Struttura del corso
Introduzione all’AI distribuita ai bordi di rete e ai sistemi embedded
- Cos’è l’AI ai bordi di rete? Casistiche d’uso e limitazioni
- Piattaforme hardware edge e stack software correlati
- Sfide legate alla sicurezza in ambienti embedded e decentralizzati
Panoramica delle minacce per l’AI distribuita ai bordi di rete
- Rischi legati all’accesso fisico e alla manomissione dei dispositivi
- Esempi avversari e manipolazione dei modelli di intelligenza artificiale
- Possibili fuoriuscite di dati e rischi derivanti dall’inversione del modello
Protezione dei modelli di intelligenza artificiale
- Strategie per il rafforzamento strutturale e la quantizzazione dei modelli
- Tecniche di watermarking e fingerprinting applicate ai modelli
- Metodi come l’estrazione difensiva e il pruning per ridurre la vulnerabilità dei modelli
Inferenza crittografata ed esecuzione sicura
- Gli ambienti di esecuzione affidabili (Trusted Execution Environments) per l’AI
- Le enclave sicure e il calcolo confidenziale come strumenti di protezione
- Implementazione dell’inferenza crittografata tramite cifratura omeomorfica o SMPC
Rilevamento delle manomissioni e controlli a livello dispositivo
- Avvio sicuro del sistema e verifiche sull’integrità del firmware
- Validazione dei sensori e rilevamento di anomalie nei dati
- Attestazione remota e monitoraggio dello stato di salute dei dispositivi
Integrazione della sicurezza tra edge e cloud
- Trasmissione sicura dei dati e gestione delle chiavi di cifratura
- Cifratura end-to-end e tutela dell’intero ciclo di vita dei dati
- Coordinamento tra infrastrutture cloud AI e requisiti specifici legati alla sicurezza ai bordi di rete
Best practice e strategie di riduzione dei rischi
- Modellizzazione delle minacce nei sistemi AI distribuiti ai bordi di rete
- Principi progettuali fondamentali per garantire sicurezza nelle soluzioni embedded
- Gestione delle risposte agli incidenti e aggiornamento del firmware
Conclusione e prossimi passi
Requisiti
- Conoscenza di base dei sistemi embedded o degli ambienti di distribuzione dell’AI ai bordi di rete
- Esperienza nell’utilizzo di Python e framework per il machine learning (ad esempio TensorFlow Lite, PyTorch Mobile)
- Conoscenze elementari in materia di cybersecurity o modelli di minaccia legati all’IoT
Destinatari del corso
- Sviluppatori specializzati in soluzioni AI per sistemi embedded
- Esperti di sicurezza nell’ambito dell’IoT
- Ingegneri responsabili della distribuzione di modelli ML su dispositivi edge o a risorse limitate
Recensioni (3)
inventariare e identificare le diverse esposizioni al rischio nell'ambito dell'AI
Gary Cook - Cybersecurity and Information Technology Risk Division
Corso - Introduction to AI Trust, Risk, and Security Management (AI TRiSM)
Traduzione automatica
Ho apprezzato molto aver appreso riguardo agli attacchi di intelligenza artificiale e agli strumenti disponibili per iniziare a praticare e utilizzare attivamente nei test di sicurezza. Ho acquisito molte conoscenze che non avevo all'inizio e il corso ha corrisposto alle mie aspettative. La parte che ho preferito della formazione è stata Comet Browser: mi ha sorpreso ciò che era in grado di fare. Sicuramente valuterò di approfondire l'argomento. Nel complesso è stato un corso ottimo e ho apprezzato moltissimo l'apprendimento del Top 10 OWASP GenAI.
Patrick Collins - Optum
Corso - OWASP GenAI Security
Traduzione automatica
La conoscenza professionale e il modo in cui l'ha presentata a noi
Miroslav Nachev - PUBLIC COURSE
Corso - Cybersecurity in AI Systems
Traduzione automatica