Apmeklējot mūsu vietni, jūs piekrītat mūsu privātuma politika attiecībā uz sīkfailiem, izsekošanas statistiku utt.

Uzlabota ievainojamību atklāšana un mākslīgais intelekts

Šajā modulī tiek pētīta ievainojamību atklāšanas un mākslīgā intelekta (AI) mijiedarbība, galveno uzmanību pievēršot tam, kā AI metodes var automatizēt un uzlabot programmatūras un sistēmu drošības ievainojamību identificēšanu. Tajā aplūkota mašīnmācīšanās modeļu izmantošana, lai prognozētu un atrastu iespējamās drošības nepilnības, AI apmācība, izmantojot vēsturiskos datus par ievainojamībām, un automatizētas testēšanas un izmantošanas ētiskie apsvērumi.

Portāls > Mākslīgais intelekts > Uzlabota ievainojamību atklāšana un mākslīgais intelekts

Mācību programmas veidotājs

Apskatīt mācību programmu

Čio, Klārenss un Deivids Frīmens. Mašīnmācīšanās un drošība: Aizsargājot sistēmas ar datiem un algoritmiem. Pirmais izdevums. Sebastopol, CA: O'Reilly Media, 2018.

Wang, Bolun, Yuanshun Yao, Bimal Viswanath, Haitao Zheng un 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. ASV: USENIX Association, 2018.

Anderson, Hyrum S., Jonathan Woodbridge un 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 un 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.

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

Erba, Alessandro, Riccardo Taormina, Stefano Galelli, Marcello Pogliani, Michele Carminati, Stefano Zanero un Nils Ole Tippenhauer. "Ierobežotas slēpšanas uzbrukumi uz rekonstrukciju balstītiem anomāliju detektoriem rūpnieciskās vadības sistēmās." In Ikgadējā datoru drošības lietojumprogrammu konferencē, 480-95, 2020. gads.

https://doi.org/10.1145/3427228.3427660

Kuļešovs, Volodymyr, Shantanu Thakoor, Tingfung Lau un Stefano Ermon. "Adversarial Examples for Natural Language Classification Problems", 2018. gada 15. februāris.

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

Demetrio, Luca, Battista Biggio, Giovanni Lagorio, Fabio Roli un 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 un Nhien-An Le-Khac. "Black Box Attacks on Deep Anomaly Detectors." In Proceedings of the 14th International Conference on Availability, Reliability and Security, 1-10. Kenterberijas Kalifornijas štats, Apvienotā Karaliste: ACM, 2019.

https://doi.org/10.1145/3339252.3339266

Gibert, Daniel, Carles Mateu un Jordi Planes. "The Rise of Machine Learning for Detection and Classification of Malware: Pētniecības attīstība, tendences un izaicinājumi." Journal of Network and Computer Applications 153 (2020): 102526.

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

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

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

Paldies, ka pierakstījāties mūsu biļetenam!

Paldies! Saņemti RSVP par Chio, Clarence un David Freeman. Mašīnmācīšanās un drošība: Aizsargājot sistēmas ar datiem un algoritmiem. Pirmais izdevums. Sebastopol, CA: O'Reilly Media, 2018.

Čio, Klārenss un Deivids Frīmens. Mašīnmācīšanās un drošība: Aizsargājot sistēmas ar datiem un algoritmiem. Pirmais izdevums. Sebastopol, CA: O'Reilly Media, 2018.

Iekraušana...

Iekraušana...