کتاب Machine Learning Security Principles

کتاب Machine Learning Security Principles (اصول امنیتی یادگیری ماشین: داده‌ها، شبکه‌ها، کاربران و برنامه‌ها را از چشم کنجکاو در امان نگه دارید) با محوریت قرار دادن امنیت و یادگیری ماشین مفاهیم اساسی مربوط به امنیت را در حوزه‌ی یادگیری ماشین شرح می‌دهد.

در ادامه مقدمه‌ای از کتاب Machine Learning Security Principles را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Machine Learning Security Principles:

یادگیری ماشینی مهمترین فناوری جدید امروزی برای استفاده بیشتر از داده است. برای مثال، می‌تواند الگوهایی را نشان دهد که واضح نیستند، اما به داده‌هایی نیاز دارد – مقدار زیادی از آن. جمع آوری داده‌ها فقط مربوط به داده‌ها نیست.

بر کاربران تأثیر می‌گذارد و نیاز به استفاده از برنامه‌های کاربردی برای پاکسازی، دستکاری و تجزیه و تحلیل داده‌ها دارد. دانشمندان از یادگیری ماشینی برای کشف تکنیک‌های جدید یا ایجاد انواع جدید داده‌ها، مانند تولید انواع مختلف هنر بر اساس ورودی‌های موجود یا پیشرفت پزشکی از طریق تصویربرداری بهتر، استفاده می‌کنند.

کسب‌وکارها از یادگیری ماشینی برای انجام وظایفی مانند شناسایی تقلب در کارت اعتباری، نظارت بر شبکه‌ها، و اجرای فرآیندهای کارخانه، و برای دستیابی به انواع دیگر اهداف که در آن انسان‌ها و هوش مصنوعی در کنار هم کار می‌کنند، استفاده می‌کنند.

هکرها همیشه به داده‌ها آسیب نمی‌رسانند. گاهی اوقات آن‌ها آن را می‌دزدند یا از آن برای انجام حملات اجتماعی به یک تجارت استفاده می‌کنند. گاهی اوقات آن‌ها به سادگی پول یا کالاهای دیگر می‌خواهند و یادگیری ماشین راهی برای به دست آوردن آن‌ها ارائه می‌دهد.

یک هکر ممکن است اصلاً چیزی را سرقت نکند – شاید هدف، شهرت کسی باشد. ممکن است تعجب کنید که بدانید هکرها اغلب خودشان از برنامه‌های یادگیری ماشین برای اجرای نوعی رقص با امنیت مبتنی بر یادگیری ماشین شما برای غلبه بر آن استفاده می‌کنند. با این حال، هکرها دارای الگوهای رفتاری هستند و دانستن چگونگی شناسایی این الگوها در محیط محاسباتی مدرن مهم است.

به دست آوردن داده‌ها به شیوه‌ای اخلاقی مهم است، زیرا خود رفتار اخلاقی خطر امنیتی مرتبط با داده‌ها را کاهش می‌دهد. با این حال، هکرها لزوماً کاربران و داده‌های آن‌ها را هدف قرار نمی‌دهند. شاید آن‌ها به اسرار تجاری سازمان شما یا ارتکاب کلاهبرداری علاقه مند هستند. آن‌ها ممکن است به سادگی علاقه مند به کمین کردن در پس زمینه و انجام شیطنت باشند. بنابراین، فقط ایمن نگه داشتن داده‌های خود به عنوان وسیله ای برای محافظت از سرمایه‌گذاری یادگیری ماشینی شما کافی نیست. شما باید بیشتر انجام دهید.

این کتاب به شما کمک می‌کند تا با استفاده از آخرین تحقیقات موجود در مورد روش‌هایی که هکرها برای نفوذ به سیستم شما از آن‌ها استفاده می‌کنند، تصویر بزرگی را از دیدگاه یادگیری ماشین دریافت کنید.

این مربوط به کل سیستم است، نه فقط برنامه شما. تکنیک‌هایی را کشف خواهید کرد که به شما کمک می‌کنند داده‌ها را از نظر اخلاقی جمع‌آوری کرده و آن‌ها را ایمن نگه دارید، در حالی که از بروز انواع روش‌های دسترسی غیرقانونی نیز جلوگیری می‌کند. در واقع، شما از یادگیری ماشینی به عنوان ابزاری برای دور نگه داشتن هکرها و کشف هدف واقعی آن‌ها برای سازمان خود استفاده خواهید کرد.

