AI安全：技術與實戰(zhàn)

定　價：￥148.00

作　者：	騰訊安全朱雀實驗室
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787121439261	出版時間：	2022-10-01	包裝：	平裝-膠訂
開本：	16開	頁數：	316	字數：

內容簡介

　　● 本書首先介紹AI與AI安全的發(fā)展起源、世界主要經濟體的AI發(fā)展戰(zhàn)略規(guī)劃，給出AI安全技術發(fā)展脈絡和框架，并從AI安全實戰(zhàn)出發(fā)，重點圍繞對抗樣本、數據投毒、模型后門等攻擊技術進行案例剖析和技術講解；然后對預訓練模型中的風險和防御、AI數據隱私竊取攻擊技術、AI應用失控的風險和防御進行詳細分析，并佐以實戰(zhàn)案例和數據；最后對AI安全的未來發(fā)展進行展望，探討AI安全的風險、機遇、發(fā)展理念和產業(yè)構想?！?本書適合AI和AI安全領域的研究人員、管理人員，以及需要實戰(zhàn)案例輔助學習的廣大愛好者閱讀。

作者簡介

　　騰訊安全朱雀實驗室專注于AI 安全技術研究及應用，圍繞對抗機器學習、AI模型安全、深偽檢測等方面取得了一系列研究成果，議題入選CVPR、ICLR、CanSecWest、HITB、POC、XCon等國內外頂級會議，面向行業(yè)發(fā)布了業(yè)內第一個AI安全威脅風險矩陣，持續(xù)聚焦AI在產業(yè)應用的安全問題，助力AI安全技術創(chuàng)新。

圖書目錄

●第1章 AI安全發(fā)展概述●
1.1 AI與安全衍生
1.1.1 AI發(fā)展圖譜
1.1.2 各國AI發(fā)展戰(zhàn)略
1.1.3 AI行業(yè)標準
1.1.4 AI安全的衍生本質——科林格里奇困境

1.2 AI安全技術發(fā)展脈絡

●第2章對抗樣本攻擊●
2.1 對抗樣本攻擊的基本原理
2.1.1 形式化定義與理解
2.1.2 對抗樣本攻擊的分類
2.1.3 對抗樣本攻擊的常見衡量指標

2.2 對抗樣本攻擊技巧與攻擊思路
2.2.1 白盒攻擊算法
2.2.2 黑盒攻擊算法

2.3 實戰(zhàn)案例：語音、圖像、文本識別引擎繞過
2.3.1 語音識別引擎繞過
2.3.2 圖像識別引擎繞過
2.3.3 文本識別引擎繞過

2.4 實戰(zhàn)案例：物理世界中的對抗樣本攻擊
2.4.1 目標檢測原理
2.4.2 目標檢測攻擊原理
2.4.3 目標檢測攻擊實現
2.4.4 攻擊效果展示

2.5 案例總結

●第3章數據投毒攻擊●
3.1 數據投毒攻擊概念

3.2 數據投毒攻擊的基本原理
3.2.1 形式化定義與理解
3.2.2 數據投毒攻擊的范圍與思路

3.3 數據投毒攻擊技術發(fā)展
3.3.1 傳統數據投毒攻擊介紹
3.3.2 數據投毒攻擊約束
3.3.3 數據投毒攻擊效率優(yōu)化
3.3.4 數據投毒攻擊遷移能力提升

3.4 實戰(zhàn)案例：利用數據投毒攻擊圖像分類模型
3.4.1 案例背景
3.4.2 深度圖像分類模型
3.4.3 數據投毒攻擊圖像分類模型
3.4.4 實驗結果

3.5 實戰(zhàn)案例：利用投毒日志躲避異常檢測系統
3.5.1 案例背景
3.5.2 RNN異常檢測系統
3.5.3 投毒方法介紹
3.5.4 實驗結果

3.6 案例總結

●第4章模型后門攻擊●
4.1 模型后門概念

4.2 后門攻擊種類與原理
4.2.1 投毒式后門攻擊
4.2.2 非投毒式后門攻擊
4.2.3 其他數據類型的后門攻擊

4.3 實戰(zhàn)案例：基于數據投毒的模型后門攻擊
4.3.1 案例背景
4.3.2 后門攻擊案例

4.4 實戰(zhàn)案例：供應鏈攻擊
4.4.1 案例背景
4.4.2 解析APK
4.4.3 后門模型訓練

4.5 實戰(zhàn)案例：基于模型文件神經元修改的模型后門攻擊
4.5.1 案例背景
4.5.2 模型文件神經元修改
4.5.3 觸發(fā)器優(yōu)化

4.6 案例總結

●第5章預訓練模型安全●
5.1 預訓練范式介紹
5.1.1 預訓練模型的發(fā)展歷程
5.1.2 預訓練模型的基本原理

5.2 典型風險分析和防御措施
5.2.1 數據風險
5.2.2 敏感內容生成風險
5.2.3 供應鏈風險
5.2.4 防御策略

5.3 實戰(zhàn)案例：隱私數據泄露
5.3.1 實驗概況
5.3.2 實驗細節(jié)
5.3.3 結果分析

5.4 實戰(zhàn)案例：敏感內容生成
5.4.1 實驗概況
5.4.2 實驗細節(jié)
5.4.3 結果分析

5.5 實戰(zhàn)案例：基于自診斷和自去偏的防御
5.5.1 實驗概況
5.5.2 實驗細節(jié)
5.5.3 結果分析

5.6 案例總結

●第6 章 AI數據隱私竊取●
6.1 數據隱私竊取的基本原理
6.1.1 模型訓練中數據隱私竊取
6.1.2 模型使用中數據隱私竊取

6.2 數據隱私竊取的種類與攻擊思路
6.2.1 數據竊取攻擊
6.2.2 成員推理攻擊
6.2.3 屬性推理攻擊

6.3 實戰(zhàn)案例：聯邦學習中的梯度數據竊取攻擊
6.3.1 案例背景
6.3.2 竊取原理介紹
6.3.3 竊取案例
6.3.4 結果分析

6.4 實戰(zhàn)案例：利用AI水印對抗隱私泄露
6.4.1 案例背景
6.4.2 AI保護數據隱私案例
6.4.3 AI水印介紹
6.4.4 結果分析

6.5 案例總結

●第7 章 AI應用失控風險●
7.1 AI應用失控
7.1.1 深度偽造技術
7.1.2 深度偽造安全風險

7.2 AI應用失控防御方法
7.2.1 數據集
7.2.2 技術防御
7.2.3 內容溯源
7.2.4 行業(yè)實踐
7.2.5 面臨挑戰(zhàn)
7.2.6 未來工作

7.3 實戰(zhàn)案例：VoIP電話劫持語音克隆攻擊
7.3.1 案例背景
7.3.2 實驗細節(jié)

7.4 實戰(zhàn)案例：深度偽造鑒別
7.4.1 案例背景
7.4.2 實驗細節(jié)
7.4.3 結果分析

7.5 案例總結

●后記 AI安全發(fā)展展望●