Formation IA en Cybersécurité

Leçon 1 • Les données en tant qu'actif de sécurité

Explique pourquoi la qualité et la provenance des données déterminent les résultats de sécurité de l'IA. Relie la gouvernance des données à la fiabilité des modèles.

Leçon 2 • Intersection de l'IA et de la sécurité

Met en correspondance les capacités de l'IA avec les cas d'utilisation de sécurité offensifs et défensifs. Établit la nature à double usage qui façonne l'ensemble du cours.

Leçon 3 • Fondamentaux de l'IA pour les professionnels de la sécurité

Présente l'apprentissage automatique, l'apprentissage profond et les composants des systèmes d'IA. Fournit le vocabulaire nécessaire pour évaluer les outils de sécurité basés sur l'IA.

Leçon 1 • Systèmes de détection d'intrusion réseau

Entraîne des modèles d'IA sur des données de flux réseau pour identifier les intrusions. Fait le pont entre l'analyse au niveau des paquets et la construction d'un pipeline de ML.

Leçon 2 • Performance et validation de la détection

Établit des cadres d'évaluation rigoureux pour les systèmes de détection basés sur l'IA. Empêche l'excès de confiance dû à des résultats de référence trompeurs.

Leçon 3 • Classification des logiciels malveillants avec le ML

Applique l'apprentissage supervisé à l'analyse statique et dynamique des logiciels malveillants. Les étudiants distinguent les approches d'ingénierie des caractéristiques pour les données binaires et comportementales.

Leçon 4 • Analyse des terminaux et des logs

Applique la PNL et les modèles de séquence aux logs des terminaux et aux données SIEM. Permet la détection des mouvements latéraux et des menaces internes.

Leçon 1 • Fuzzing et analyse de code assistés par l'IA

Utilise l'IA pour guider le fuzzing et l'analyse statique de code vers les chemins à haut risque. Accélère la découverte des failles de corruption mémoire et d'injection.

Leçon 2 • Automatisation de la gestion des correctifs

Applique l'IA pour planifier et valider les correctifs avec un minimum de perturbations opérationnelles. Relie les sorties de score de risque aux workflows de correction automatisée.

Leçon 3 • Priorisation des vulnérabilités et score de risque

Construit des modèles qui classent les vulnérabilités par exploitabilité et impact commercial. Permet aux équipes de sécurité d'allouer efficacement les ressources de correction.

Leçon 1 • Fondamentaux du renseignement sur les menaces

Définit les types de renseignements, les sources et le cycle du renseignement. Établit le cadre analytique que les outils d'IA renforcent tout au long de ce chapitre.

Leçon 2 • PNL pour l'analyse des rapports de menaces

Applique le traitement automatique du langage naturel pour extraire des entités et des relations à partir de rapports de menaces. Automatise les tâches de lecture manuelle qui ralentissent les workflows des analystes.

Leçon 3 • Surveillance du dark web et des sources ouvertes

Utilise l'IA pour surveiller les forums, les sites de partage de texte et les marchés du dark web à la recherche de menaces émergentes. Fournit des signaux d'alerte précoce avant que les attaques ne se matérialisent.

Leçon 4 • Partage et automatisation du renseignement

Automatise la diffusion du renseignement à l'aide de formats structurés et d'intégrations de plateformes. Boucle la boucle entre la production de renseignement et l'action défensive.

Leçon 1 • Contenu d'attaque généré par l'IA

Examine l'utilisation de l'IA générative pour le phishing, les deepfakes et la génération d'exploits. Prépare les défenseurs à reconnaître et à contrer l'ingénierie sociale augmentée par l'IA.

Leçon 2 • Fondamentaux de l'apprentissage automatique adverse

Présente le modèle de menace pour les attaques contre les systèmes de ML. Établit les objectifs et les capacités de l'attaquant qui encadrent toutes les techniques d'attaque ultérieures.

Leçon 3 • Empoisonnement des données et attaques par porte dérobée

Analyse comment des données d'entraînement corrompues dégradent ou subvertissent le comportement du modèle. Relie les risques de la chaîne d'approvisionnement aux défaillances de l'intégrité du modèle.

Leçon 4 • Évasion et exemples adverses

Démontre comment des entrées conçues peuvent tromper des classifieurs entraînés. Applique les techniques d'évasion aux modèles de détection de logiciels malveillants et de trafic réseau.

Leçon 1 • Entraînement adverse et robustesse

Applique l'entraînement adverse pour améliorer la résilience du modèle face aux attaques par évasion. Quantifie les compromis de robustesse par rapport à la précision sur des données propres.

Leçon 2 • Architecture Zero-Trust pour les systèmes d'IA

Applique les principes de Zero-Trust aux environnements d'inférence et d'entraînement de l'IA. Limite le rayon d'explosion des composants de modèle compromis.

Leçon 3 • Conception sécurisée de pipeline ML

Applique les principes d'ingénierie de sécurité à l'ensemble du cycle de vie du développement ML. Prévention des attaques sur la chaîne d'approvisionnement et l'infrastructure des systèmes d'IA.

Leçon 4 • Validation des entrées et filtrage des anomalies

Met en œuvre des défenses de prétraitement pour détecter et rejeter les entrées adverses. Réduit la surface d'attaque avant que les entrées n'atteignent le modèle central.

Leçon 1 • Explicabilité et transparence

Applique des méthodes d'explicabilité pour rendre les décisions de sécurité de l'IA audibles. Relie la transparence du modèle à la confiance de l'analyste et à l'imputabilité réglementaire.

Leçon 2 • Détection et atténuation des biais

Identifie les sources de biais dans les ensembles de données de sécurité et les sorties des modèles. Applique des métriques d'équité et des techniques d'atténuation pour réduire les résultats discriminatoires.

Leçon 3 • Cadres éthiques pour l'IA dans la sécurité

Examine les principales théories éthiques et leur application aux décisions de sécurité pilotées par l'IA. Fournit une base de principes pour évaluer les choix de déploiement d'outils.

Leçon 4 • Structures d'imputabilité et de gouvernance

Conçoit des cadres de gouvernance qui attribuent la responsabilité des décisions de sécurité de l'IA. Garantit qu'une supervision humaine est maintenue dans les workflows de sécurité automatisés.

Leçon 1 • Alignement réglementaire et de conformité

Met en correspondance les pratiques de sécurité de l'IA avec la protection des données, la gouvernance de l'IA et les exigences de conformité spécifiques au secteur. Prévient l'exposition réglementaire due aux décisions de déploiement de l'IA.

Leçon 2 • Constituer et diriger des équipes de sécurité IA

Définit les rôles, les compétences et les structures d'équipe pour les opérations de sécurité augmentées par l'IA. Aborde l'acquisition de talents, la montée en compétences et la collaboration interfonctionnelle.

Leçon 3 • Gestion des risques pour les outils de sécurité IA

Applique les cadres de risque d'entreprise à la sélection, au déploiement et au retrait des outils d'IA. Quantifie le risque résiduel provenant des défaillances des systèmes d'IA et des attaques adverses.

Leçon 4 • Mesurer et communiquer la valeur de la sécurité IA

Développe des métriques et des cadres de reporting pour la direction concernant les investissements en sécurité IA. Traduit les résultats techniques en langage de risque métier pour la direction.