بیشتر بخوانید: کتاب Feature Store for Machine Learning

کتاب Machine Learning Security Principles برای چه کسی است؟

خواه دانشمند داده، محقق یا مدیری باشید که از دیدگاه‌های مختلف به تکنیک‌های یادگیری ماشین علاقه مند هستید، به این کتاب نیاز خواهید داشت زیرا امنیت در حال حاضر به یک دردسر بزرگ برای هر سه گروه تبدیل شده است. مشکل اکثر منابع این است که توسط دکترا نوشته شده اند. نامزدها به زبانی که فقط خودشان می‌فهمند.

این کتاب امنیت را به گونه‌ای ارائه می‌کند که درک آن آسان است و از تعداد زیادی نمودار برای توضیح مفاهیم برای یادگیرندگان بصری استفاده می‌کند. تاکید بر نمونه‌های دنیای واقعی در هر دو سطح نظری و عملی است. پیوندهایی به نمونه‌های فراوانی از نفوذهای دنیای واقعی و توضیحاتی در مورد چرایی و چگونگی وقوع آن‌ها و مهم‌تر از همه، چگونگی غلبه بر آن‌ها پیدا خواهید کرد.

این کتاب فرض می‌کند که شما با مفاهیم یادگیری ماشینی آشنا هستید و اگر قبلاً یک زبان برنامه‌نویسی را می‌دانید، با تأکید بر دانش پایتون کمک می‌کند. کد عملی پایتون بیشتر به منظور ارائه جزئیات برای دانشمندان داده و محققانی است که نیاز به دیدن مفاهیم امنیتی در عمل دارند، نه در سطح تئوری بیشتر. چند نمونه، مانند Pix2Pix GAN در فصل 10، به سطح متوسطی از دانش برنامه نویسی نیاز دارد، اما بیشتر نمونه‌ها به گونه ای نوشته شده اند که همه بتوانند از آن استفاده کنند.

آنچه کتاب Machine Learning Security Principles پوشش می‌دهد:

فصل 1، تعریف امنیت یادگیری ماشین، توضیح می‌دهد که یادگیری ماشین چیست، چگونه تحت تأثیر مسائل امنیتی قرار می‌گیرد و امنیت چه تأثیری بر استفاده از برنامه‌های کاربردی شما از دیدگاه کلی می‌تواند داشته باشد. این فصل همچنین حاوی دستورالعمل‌هایی در مورد نحوه پیکربندی سیستم خود برای استفاده با نمونه‌های کد منبع است.

فصل 2 کتاب Machine Learning Security Principles، کاهش خطر در آموزش با اعتبارسنجی و حفظ مجموعه داده‌ها، بررسی می‌کند که چگونه اطمینان حاصل شود که داده‌هایی که استفاده می کنید در واقع همان داده‌هایی است که فکر می کنید استفاده می کنید ضروری است زیرا مدل شما می تواند توسط اشکال مختلف فساد و دستکاری داده‌ها منحرف شود.

فصل 3 کتاب Machine Learning Security Principles، کاهش خطر استنتاج با اجتناب از حملات یادگیری ماشین متخاصم، یک نمای کلی از روش‌های مختلف برای دخالت مستقیم در توسعه مدل از طریق تکنیک‌هایی مانند حملات فرار و مسمومیت مدل ارائه می‌دهد.

فصل 4، با در نظر گرفتن محیط تهدید، چگونگی هدف قرار دادن هکرها مدل‌های یادگیری ماشین و اهداف آن‌ها را از منظری کلی در نظر می‌گیرد. برخی از تکنیک‌های کدگذاری شده اولیه برای جلوگیری از بسیاری از حملات یادگیری ماشین را از طریق متدولوژی‌های استاندارد کشف خواهید کرد.

فصل 5 کتاب Machine Learning Security Principles، تمیز نگه داشتن شبکه، اطلاعات دقیقی در مورد نحوه عملکرد حملات شبکه و کارهایی که می توانید برای شناسایی آن‌ها به طرق مختلف انجام دهید، از جمله تکنیک‌های یادگیری ماشینی به عنوان دفاع شما ارائه می‌دهد. علاوه بر این، متوجه خواهید شد که چگونه می‌توانید از تکنیک‌های پیش‌بینی برای تعیین محل حمله بعدی هکر استفاده کنید.

فصل 6، تشخیص و تجزیه و تحلیل ناهنجاری‌ها، جزئیاتی را در مورد تعیین اینکه آیا نقاط پرت در داده‌های شما ناهنجاری‌هایی هستند که نیاز به کاهش دارند یا موارد جدیدی که به مشاهده به عنوان بخشی از یک روند جدید نیاز دارند، ارائه می‌دهد. نحوه انجام تشخیص ناهنجاری با استفاده از تکنیک‌های یادگیری ماشین را خواهید دید.

