Formation IA et cybersécurité

Leçon 1 • Concepts fondamentaux de la cybersécurité

Couvre la triade CIA, les acteurs de menaces et les surfaces d'attaque. Fournit le vocabulaire nécessaire pour tous les sujets ultérieurs d'intégration IA-sécurité.

Leçon 2 • Convergence de l'IA et de la cybersécurité

Examine pourquoi l'IA est adoptée dans les opérations de sécurité et où elle apporte une valeur mesurable. Définit les attentes pour l'orientation appliquée du cours.

Leçon 3 • Paysage des menaces et écosystèmes de données

Cartographie les catégories de menaces modernes aux environnements de données que les systèmes d'IA doivent protéger. Ancre les techniques de détection ultérieures dans des schémas d'attaque réels.

Leçon 1 • Sources et types de données de sécurité

Identifie les journaux, les flux réseau, la télémétrie des points d'extrémité et les flux de menaces comme intrants principaux. Explique comment le type de données affecte le choix du modèle.

Leçon 2 • Étiquetage et annotation de données

Enseigne l'étiquetage manuel et semi-automatisé des événements de sécurité pour l'apprentissage supervisé. Aborde l'impact direct de la qualité des étiquettes sur la précision du modèle.

Leçon 3 • Qualité des données et prétraitement

Aborde la réduction du bruit, la normalisation et l'extraction de caractéristiques à partir de la télémétrie brute. Prépare les étudiants à fournir des ensembles de données prêts pour les modèles.

Leçon 1 • Apprentissage profond dans la détection de menaces

Applique les CNN et RNN à la classification des malwares et à l'analyse séquentielle des journaux. Met en évidence les compromis entre la complexité du modèle et la vitesse opérationnelle.

Leçon 2 • Gestion du déséquilibre des classes dans les données de sécurité

Aborde la rareté des échantillons d'attaque par rapport au trafic bénin en utilisant le rééchantillonnage et l'apprentissage sensible aux coûts. Améliore les taux de détection des classes minoritaires.

Leçon 3 • Détection non supervisée d'anomalies

Utilise des méthodes de clustering et basées sur la densité pour détecter les menaces inconnues sans étiquettes. Démontre la valeur pour les scénarios de menace zéro-day et de menace interne.

Leçon 4 • Modèles de détection supervisés

Entraîne des classifieurs tels que les arbres de décision, les forêts aléatoires et le gradient boosting sur des données d'attaque étiquetées. Relie le choix de l'algorithme aux objectifs de détection.

Leçon 1 • Exploration de texte dans le renseignement sur les menaces

Extrait les indicateurs de compromission et les tactiques de rapports de menaces non structurés. Automatise l'enrichissement du renseignement pour une réponse plus rapide des analystes.

Leçon 2 • Fondamentaux du TALN pour les textes de sécurité

Couvre la tokenisation, les plongements et les modèles de langage appliqués aux corpus de sécurité. Établit les bases du traitement de texte pour toutes les tâches de TALN en sécurité.

Leçon 3 • Détection du phishing et de l'ingénierie sociale

Entraîne des classifieurs pour identifier les e-mails de phishing, les URLs malveillantes et les messages trompeurs. Aborde directement l'un des vecteurs d'attaque les plus courants.

Leçon 1 • Mesure de la performance du SOC

Définit des KPI pour les opérations SOC augmentées par l'IA, incluant le temps moyen de détection et de réponse. Permet l'amélioration continue des workflows homme-IA.

Leçon 2 • Chasse aux menaces assistée par l'IA

Combine la génération d'hypothèses par l'analyste avec l'exploration de données pilotée par l'IA pour trouver des menaces cachées. Développe des compétences de chasse proactives au-delà des alertes réactives.

Leçon 3 • Triage d'alertes augmenté par l'IA

Applique un score ML pour prioriser les alertes par sévérité et confiance. Réduit la charge de travail des analystes tout en maintenant la couverture de détection.

Leçon 4 • Orchestration de la sécurité et intégration de l'IA

Connecte les modèles d'IA aux plateformes SOAR pour l'exécution automatisée de playbooks. Démontre l'automatisation de bout en bout, de la détection au confinement.

Leçon 1 • Empoisonnement des données et attaques sur la chaîne d'approvisionnement

Examine comment les données d'entraînement corrompues dégradent l'intégrité du modèle et couvre les stratégies de détection et d'atténuation. Lié au risque sur la chaîne d'approvisionnement de l'IA.

Leçon 2 • Techniques d'évasion et défenses

Démontre comment les adversaires conçoivent des entrées pour contourner les détecteurs basés sur le ML et enseigne l'entraînement adverse comme contre-mesure.

Leçon 3 • Fondamentaux de l'apprentissage automatique adverse

Définit les attaques par évasion, empoisonnement et inversion de modèle contre l'IA de sécurité. Établit le modèle de menace adverse pour toutes les défenses ultérieures.

Leçon 1 • Priorisation des vulnérabilités basée sur les risques

Applique un score ML pour classer les vulnérabilités par exploitabilité, criticité des actifs et contexte de menace. Concentre l'effort de correction sur les problèmes à plus fort impact.

Leçon 2 • Optimisation des correctifs et des corrections

Utilise l'IA pour séquencer les actions de correction, prédire le risque de régression et valider l'efficacité des corrections. Boucle le cycle de vie de la gestion des vulnérabilités.

Leçon 3 • Découverte de vulnérabilités pilotée par l'IA

Utilise le fuzzing, l'analyse statique et des modèles de ML pour détecter les vulnérabilités logicielles plus rapidement qu'avec un examen manuel. S'intègre aux chaînes d'outils de scan existantes.

Leçon 1 • Alignement réglementaire et conformité

Aligne les déploiements de sécurité IA avec la protection des données, la vie privée et les obligations de conformité spécifiques au secteur. Évite les codes propres à une juridiction ; se concentre sur les exigences fonctionnelles.

Leçon 2 • Biais, équité et explicabilité

Aborde les biais démographiques dans les modèles de sécurité et applique des méthodes d'explicabilité pour soutenir la confiance des analystes. Relie l'équité au risque opérationnel et juridique.

Leçon 3 • Feuille de route stratégique pour la sécurité IA

Guide les étudiants dans l'élaboration d'un plan d'adoption de la sécurité IA sur plusieurs années lié aux objectifs commerciaux et aux niveaux de maturité. Produit un récit d'investissement prêt pour le conseil d'administration.

Leçon 4 • Surveillance continue des modèles et gouvernance

Établit des processus pour détecter la dérive du modèle, les déclencheurs de réentraînement et les audits de performance continus en production. Maintient l'efficacité de la sécurité IA dans le temps.