설명
해커를 위한 머신러닝은 사이버 보안 전문가에게 머신러닝 시스템을 공격하고 방어하는 데 필요한 기술을 갖추도록 설계된 과정입니다. ML 기술이 보안 솔루션의 핵심이 됨에 따라, 그 취약성을 이해하는 것이 중요합니다. 이 과정은 ML 해킹 실험실 설정으로 시작하여 Python을 사용하여 모델과 상호작용하는 방법을 배웁니다. 참가자는 ML 공격 표면을 매핑하고 엔드 투 엔드 분류기 공격을 수행합니다. 커리큘럼은 PE 파일 구조 및 바이트 수준 회피, 악성 소프트웨어 분류기 구축 및 우회, 언어 모델을 사용한 피싱 및 사회 공학 자동화 등을 포함합니다. 또한 딥페이크 생성 및 탐지, 행동 분석, 적대적 ML 기술, 취약성 발견을 위한 스마트 퍼징, 모델 도용, 오염, 워터마킹 및 백도어를 다룹니다. 과정이 끝나면 학습자는 ML 시스템을 테스트하고 보호하며, 적대적 샘플을 제작하고 탐지하며, 효과적인 모델 방어 전략을 적용할 수 있게 됩니다. 이 과정은 적대적 머신러닝 및 자동화된 위협 탐지에 대한 전문 지식을 가진 사이버 보안 고위 책임자인 Tshering Tobzang이 강의합니다. 이 과정은 ML 기반 보안 솔루션에 대한 전문성을 확장하고자 하는 사이버 보안 전문가에게 적합합니다.
- 카테고리교육 및 연구
- 요금제구독
해커를 위한 머신러닝의 핵심 기능
ML 해킹 실험실 설정
Python을 사용하여 ML 모델과 상호작용
ML 공격 표면 매핑
엔드 투 엔드 분류기 공격 수행
회피를 위한 PE 파일 수정
언어 모델을 사용한 피싱 자동화
적대적 ML 기술 수행
모델 도용 및 백도어 공격 탐색
해커를 위한 머신러닝 사용 방법은?
설정: ML 해킹 실험실 구성
상호작용: Python을 사용하여 ML 모델과 소통
매핑: ML 공격 표면 식별
수행: 엔드 투 엔드 분류기 공격 실행
수정: 탐지를 피하기 위해 PE 파일 변경
자동화: 피싱을 위한 언어 모델 사용
수행: 적대적 ML 공격 수행
탐색: 모델 도용 및 백도어 조사
해커를 위한 머신러닝의 사용 사례
- ML 시스템 보안
- 적대적 공격
- 피싱 자동화
- 딥페이크 탐지
- 모델 도용 방지
