کتاب یادگیری خصمانه در امنیت شبکه و سیستم های تشخیص نفوذ

کتاب یادگیری خصمانه در امنیت شبکه و سیستم های تشخیص نفوذ نوشته لیلا فاضلی، مسئله‌ی امنیت مدل‌هایی را بررسی می‌کند که خودشان برای محافظت از شبکه ساخته شده‌اند. مهاجم می‌تواند داده‌های آموزشی یا ورودی‌های این مدل‌ها را دستکاری کند تا سامانه، فعالیت مخرب را عادی تشخیص دهد. نویسنده از مبانی امنیت شبکه و یادگیری ماشین آغاز کرده است و بحث را تا روش‌های حمله، دفاع و طراحی سامانه‌های مقاوم ادامه می‌دهد. انتشارات حانون این کتاب را منتشر کرده است. نسخه‌ی الکترونیکی این اثر را می‌توانید از طاقچه خرید و دانلود کنید.

درباره کتاب یادگیری خصمانه در امنیت شبکه و سیستم های تشخیص نفوذ

کتاب یادگیری خصمانه در امنیت شبکه و سیستم های تشخیص نفوذ، اثر لیلا فاضلی، بر تقابل میان مدل‌های یادگیری و مهاجمانی متمرکز است که رفتار این مدل‌ها را هدف می‌گیرند. موضوع اصلی فقط شناسایی حمله به شبکه نیست؛ امنیت ابزار تشخیص نیز بخشی از مسئله است. نویسنده ابتدا محرمانگی، یکپارچگی و دسترس‌پذیری را به‌عنوان سه رکن امنیت اطلاعات توضیح داده است. سپس سامانه‌های تشخیص نفوذ را از نظر محل استقرار و شیوه‌ی شناسایی تهدید معرفی می‌کند. تفاوت تشخیص مبتنی بر امضا و تشخیص مبتنی بر ناهنجاری، زمینه‌ای برای فهم نقش یادگیری ماشین فراهم می‌سازد. توضیح یادگیری نظارت‌شده، بدون نظارت و نیمه‌نظارتی نیز نشان می‌دهد که وضعیت برچسب‌گذاری داده‌ها چگونه بر انتخاب مدل اثر می‌گذارد. شبکه‌های کانولوشنی، بازگشتی و خودرمزگذارها در پیوند با تحلیل ترافیک و کشف رفتار غیرعادی بررسی شده‌اند.
کتاب یادگیری خصمانه در امنیت شبکه و سیستم های تشخیص نفوذ در ۱۵ فصل، مباحث پایه را به بررسی تهدید و پیاده‌سازی پیوند می‌دهد. «مفاهیم بنیادی یادگیری خصمانه»، «حملات خصمانه علیه مدل‌های یادگیری ماشین» و «طراحی IDS مقاوم در برابر حملات خصمانه» از عنوان‌های این مسیر هستند. مفهوم مدل تهدید در این میان اهمیت دارد؛ میزان دانش، دسترسی و توانایی مهاجم، معنای ارزیابی امنیت را تعیین می‌کند. فصل‌های دفاعی به آموزش خصمانه، فشرده‌سازی ویژگی‌ها، تقطیر دفاعی و بهینه‌سازی مقاوم اختصاص دارند. یادگیری تقویتی در دفاع سایبری، مجموعه‌داده‌ها، ابزارهای پیاده‌سازی و آماده‌سازی داده‌ها نیز موضوع فصل‌های دیگرند. نویسنده علاوه‌بر معرفی روش‌ها، محدودیت‌های ارزیابی را مطرح کرده است. بحث درباره‌ی هشدار کاذب و حمله‌های شناسایی‌نشده نشان می‌دهد که یک عدد به‌تنهایی برای سنجش کیفیت سامانه کافی نیست. خواننده در این مسیر با مسئله‌ی انتخاب معیار متناسب با هزینه‌ی خطاها آشنا می‌شود؛ مسئله‌ای که میان نتیجه‌ی آزمایش و نیاز محیط عملیاتی پیوند برقرار می‌کند.

خلاصه کتاب یادگیری خصمانه در امنیت شبکه و سیستم های تشخیص نفوذ

ایده‌ی محوری کتاب یادگیری خصمانه در امنیت شبکه و سیستم های تشخیص نفوذ این است که دقت مدل، به‌تنهایی نشانه‌ی مقاومت در برابر مهاجم نیست. مهاجم ممکن است فرایند آموزش را با داده‌های دستکاری‌شده منحرف کند یا هنگام استفاده از مدل، ورودی گمراه‌کننده بسازد. حملات استخراج و وارونگی مدل نیز بازسازی رفتار مدل یا دستیابی به اطلاعات داده‌های آموزشی را هدف می‌گیرند. نویسنده برای بررسی این تهدیدها، تعریف توانایی‌های مهاجم و شناسایی نقاط دستکاری در چرخه‌ی عمر مدل را ضروری می‌داند. بحث دفاع سپس از مقاوم‌سازی آموزش تا معماری‌های چندلایه گسترش می‌یابد. پیام اصلی، ارزیابی امنیت در شرایط خصمانه است؛ شرایطی که انتخاب معیارها باید تابع نوع تهدید، هزینه‌ی هشدار اشتباه و پیامد ازدست‌دادن حمله باشد.

چرا باید کتاب یادگیری خصمانه در امنیت شبکه و سیستم های تشخیص نفوذ را بخوانیم؟

دلایل خواندن کتاب یادگیری خصمانه در امنیت شبکه و سیستم های تشخیص نفوذ را می‌توان این‌طور خلاصه کرد:

• تفاوت حمله به شبکه و حمله به مدل تشخیص را روشن می‌کند.
• چارچوبی برای شناخت دانش، اهداف و دسترسی مهاجم ارائه می‌دهد.
• روش‌های مقاوم‌سازی را در کنار مسائل پیاده‌سازی معرفی می‌کند.
• محدودیت اتکا به یک معیار ارزیابی را توضیح می‌دهد.

خواندن این کتاب را به چه کسانی پیشنهاد می‌کنیم؟

کتاب یادگیری خصمانه در امنیت شبکه و سیستم های تشخیص نفوذ به این گروه‌ها پیشنهاد می‌شود:

• دانشجویان تحصیلات تکمیلی علاقه‌مند به امنیت یادگیری ماشین.
• پژوهشگران آسیب‌پذیری سامانه‌های تشخیص نفوذ.
• متخصصان شبکه درگیر ارزیابی مدل‌های تشخیص.
• علاقه‌مندان به کاربرد یادگیری ماشین در دفاع سایبری.