposium, 1281-97. SEC'18. Estados Unidos: Asociación USENIX, 2018.

Anderson, Hyrum S., Jonathan Woodbridge y Bobby Filar. "DeepDGA: Adversarially-Tuned Domain Generation and Detection", arXiv, 2016.

https://doi.org/10.48550/ARXIV.1610.01969

Shirazi, Hossein, Bruhadeshwar Bezawada, Indrakshi Ray y Charles Anderson. "Adversarial Sampling Attacks Against Phishing Detection". En Data and Applications Security and Privacy XXXIII, editado por Simon N. Foley, 11559:83-101. Cham: Springer International Publishing, 2019.

https://doi.org/10.1007/978-3-030-22479-0_5

Erba, Alessandro, Riccardo Taormina, Stefano Galelli, Marcello Pogliani, Michele Carminati, Stefano Zanero y Nils Ole Tippenhauer. "Constrained Concealment Attacks against Reconstruction-Based Anomaly Detectors in Industrial Control Systems". En Annual Computer Security Applications Conference, 480-95, 2020.

https://doi.org/10.1145/3427228.3427660

Kuleshov, Volodymyr, Shantanu Thakoor, Tingfung Lau, y Stefano Ermon. "Adversarial Examples for Natural Language Classification Problems", 15 de febrero de 2018.

https://openreview.net/forum?id=r1QZ3zbAZ

Demetrio, Luca, Battista Biggio, Giovanni Lagorio, Fabio Roli, y Alessandro Armando. "Explaining Vulnerabilities of Deep Learning to Adversarial Malware Binaries" arXiv, 2019.

https://doi.org/10.48550/ARXIV.1901.03583

Kuppa, Aditya, Slawomir Grzonkowski, Muhammad Rizwan Asghar y Nhien-An Le-Khac. "Black Box Attacks on Deep Anomaly Detectors". En Proceedings of the 14th International Conference on Availability, Reliability and Security, 1-10. Canterbury CA Reino Unido: ACM, 2019.

https://doi.org/10.1145/3339252.3339266

Gibert, Daniel, Carles Mateu y Jordi Planes. "El auge del aprendizaje automático para la detección y clasificación de malware: Avances en investigación, tendencias y retos". Journal of Network and Computer Applications 153 (2020): 102526.

https://doi.org/10.1016/j.jnca.2019.102526

Rosenberg, Ihai, Asaf Shabtai, Yuval Elovici y Lior Rokach. "Adversarial Machine Learning Attacks and Defense Methods in the Cyber Security Domain", arXiv, 13 de marzo de 2021.

https://doi.org/10.48550/arXiv.2007.02407

Gracias. RSVP recibido para Chio, Clarence, y David Freeman. Aprendizaje automático y seguridad: Protección de sistemas con datos y algoritmos. Primera edición. Sebastopol, CA: O'Reilly Media, 2018.

Gracias por suscribirse a nuestro boletín.

Chio, Clarence, y David Freeman. Aprendizaje automático y seguridad: Protecting Systems with Data and Algorithms. Primera edición. Sebastopol, CA: O'Reilly Media, 2018.

Cargando...

Cargando...