En visitant notre site, vous acceptez notre politique de confidentialité concernant les cookies, les statistiques de suivi, etc.

Découverte avancée des vulnérabilités et IA

Ce module explore l'intersection de la découverte de vulnérabilités et de l'intelligence artificielle (IA), en se concentrant sur la façon dont les techniques d'IA peuvent automatiser et améliorer l'identification des vulnérabilités de sécurité dans les logiciels et les systèmes. Il couvre l'utilisation de modèles d'apprentissage automatique pour prédire et localiser les failles de sécurité potentielles, l'entraînement de l'IA sur des données historiques de vulnérabilité, et les considérations éthiques des tests et de l'exploitation automatisés.

Portail > Intelligence artificielle > Découverte avancée des vulnérabilités et IA

Bâtisseur de programmes d'études

Voir le programme d'études

Chio, Clarence et David Freeman. Apprentissage automatique et sécurité : Protecting Systems with Data and Algorithms. Première édition. Sebastopol, CA : O'Reilly Media, 2018.

Wang, Bolun, Yuanshun Yao, Bimal Viswanath, Haitao Zheng, et Ben Y. Zhao. "With Great Training Comes Great Vulnerability : Practical Attacks against Transfer Learning". In Proceedings of the 27th USENIX Conference on Security Symposium, 1281-97. SEC'18. USA : USENIX Association, 2018.

Anderson, Hyrum S., Jonathan Woodbridge, et 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 et Charles Anderson. "Adversarial Sampling Attacks Against Phishing Detection". In Data and Applications Security and Privacy XXXIII, édité par 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 et Nils Ole Tippenhauer. "Constrained Concealment Attacks against Reconstruction-Based Anomaly Detectors in Industrial Control Systems". In Annual Computer Security Applications Conference, 480-95, 2020.

https://doi.org/10.1145/3427228.3427660

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

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

Demetrio, Luca, Battista Biggio, Giovanni Lagorio, Fabio Roli et Alessandro Armando. "Explaining Vulnerabilities of Deep Learning to Adversarial Malware Binaries" (Expliquer les vulnérabilités de l'apprentissage profond aux binaires malveillants adversaires). arXiv, 2019.

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

Kuppa, Aditya, Slawomir Grzonkowski, Muhammad Rizwan Asghar et Nhien-An Le-Khac. "Black Box Attacks on Deep Anomaly Detectors". Dans les actes de la 14e conférence internationale sur la disponibilité, la fiabilité et la sécurité, 1-10. Canterbury CA Royaume-Uni : ACM, 2019.

https://doi.org/10.1145/3339252.3339266

Gibert, Daniel, Carles Mateu et Jordi Planes. "The Rise of Machine Learning for Detection and Classification of Malware : Research Developments, Trends and Challenges". Journal of Network and Computer Applications 153 (2020) : 102526.

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

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

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

Nous vous remercions ! RSVP reçu pour Chio, Clarence, et David Freeman. Apprentissage automatique et sécurité : Protecting Systems with Data and Algorithms. Première édition. Sebastopol, CA : O'Reilly Media, 2018.

Merci de vous être inscrit à notre lettre d'information !

Chio, Clarence et David Freeman. Apprentissage automatique et sécurité : Protecting Systems with Data and Algorithms. Première édition. Sebastopol, CA : O'Reilly Media, 2018.

Chargement...

Chargement...