


Wie Hacker KI und ML nutzen, um Unternehmen ins Visier zu nehmen
Cybersicherheit profitiert von Fortschritten in KI und ML. Heutige Sicherheitsteams werden mit Daten über potenziell verdächtige Aktivitäten überschwemmt und suchen oft nach der Nadel im Heuhaufen. Künstliche Intelligenz hilft Sicherheitsteams, echte Bedrohungen in diesen Daten aufzudecken, indem sie Muster im Netzwerkverkehr, Malware-Indikatoren und Benutzerverhaltenstrends erkennt.
Hacker nutzen häufig künstliche Intelligenz und maschinelles Lernen, um mit Unternehmen umzugehen. Der einfache Zugriff auf Cloud-Umgebungen erleichtert beispielsweise den Einstieg in die Nutzung von KI und die Erstellung leistungsstarker, leistungsfähiger Lernmodelle.
Sehen wir uns an, wie Hacker KI und maschinelles Lernen nutzen, um Unternehmen ins Visier zu nehmen, und wie sie KI-fokussierte Cyberangriffe verhindern können.
3 Möglichkeiten, wie Hacker KI gegen Sicherheitsteams einsetzen
1. Testen Sie den Malware-Erfolg mit KI-basierten Tools
Hacker können ML auf verschiedene Arten einsetzen. Die erste besteht darin, eine eigene Umgebung für maschinelles Lernen aufzubauen und eigene Malware- und Angriffspraktiken zu modellieren, um die Arten von Ereignissen und Verhaltensweisen zu bestimmen, nach denen Sicherheitsteams suchen.
Zum Beispiel könnte eine hochentwickelte Malware lokale Systembibliotheken und Komponenten modifizieren, Prozesse im Speicher ausführen und mit einer oder mehreren Domänen kommunizieren, die der von Hackern kontrollierten Infrastruktur gehören. Alle diese Aktivitäten ergeben zusammen ein Profil namens Tactics, Techniques and Procedures (TTP). Modelle des maschinellen Lernens können TTPs beobachten und sie zum Aufbau von Erkennungsfunktionen nutzen.
Durch die Beobachtung und Vorhersage, wie Sicherheitsteams TTPs erkennen, können Hacker Indikatoren und Verhaltensweisen subtil und häufig ändern und so Sicherheitsteams einen Schritt voraus sein, die sich zur Erkennung von Angriffen auf KI-basierte Tools verlassen.
2. KI-Modelle mit ungenauen Daten zerstören
Hacker nutzen auch maschinelles Lernen und künstliche Intelligenz, um KI-Modelle mit ungenauen Daten zu zerstören und dadurch die Umwelt zu schädigen. Modelle für maschinelles Lernen und künstliche Intelligenz basieren auf korrekt gekennzeichneten Datenproben, um genaue und wiederholbare Erkennungsprofile zu erstellen. Durch das Einschleusen harmloser Dateien, die Malware ähneln, oder durch die Schaffung von Verhaltensmustern, die sich als Fehlalarme erweisen, können Hacker ein KI-Modell zu der Annahme verleiten, dass ein Angriff nicht böswillig ist, oder indem sie schädliche Dateien einschleusen, für deren Markierung die KI trainiert wurde als sicher. KI-Modelle vergiften.
3. Kartierung bestehender KI-Modelle
Hacker versuchen aktiv, bestehende und sich entwickelnde KI-Modelle zu kartieren, die von Cybersicherheitsanbietern und Betriebsteams verwendet werden. Indem Hacker verstehen, was ein KI-Modell tut und was es tut, können sie während ihres Lebenszyklus aktiv in maschinelle Lernvorgänge und -modelle eingreifen. Dadurch kann ein Hacker das Modell beeinflussen, indem er das System zu seinen Gunsten austrickst. Es ermöglicht Hackern außerdem, der Erkennung auf der Grundlage identifizierter Muster zu entgehen, indem sie Daten subtil modifizieren, um bekannte Modelle vollständig zu umgehen.
Wie man sich gegen KI-fokussierte Angriffe verteidigt
Die Verteidigung gegen KI-fokussierte Angriffe ist äußerst schwierig. Sicherheitsteams müssen sicherstellen, dass die Etiketten, die mit den Daten verknüpft sind, die bei der Entwicklung von Lernmodellen und -mustern verwendet werden, korrekt sind. Indem sichergestellt wird, dass die Daten über genaue Etikettenkennungen verfügen, kann der zum Trainieren des Modells verwendete Datensatz kleiner werden, was der Effizienz der KI nicht zugute kommt.
Für diejenigen, die KI-Sicherheitserkennungsmodelle erstellen, kann die Einführung gegnerischer Techniken und Strategien bei der Modellierung dabei helfen, Mustererkennung mit Strategien zu kombinieren, die in der Wildnis beobachtet werden. Forscher der Johns Hopkins University haben das Trojan Software Framework entwickelt, um bei der Erstellung künstlicher Intelligenzmodelle von Trojanern und anderen Malware-Mustern zu helfen. Forscher am Massachusetts Institute of Technology (MIT) haben TextFooler veröffentlicht, ein Tool für natürliche Sprachmuster, das dabei helfen könnte, widerstandsfähigere Modelle der künstlichen Intelligenz zu entwickeln, um Probleme wie Bankbetrug zu erkennen.
Da die Bedeutung künstlicher Intelligenz zunimmt, werden Hacker versuchen, die Bemühungen von Sicherheitsteams durch ihre eigene Forschung zu übertreffen. Für Sicherheitsteams ist es von entscheidender Bedeutung, über die Angriffsstrategien von Hackern auf dem Laufenden zu bleiben, um sich gegen sie verteidigen zu können.
Das obige ist der detaillierte Inhalt vonWie Hacker KI und ML nutzen, um Unternehmen ins Visier zu nehmen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen

Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

In der Welt der Front-End-Entwicklung ist VSCode mit seinen leistungsstarken Funktionen und seinem umfangreichen Plug-in-Ökosystem für unzählige Entwickler zum Werkzeug der Wahl geworden. In den letzten Jahren sind mit der rasanten Entwicklung der Technologie der künstlichen Intelligenz KI-Code-Assistenten auf VSCode entstanden, die die Codierungseffizienz der Entwickler erheblich verbessert haben. KI-Code-Assistenten auf VSCode sind wie Pilze nach einem Regen aus dem Boden geschossen und haben die Codierungseffizienz der Entwickler erheblich verbessert. Es nutzt Technologie der künstlichen Intelligenz, um Code intelligent zu analysieren und eine präzise Code-Vervollständigung, automatische Fehlerkorrektur, Grammatikprüfung und andere Funktionen bereitzustellen, wodurch Entwicklerfehler und mühsame manuelle Arbeit während des Codierungsprozesses erheblich reduziert werden. Heute werde ich 12 KI-Code-Assistenten für die Frontend-Entwicklung von VSCode empfehlen, die Sie bei Ihrer Programmierreise unterstützen.
