ハッカーはどのように AI と ML を利用して企業を標的にしているのか
サイバーセキュリティは、AI と ML の進歩の恩恵を受けています。今日のセキュリティ チームには、潜在的に不審なアクティビティに関するデータが殺到しており、多くの場合、干し草の山から針を探しています。人工知能は、セキュリティ チームがネットワーク トラフィックのパターン認識、マルウェア インジケーター、ユーザーの行動傾向を通じて、このデータ内の本当の脅威を発見するのに役立ちます。
ハッカーは、企業に対処するために人工知能と機械学習を使用することがよくあります。たとえば、クラウド環境に簡単にアクセスできるため、AI の使用を開始し、強力で有能な学習モデルを構築することが簡単になります。
ハッカーがどのように人工知能と機械学習を利用して企業を標的にしているのか、そして AI を中心としたサイバー攻撃を防ぐ方法を見てみましょう。
ハッカーがセキュリティ チームに対して AI を使用する 3 つの方法
1. AI ベースのツールでマルウェアの成功をテストする
ハッカーはさまざまな方法で ML を使用できます。 1 つ目は、独自の機械学習環境を構築し、独自のマルウェアと攻撃手法をモデル化して、セキュリティ チームが探しているイベントと動作の種類を決定することです。
たとえば、高度なマルウェアは、ローカル システム ライブラリとコンポーネントを変更し、メモリ内でプロセスを実行し、ハッカーが制御するインフラストラクチャが所有する 1 つ以上のドメインと通信する可能性があります。これらすべてのアクティビティを組み合わせて、戦術、技術、手順 (TTP) と呼ばれるプロファイルが作成されます。機械学習モデルは TTP を観察し、それを使用して検出機能を構築できます。
セキュリティ チームが TTP をどのように検出するかを観察および予測することで、ハッカーはインジケーターや動作を微妙かつ頻繁に変更し、AI ベースのツールに依存して攻撃を検出するセキュリティ チームよりも先を行くことができます。
2. 不正確なデータを使用して AI モデルを破壊する
ハッカーも機械学習と人工知能を使用して、不正確なデータで人工知能を破壊します インテリジェント モデル、それによって環境に損害を与えます。機械学習および人工知能モデルは、正しくラベル付けされたデータ サンプルに依存して、正確で再現可能な検出プロファイルを構築します。マルウェアに似た無害なファイルを導入したり、誤検知であることが判明する動作パターンを作成したりすることで、ハッカーは AI モデルをだまして攻撃が悪意がないと信じ込ませることができます。あるいは、AI がマークするように訓練された悪意のあるファイルを導入することによって、ハッカーは AI モデルを騙すことができます。 AI モデルを汚染する。
3. 既存の AI モデルのマッピング
ハッカーは、サイバーセキュリティ ベンダーや運用チームの AI モデルが使用する既存および開発中の AI モデルを積極的にマッピングしようとします。 AI モデルの機能とその動作を理解することで、ハッカーはライフサイクル中に機械学習の操作やモデルに積極的に干渉できます。これにより、ハッカーは、ハッカーに有利なようにシステムを騙すことによって、モデルに影響を与えることができます。また、ハッカーがデータを微妙に変更して既知のモデルを完全に回避することで、識別されたパターンに基づく検出を回避することもできます。
AI を中心とした攻撃から防御する方法
AI を中心とした攻撃から防御することは非常に困難です。セキュリティ チームは、学習モデルとパターンの開発に使用されるデータに関連付けられたラベルが正確であることを確認する必要があります。データに正確なラベル識別子が含まれていることを確認すると、モデルのトレーニングに使用されるデータセットが小さくなる可能性があり、AI の効率には役立ちません。
AI セキュリティ検出モデルを構築する場合、モデリング時に敵対的な手法と戦略を導入すると、パターン認識と実際に見られる戦略を組み合わせるのに役立ちます。ジョンズ・ホプキンス大学の研究者は、トロイの木馬やその他のマルウェア パターンの人工知能モデルの生成を支援するトロイの木馬ソフトウェア フレームワークを開発しました。マサチューセッツ工科大学 (MIT) の研究者は、銀行詐欺などの問題を検出するためのより回復力のある人工知能モデルを構築するのに役立つ可能性のある自然言語パターンのツールである TextFooler をリリースしました。
人工知能の重要性が高まるにつれ、ハッカーは独自の研究を通じてセキュリティ チームの努力を上回ろうとするでしょう。セキュリティ チームがハッカーから防御するには、ハッカーの攻撃戦略を常に最新の状態に保つことが重要です。
以上がハッカーはどのように AI と ML を利用して企業を標的にしているのかの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

