خرید و دانلود نسخه کامل کتاب Adversarial AI Attacks, Mitigations, and Defense Strategies

توضیحاتی در مورد کتاب

حملات، کاهش‌ها و استراتژی‌های دفاعی AI متخاصم: راهنمای یک حرفه‌ای امنیت سایبری برای حملات هوش مصنوعی، مدل‌سازی تهدید، و ایمن‌سازی هوش مصنوعی با MLSecOps

دریابید که چگونه حملات خصمانه علیه هوش مصنوعی پیش‌بینی‌کننده و مولد عمل می‌کنند و یاد بگیرید چگونه برای محافظت از پروژه‌های هوش مصنوعی و LLM با مثال‌های عملی با استفاده از OWASP، MITRE و NIST

ویژگی‌های کلیدی
با یادگیری در مورد حملات AI متخاصم، ارتباط بین هوش مصنوعی و امنیت را درک کنید
آخرین چالش‌های امنیتی را در هوش مصنوعی متخاصم با بررسی GenAI، دیپ‌فیک‌ها و LLM
اجرای روش‌های ایمن بر اساس طراحی و مدل‌سازی تهدید، با استفاده از استانداردها و MLSecOps برای محافظت از سیستم‌های هوش مصنوعی

توضیحات کتاب
حملات خصمانه سیستم‌های هوش مصنوعی را فریب می‌دهند. داده های مخرب، ایجاد خطرات امنیتی جدید با بهره برداری از نحوه یادگیری هوش مصنوعی. این امنیت سایبری را به چالش می‌کشد، زیرا ما را مجبور می‌کند در برابر نوع جدیدی از تهدیدات دفاع کنیم. این کتاب حملات خصمانه را ابهام می کند و متخصصان امنیت سایبری را به مهارت هایی مجهز می کند تا فناوری های هوش مصنوعی را ایمن کنند، فراتر از تبلیغات تحقیقاتی یا استراتژی های معمول کسب و کار.

کتاب مبتنی بر استراتژی یک راهنمای جامع برای امنیت هوش مصنوعی است که ارائه می کند. یک رویکرد ساختاریافته با مثال‌های عملی برای شناسایی و مقابله با حملات متخاصم. این کتاب فراتر از انتخاب تصادفی تهدیدات است و تحقیقات اخیر و استانداردهای صنعتی را ادغام می کند و طبقه بندی هایی از MITRE، NIST و OWASP را در بر می گیرد. در مرحله بعد، یک بخش اختصاصی یک استراتژی هوش مصنوعی ایمن با طراحی را با مدل‌سازی تهدید برای نشان دادن دفاع‌ها و استراتژی‌های مبتنی بر ریسک، با تمرکز بر ادغام MLSecOps و LLMOps در سیستم‌های امنیتی معرفی می‌کند. برای به دست آوردن بینش عمیق تر، نمونه هایی از ترکیب CI، MLOps، و کنترل های امنیتی، از جمله LLM های دسترسی باز و ML SBOM ها را پوشش خواهید داد. این کتاب بر اساس ستون‌های کلاسیک NIST، طرحی برای بلوغ امنیت هوش مصنوعی سازمانی ارائه می‌کند که نقش امنیت هوش مصنوعی در ایمنی و اخلاق را به عنوان بخشی از هوش مصنوعی قابل اعتماد مورد بحث قرار می‌دهد.

در پایان این کتاب، شما قادر خواهد بود سیستم های هوش مصنوعی را به طور موثر توسعه، استقرار و ایمن کند.

آنچه یاد خواهید گرفت
مسمومیت، فرار، و حملات حریم خصوصی و نحوه کاهش آنها را درک کنید
دریابید که چگونه می توان از GAN ها استفاده کرد. برای حملات و جعل‌های عمیق
کاوش کنید که چگونه LLMها امنیت، تزریق سریع و قرار گرفتن در معرض داده را تغییر می‌دهند
تکنیک‌های مسلط برای مسموم کردن LLM‌ها با RAG، جاسازی‌ها و تنظیم دقیق
کاوش در تهدیدهای زنجیره تامین و چالش‌های باز بودن به LLMs دسترسی داشته باشید
MLSecOps را با CI، MLOps و SBOMs پیاده سازی کنید

این کتاب برای چه کسانی است
این کتاب امنیت هوش مصنوعی را از هر دو زاویه – حمله و دفاع – بررسی می کند. سازندگان هوش مصنوعی (توسعه دهندگان و مهندسان) یاد خواهند گرفت که چگونه سیستم های ایمن ایجاد کنند، در حالی که متخصصان امنیت سایبری، مانند معماران امنیتی، تحلیلگران، مهندسان، هکرهای اخلاقی، آزمایش کنندگان نفوذ و پاسخ دهندگان حوادث، روش هایی را برای مبارزه با تهدیدات و کاهش خطرات ناشی از مهاجمان کشف خواهند کرد. این کتاب همچنین یک رویکرد امن با طراحی را برای رهبران ارائه می‌کند تا هوش مصنوعی را با در نظر گرفتن امنیت بسازند. برای استفاده بیشتر از این کتاب، به درک اولیه ای از امنیت، مفاهیم ML و پایتون نیاز دارید.

توضیحات فارسی

کتاب حملات هوش مصنوعی تقابلی، راهکارهای کاهش و استراتژی‌های دفاعی نوشته جان سوتیروپولوس یک منبع تخصصی و به‌روز در زمینه امنیت هوش مصنوعی است. این کتاب به بررسی تهدیداتی می‌پردازد که در اثر حملات تقابلی (Adversarial Attacks) علیه مدل‌های یادگیری ماشین و شبکه‌های عصبی ایجاد می‌شوند؛ حملاتی که با تغییرات کوچک اما هدفمند در داده‌ها می‌توانند نتایج مدل‌ها را به‌طور کامل دگرگون کنند. نویسنده ضمن معرفی انواع حملات مانند حملات نمونه‌سازی متقابل، داده‌های مسموم، و حملات وارون‌سازی مدل، روش‌های ارزیابی آسیب‌پذیری سیستم‌های هوش مصنوعی را توضیح می‌دهد. سپس به راهکارهای کاهش (Mitigations) و طراحی استراتژی‌های دفاعی مانند آموزش مقاوم، آشکارسازی حملات، و به‌کارگیری الگوریتم‌های مقاوم در برابر نویز می‌پردازد. این اثر برای دانشجویان تحصیلات تکمیلی، پژوهشگران امنیت سایبری، متخصصان یادگیری ماشین و توسعه‌دهندگان هوش مصنوعی یک منبع ارزشمند برای درک عمیق از تهدیدات و روش‌های مقابله با آن‌هاست.

English Description

Adversarial AI Attacks, Mitigations, and Defense Strategies by John Sotiropoulos is a specialized and timely resource addressing the security challenges of modern artificial intelligence systems. The book explores the nature of adversarial attacks, which exploit vulnerabilities in machine learning and neural networks by introducing subtle but targeted perturbations that can lead to incorrect predictions. It covers a wide spectrum of attacks, including adversarial examples, data poisoning, and model inversion attacks, and provides methodologies for assessing system vulnerabilities. Beyond identifying threats, the author delves into mitigation techniques and defensive strategies, such as adversarial training, attack detection mechanisms, and the development of robust algorithms resistant to manipulation. This book serves as an essential reference for graduate students, cybersecurity researchers, AI practitioners, and developers, offering both theoretical insights and practical guidance on safeguarding AI systems against adversarial threats.