🛡️ AI-Security-Knowledge-Base

这是一个系统性的 AI 安全研究项目，涵盖了从基础机器学习算法理论到前沿大模型注入攻击、AI 免杀对抗及深度伪造（Deepfake）的完整知识体系。

---

🏗️ 知识体系架构

本库内容分为四大板块：AI 核心算法、威胁建模、红队进攻及蓝队防御。

🧬 一：AI 基础与理论

深入理解模型背后的数学逻辑，是寻找算法漏洞的前提。

• AI 概论 - 人工智能发展史、分支及核心概念。
• 深度学习架构 - 从 CNN/RNN 到 Transformer 架构的深度解构。
• 核心机器学习算法 - 线性/逻辑回归、SVM、决策树、随机森林及朴素贝叶斯。
• 无监督学习探索 - 聚类分析（K-Means, GMM）与关联规则。
• 强化学习原理 - 智能体（Agent）博弈逻辑与自动化决策基础。

🚨 二：威胁建模与风险框架

基于国际主流安全标准，分析 AI 系统的攻击面。

• AI 安全风险框架 - 深度解读 OWASP ML/LLM Top 10，涵盖 Prompt Injection、数据中毒及模型反演。
• MCP 专项安全 - 针对 Model Context Protocol 的最新安全研究，包括工具投毒与 Cursor IDE 漏洞分析。
• skill安全 - 解析skill安全的配置与防御实践。

🏹 三：红队进攻演练

探索 AI 在网络攻防中作为“武器”的实战利用。

• 进攻性 AI 实战 -
  • AI 漏洞扫描：利用 Shennina 与 Shannon 实现推理型自动化渗透。
  • 恶意软件对抗：利用 Pesidious 与 MalwareGAN 进行强化学习驱动的免杀变异。
  • 深度伪造欺诈：实时音视频克隆（Deep-Live-Cam, Voice-Pro）的原理与利用。

🛡️ 四：蓝队防御赋能

研究如何利用算法构建更具预见性的安全防御体系。

• 算法赋能安全 - 基于机器学习的异常流量检测、自动化审计与威胁猎取。

---

🚀 核心关注方向

---

🛠️ 建议阅读方式

1. 初学者：建议从 AI.md 开始，按顺序阅读算法模块，建立底层的数学直觉。
2. 安全从业者：直接进入 AI安全.md 了解 OWASP 风险框架，并参考 进攻性AI.md 进行本地实验。
3. 开发者：重点阅读 MCP安全.md 与 算法赋能安全.md，构建安全的 AI 集成方案。

---

完整视频课程：

更强大可实战化的代码，更多漏洞进阶方式，更多方法！

⚠️ 免责声明

重要提示： 本仓库所涉及的技术内容仅供安全教学、合规审计及学术研究使用。

• 禁止将本项目中的任何技术用于非法用途。
• 在使用进攻性工具前，请确保您已获得目标系统的明确授权。
• 作者不对任何滥用本仓库内容导致的损失负责。

---

🤝 贡献与交流

欢迎提交 Issue 或 Pull Request 来完善文档。如果你觉得这个项目对你有帮助，请点一个 Star 🌟。

---

Last Updated: 2026-03-06
Author: GhostWolfLab/Snowwolf