🛡️ قاعدة المعرفة لأمن الذكاء الاصطناعي

هذا مشروع بحثي منهجي في أمن الذكاء الاصطناعي، يغطي نظامًا معرفيًا متكاملًا بدءًا من نظرية خوارزميات التعلم الآلي الأساسية وصولًا إلى هجمات حقن النماذج اللغوية الكبيرة المتطورة، ومواجهة التهرب من برامج مكافحة الفيروسات في الذكاء الاصطناعي، والتزييف العميق (Deepfake).

---

🏗️ بنية النظام المعرفي

تنقسم محتويات هذا المستودع إلى أربعة أقسام رئيسية: خوارزميات الذكاء الاصطناعي الأساسية، نمذجة التهديدات، الهجوم للفريق الأحمر، والدفاع للفريق الأزرق.

🧬 أولًا: أساسيات الذكاء الاصطناعي ونظرياته

الفهم العميق للمنطق الرياضي الكامن خلف النماذج هو الشرط الأساسي لاكتشاف ثغرات الخوارزميات.

• مدخل إلى الذكاء الاصطناعي - تاريخ تطور الذكاء الاصطناعي وفروعه ومفاهيمه الأساسية.
• بنية التعلم العميق - تفكيك عميق للبنى بدءًا من CNN/RNN وصولًا إلى بنية Transformer.
• خوارزميات التعلم الآلي الأساسية - الانحدار الخطي/اللوجستي، SVM، أشجار القرار، الغابات العشوائية، و朴素 بايز.
• استكشاف التعلم غير الخاضع للإشراف - تحليل التجميع (K-Means, GMM) وقواعد الارتباط.
• مبادئ التعلم المعزز - منطق ألعاب الوكلاء (Agent) وأساسيات اتخاذ القرار الآلي.

🚨 ثانيًا: نمذجة التهديدات وأطر المخاطر

استنادًا إلى معايير الأمان الدولية السائدة، تحليل أسطح الهجوم لأنظمة الذكاء الاصطناعي.

• إطار مخاطر أمن الذكاء الاصطناعي - تفسير متعمق لـ OWASP ML/LLM Top 10، ويشمل حقن المطالبات (Prompt Injection)، وتسميم البيانات، واستنتاج النماذج.
• أمان MCP المتخصص - أحدث الأبحاث الأمنية حول بروتوكول سياق النموذج (Model Context Protocol)، بما في ذلك تسميم الأدوات وتحليل ثغرات Cursor IDE.
• أمان المهارات (skill) - تحليل تكوينات وممارسات الدفاع لأمان المهارات.

🏹 ثالثًا: تدريبات الهجوم للفريق الأحمر

استكشاف الاستغلال العملي للذكاء الاصطناعي كـ"سلاح" في الهجوم والدفاع السيبراني.

• الذكاء الاصطناعي الهجومي العملي -
  • فحص ثغرات الذكاء الاصطناعي: استخدام Shennina و Shannon لتحقيق اختبار اختراق آلي قائم على الاستدلال.
  • مواجهة البرمجيات الخبيثة: استخدام Pesidious و MalwareGAN لتحقيق طفرات تهرب من برامج مكافحة الفيروسات مدفوعة بالتعلم المعزز.
  • احتيال التزييف العميق: مبادئ واستغلال استنساخ الصوت والفيديو في الوقت الفعلي (Deep-Live-Cam, Voice-Pro).

🛡️ رابعًا: تمكين الدفاع للفريق الأزرق

دراسة كيفية استخدام الخوارزميات لبناء أنظمة دفاع أمني أكثر استباقية.

• تمكين الأمن بالخوارزميات - كشف حركة المرور الشاذة القائم على التعلم الآلي، والتدقيق الآلي، والبحث عن التهديدات.

---

🚀 اتجاهات الاهتمام الأساسية

---

🛠️ طريقة القراءة المقترحة

1. المبتدئون: يُنصح بالبدء من AI.md وقراءة وحدات الخوارزميات بالترتيب لبناء حدس رياضي أساسي.
2. ممارسو الأمن: ادخل مباشرة إلى AI安全.md لفهم إطار مخاطر OWASP، وراجع 进攻性AI.md لإجراء تجارب محلية.
3. المطورون: ركز على قراءة MCP安全.md و 算法赋能安全.md لبناء حلول تكامل آمنة للذكاء الاصطناعي.

---

دورة الفيديو الكاملة:

كود أقوى وأكثر قابلية للتطبيق العملي، والمزيد من الطرق المتقدمة لاستغلال الثغرات، والمزيد من المنهجيات!

⚠️ إخلاء المسؤولية

تنبيه هام: المحتوى التقني في هذا المستودع مخصص فقط للتعليم الأمني والتدقيق الامتثالي والبحث الأكاديمي.

• يُحظر استخدام أي تقنية من هذا المشروع لأغراض غير قانونية.
• قبل استخدام الأدوات الهجومية، تأكد من حصولك على إذن صريح من النظام المستهدف.
• لا يتحمل المؤلف أي مسؤولية عن الأضرار الناتجة عن إساءة استخدام محتويات هذا المستودع.

---

🤝 المساهمة والتواصل

نرحب بتقديم Issue أو Pull Request لتحسين الوثائق. إذا وجدت أن هذا المشروع مفيد لك، فيرجى منحه نجمة (Star) 🌟.

---

آخر تحديث: 2026-03-06
المؤلف: GhostWolfLab/Snowwolf