Lankydamiesi mūsų svetainėje sutinkate su mūsų privatumo politika dėl slapukų, sekimo statistikos ir kt.

Pažangus pažeidžiamumų nustatymas ir dirbtinis intelektas

Šiame modulyje nagrinėjama pažeidžiamumų nustatymo ir dirbtinio intelekto (DI) sankirta, daugiausia dėmesio skiriant tam, kaip DI metodais galima automatizuoti ir pagerinti programinės įrangos ir sistemų saugumo pažeidžiamumų nustatymą. Jame aptariamas mašininio mokymosi modelių naudojimas galimoms saugumo spragoms prognozuoti ir nustatyti, dirbtinio intelekto mokymas pagal istorinius pažeidžiamumų duomenis ir etiniai automatizuoto testavimo ir naudojimo aspektai.

Portalas > Dirbtinis intelektas > Pažangus pažeidžiamumų nustatymas ir dirbtinis intelektas

Mokymo programos kūrėjas

Peržiūrėti mokymo programą

Čio, Klarensas ir Deividas Frimanas. Mašininis mokymasis ir saugumas: Duomenų ir algoritmų apsauga. Pirmasis leidimas. Sebastopol, CA: O'Reilly Media, 2018.

Wang, Bolun, Yuanshun Yao, Bimal Viswanath, Haitao Zheng ir 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. JAV: USENIX asociacija, 2018 m.

Anderson, Hyrum S., Jonathan Woodbridge ir 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 ir Charles Anderson. "Adversarial Sampling Attacks Against Phishing Detection". In Data and Applications Security and Privacy XXXIII, edited by Simon N. Foley, 11559:83-101. Cham: Springer International Publishing, 2019 m.

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

Erba, Alessandro, Riccardo Taormina, Stefano Galelli, Marcello Pogliani, Michele Carminati, Stefano Zanero ir Nils Ole Tippenhauer. "Apribotos paslėpimo atakos prieš rekonstrukcija pagrįstus anomalijų detektorius pramoninėse valdymo sistemose". In Annual Computer Security Applications Conference, 480-95, 2020.

https://doi.org/10.1145/3427228.3427660

Kuleshov, Volodymyr, Shantanu Thakoor, Tingfung Lau ir Stefano Ermon. "Adversarial Examples for Natural Language Classification Problems", 2018 m. vasario 15 d.

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

Demetrio, Luca, Battista Biggio, Giovanni Lagorio, Fabio Roli ir 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 ir Nhien-An Le-Khac. "Juodosios dėžės atakos prieš giliuosius anomalijų detektorius". In 14-osios tarptautinės konferencijos apie prieinamumą, patikimumą ir saugumą medžiaga, 1-10. Kenterberio CA Jungtinė Karalystė: ACM, 2019 M.

https://doi.org/10.1145/3339252.3339266

Gibert, Daniel, Carles Mateu ir Jordi Planes. "Kenkėjiškų programų aptikimo ir klasifikavimo mašininio mokymosi augimas: Tyrimų raida, tendencijos ir iššūkiai." Journal of Network and Computer Applications 153 (2020): 102526.

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

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

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

Ačiū! Gautas Čio, Klarenso ir Deivido Freemano RSVP. Mašinų mokymasis ir saugumas: Duomenų ir algoritmų apsauga. Pirmasis leidimas. Sebastopol, CA: O'Reilly Media, 2018 m.

Dėkojame, kad užsiregistravote mūsų naujienlaiškiui!

Čio, Klarensas ir Deividas Frimanas. Mašininis mokymasis ir saugumas: Duomenų ir algoritmų apsauga. Pirmasis leidimas. Sebastopol, CA: O'Reilly Media, 2018.

Pakraunama...

Pakraunama...