AI Hentai Generator
AIヘンタイを無料で生成します。

人気の記事

ホットツール

メモ帳++7.3.1
使いやすく無料のコードエディター

SublimeText3 中国語版
中国語版、とても使いやすい

ゼンドスタジオ 13.0.1
強力な PHP 統合開発環境

ドリームウィーバー CS6
ビジュアル Web 開発ツール

SublimeText3 Mac版
神レベルのコード編集ソフト(SublimeText3)

ホットトピック









このサイトは6月27日、JianyingはByteDanceの子会社であるFaceMeng Technologyによって開発されたビデオ編集ソフトウェアであり、Douyinプラットフォームに依存しており、基本的にプラットフォームのユーザー向けに短いビデオコンテンツを作成すると報告しました。 Windows、MacOS、その他のオペレーティング システム。 Jianyingは会員システムのアップグレードを正式に発表し、インテリジェント翻訳、インテリジェントハイライト、インテリジェントパッケージング、デジタルヒューマン合成などのさまざまなAIブラックテクノロジーを含む新しいSVIPを開始しました。価格的には、クリッピングSVIPの月額料金は79元、年会費は599元(当サイト注:月額49.9元に相当)、継続月額サブスクリプションは月額59元、継続年間サブスクリプションは、年間499元(月額41.6元に相当)です。さらに、カット担当者は、ユーザーエクスペリエンスを向上させるために、オリジナルのVIPに登録している人は、

検索強化生成およびセマンティック メモリを AI コーディング アシスタントに組み込むことで、開発者の生産性、効率、精度を向上させます。 JanakiramMSV 著者の EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG から翻訳。基本的な AI プログラミング アシスタントは当然役に立ちますが、ソフトウェア言語とソフトウェア作成の最も一般的なパターンに関する一般的な理解に依存しているため、最も適切で正しいコードの提案を提供できないことがよくあります。これらのコーディング アシスタントによって生成されたコードは、彼らが解決する責任を負っている問題の解決には適していますが、多くの場合、個々のチームのコーディング標準、規約、スタイルには準拠していません。これにより、コードがアプリケーションに受け入れられるように修正または調整する必要がある提案が得られることがよくあります。

AIGC について詳しくは、51CTOAI.x コミュニティ https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou を参照してください。これらの質問は、インターネット上のどこでも見られる従来の質問バンクとは異なります。既成概念にとらわれずに考える必要があります。大規模言語モデル (LLM) は、データ サイエンス、生成人工知能 (GenAI)、および人工知能の分野でますます重要になっています。これらの複雑なアルゴリズムは人間のスキルを向上させ、多くの業界で効率とイノベーションを推進し、企業が競争力を維持するための鍵となります。 LLM は、自然言語処理、テキスト生成、音声認識、推奨システムなどの分野で幅広い用途に使用できます。 LLM は大量のデータから学習することでテキストを生成できます。