فصل 7 کتاب Machine Learning Security Principles، مقابله با بدافزار، انواع مختلف بدافزار و آنچه را که باید در محیط خود جستجو کنید را پوشش می‌دهد. این فصل نحوه جدا کردن یک فایل اجرایی را نشان می‌دهد تا بتوانید نحوه ترکیب آن را ببینید و سپس از آنچه یاد می‌گیرید برای تولید ویژگی‌های یادگیری ماشین برای استفاده در الگوریتم‌های تشخیص استفاده کنید.

فصل 8 کتاب Machine Learning Security Principles، مکان یابی کلاهبرداری بالقوه، منابع تقلب امروزی را بررسی می‌کند (و این فقط هکرها نیستند)، چه کاری می‌توانید انجام دهید تا تقلب بالقوه را شناسایی کنید، و چگونه می‌توانید اطمینان حاصل کنید که مدلی که ساخته اید واقعاً تقلب را با سطحی از شناسایی می‌کند. دقت، درستی. تکنیک‌های موجود در این فصل برای نشان دادن چگونگی تشخیص خوب بودن مدل برای انواع دیگر مدل‌های یادگیری ماشین نیز کاربرد دارند.

فصل 9 کتاب Machine Learning Security Principles، دفاع در برابر هکرها، روانشناسی هکرها را با مشاهده اهداف و انگیزه‌های هکرها بررسی می‌کند. شما درک خواهید کرد که چرا ساختن دیوار امنیتی بالاتر و بالاتر کار نمی‌کند، و چه کاری می‌توانید انجام دهید، علاوه بر ایجاد حفاظت‌های امنیتی جدید برای سیستم خود.

فصل 10 کتاب Machine Learning Security Principles، با توجه به عواقب دیپ فیک، به خوبی و بدی فناوری دیپ فیک می پردازد. امروز یک نمای کلی از پیامدهای فناوری دیپ فیک برای تحقیقات، تجارت و استفاده شخصی دریافت خواهید کرد. این فصل همچنین یک تکنیک برای ایجاد یک مدل دیپ فیک را با جزئیات نشان می‌دهد.

فصل 11 کتاب Machine Learning Security Principles، استفاده از یادگیری ماشینی برای هک کردن، توضیح می‌دهد که چگونه هکرها به یادگیری ماشینی نگاه می‌کنند و چگونه می‌توانند مدل‌های خود را برای استفاده علیه سازمان شما بسازند. تهدید ربات هوشمند را با جزئیات بررسی خواهیم کرد.

فصل 12 کتاب Machine Learning Security Principles، پذیرش و تلفیق رفتار اخلاقی، توضیح می‌دهد که چگونه رفتار اخلاقی نه تنها تضمین می‌کند که شما هم الزامات حریم خصوصی و هم امنیتی را که ممکن است توسط قانون مشخص شده است را رعایت کنید، بلکه پیامدهایی در رابطه با امنیت نیز دارد، زیرا مجموعه داده‌های به‌درستی پاک‌سازی شده دارای ویژگی‌های پیشگیری از امنیت طبیعی هستند.

همچنین. علاوه بر این، خواهید فهمید که چگونه استفاده از مجموعه داده‌های بررسی شده به درستی باعث صرفه جویی در زمان، هزینه و تلاش شما در ساخت مدل‌هایی می شود که در واقع عملکرد بهتری دارند.

سرفصل‌های کتاب Machine Learning Security Principles:

• Foreword
• Contributors
• About the author
• Acknowledgments
• About the reviewers
• Preface
• Part 1 – Securing a Machine Learning System
  • Chapter 1: Defining Machine Learning Security
  • Chapter 2: Mitigating Risk at Training by Validating and Maintaining Datasets
  • Chapter 3: Mitigating Inference Risk by Avoiding Adversarial Machine Learning Attacks
• Part 2 – Creating a Secure System Using ML
  • Chapter 4: Considering the Threat Environment
  • Chapter 5: Keeping Your Network Clean
  • Chapter 6: Detecting and Analyzing Anomalies
  • Chapter 7: Dealing with Malware
  • Chapter 8: Locating Potential Fraud
  • Chapter 9: Defending against Hackers
• Part 3 – Protecting against ML-Driven Attacks
  • Chapter 10: Considering the Ramifications of Deepfakes
  • Chapter 11: Leveraging Machine Learning for Hacking
• Part 4 – Performing ML Tasks in an Ethical Manner
  • Chapter 12: Embracing and Incorporating Ethical Behavior
• Index
• Other Books You May Enjoy

جهت دانلود کتاب Machine Learning Security Principles می‌توانید پس از پرداخت، دریافت کنید.