大規模言語モデル (LLM) は巨大なテキスト データベースでトレーニングされ、そこで大量の現実世界の知識を取得します。この知識はパラメータに組み込まれており、必要なときに使用できます。これらのモデルの知識は、トレーニングの終了時に「具体化」されます。事前トレーニングの終了時に、モデルは実際に学習を停止します。モデルを調整または微調整して、この知識を活用し、ユーザーの質問により自然に応答する方法を学びます。ただし、モデルの知識だけでは不十分な場合があり、モデルは RAG を通じて外部コンテンツにアクセスできますが、微調整を通じてモデルを新しいドメインに適応させることが有益であると考えられます。この微調整は、ヒューマン アノテーターまたは他の LLM 作成物からの入力を使用して実行され、モデルは追加の実世界の知識に遭遇し、それを統合します。

編集者 |ScienceAI 質問応答 (QA) データセットは、自然言語処理 (NLP) 研究を促進する上で重要な役割を果たします。高品質の QA データ セットは、モデルの微調整に使用できるだけでなく、大規模言語モデル (LLM) の機能、特に科学的知識を理解し推論する能力を効果的に評価することもできます。現在、医学、化学、生物学、その他の分野をカバーする多くの科学 QA データ セットがありますが、これらのデータ セットにはまだいくつかの欠点があります。まず、データ形式は比較的単純で、そのほとんどが多肢選択式の質問であり、評価は簡単ですが、モデルの回答選択範囲が制限され、科学的な質問に回答するモデルの能力を完全にテストすることはできません。対照的に、自由回答型の Q&A

機械学習は人工知能の重要な分野であり、明示的にプログラムしなくてもコンピューターにデータから学習して能力を向上させる機能を提供します。機械学習は、画像認識や自然言語処理から、レコメンデーションシステムや不正行為検出に至るまで、さまざまな分野で幅広く応用されており、私たちの生活様式を変えつつあります。機械学習の分野にはさまざまな手法や理論があり、その中で最も影響力のある 5 つの手法は「機械学習の 5 つの流派」と呼ばれています。 5 つの主要な学派は、象徴学派、コネクショニスト学派、進化学派、ベイジアン学派、およびアナロジー学派です。 1. 象徴主義は、象徴主義とも呼ばれ、論理的推論と知識の表現のためのシンボルの使用を強調します。この学派は、学習は既存の既存の要素を介した逆演繹のプロセスであると信じています。

編集者 | KX 医薬品の研究開発の分野では、タンパク質とリガンドの結合親和性を正確かつ効果的に予測することが、医薬品のスクリーニングと最適化にとって重要です。しかし、現在の研究では、タンパク質とリガンドの相互作用における分子表面情報の重要な役割が考慮されていません。これに基づいて、アモイ大学の研究者らは、初めてタンパク質の表面、3D 構造、配列に関する情報を組み合わせ、クロスアテンション メカニズムを使用して異なるモダリティの特徴を比較する、新しいマルチモーダル特徴抽出 (MFE) フレームワークを提案しました。アライメント。実験結果は、この方法がタンパク質-リガンド結合親和性の予測において最先端の性能を達成することを実証しています。さらに、アブレーション研究は、この枠組み内でのタンパク質表面情報と多峰性特徴の位置合わせの有効性と必要性を実証しています。 「S」で始まる関連研究

7月5日のこのウェブサイトのニュースによると、グローバルファウンドリーズは今年7月1日にプレスリリースを発行し、自動車とインターネットでの市場シェア拡大を目指してタゴール・テクノロジーのパワー窒化ガリウム(GaN)技術と知的財産ポートフォリオを買収したことを発表した。モノと人工知能データセンターのアプリケーション分野で、より高い効率とより優れたパフォーマンスを探求します。生成 AI などのテクノロジーがデジタル世界で発展を続ける中、窒化ガリウム (GaN) は、特にデータセンターにおいて、持続可能で効率的な電力管理のための重要なソリューションとなっています。このウェブサイトは、この買収中にタゴール・テクノロジーのエンジニアリングチームがGLOBALFOUNDRIESに加わり、窒化ガリウム技術をさらに開発するという公式発表を引用した。 G
