AI_Security_Top

Una base de conocimiento estructurada que cubre los fundamentos de seguridad en IA, modelado de amenazas, técnicas ofensivas de red team y defensas de blue team, incluyendo seguridad de LLM, ML adversarial y contramedidas contra deepfakes.

Comprender en profundidad la lógica matemática detrás de los modelos es el requisito previo para encontrar vulnerabilidades algorítmicas.

• Introducción a la IA - Historia del desarrollo de la inteligencia artificial, ramas y conceptos centrales.
• Arquitecturas de aprendizaje profundo - Deconstrucción profunda desde CNN/RNN hasta la arquitectura Transformer.
• Algoritmos centrales de aprendizaje automático supervisado - Regresión lineal/logística, SVM, árboles de decisión, bosques aleatorios y Naive Bayes.
• Exploración del aprendizaje no supervisado - Análisis de agrupamiento (K-Means, GMM) y reglas de asociación.
• Principios del aprendizaje por refuerzo - Lógica de juego de agentes y fundamentos de la toma de decisiones automatizada.

🚨 Dos: Modelado de amenazas y marcos de riesgo

Basado en los principales estándares internacionales de seguridad, analiza la superficie de ataque de los sistemas de IA.

• Marco de riesgos de seguridad en IA - Interpretación profunda del OWASP ML/LLM Top 10, que cubre Prompt Injection, envenenamiento de datos e inversión de modelos.
• Seguridad específica de MCP - Investigación de seguridad de vanguardia sobre el Model Context Protocol, incluido el envenenamiento de herramientas y el análisis de vulnerabilidades de Cursor IDE.
• Seguridad de skills - Análisis de la configuración de seguridad de skills y las prácticas de defensa.

🏹 Tres: Ejercicios de ataque de equipo rojo

Explora la explotación práctica de la IA como "arma" en ataques y defensas cibernéticas.

• IA ofensiva en la práctica -
  • Escaneo de vulnerabilidades con IA: uso de Shennina y Shannon para lograr una penetración automatizada basada en razonamiento.
  • Conflicto con malware: uso de Pesidious y MalwareGAN para mutaciones de evasión de detección impulsadas por aprendizaje por refuerzo.
  • Fraude con falsificación profunda: principios y explotación de la clonación de audio y video en tiempo real (Deep-Live-Cam, Voice-Pro).

🛡️ Cuatro: Capacitación de defensa de equipo azul

Investiga cómo utilizar algoritmos para construir sistemas de defensa de seguridad más predictivos.

• Seguridad potenciada por algoritmos - Detección de tráfico anómalo basada en aprendizaje automático, auditoría automatizada y caza de amenazas.

🚀 Direcciones centrales de interés

🛠️ Forma de lectura recomendada

1. Principiantes: se recomienda comenzar con AI.md y leer los módulos de algoritmos en orden para construir una intuición matemática de base.
2. Profesionales de seguridad: accede directamente a AI安全.md para comprender el marco de riesgos de OWASP y consulta 进攻性AI.md para realizar experimentos locales.
3. Desarrolladores: céntrate en MCP安全.md y 算法赋能安全.md para construir soluciones seguras de integración de IA.

Curso de video completo:

¡Código más potente y práctico, más formas avanzadas de explotar vulnerabilidades, más métodos!

⚠️ Aviso legal

Aviso importante: el contenido técnico de este repositorio se proporciona únicamente para fines de enseñanza de seguridad, auditoría de cumplimiento e investigación académica.

• Está prohibido utilizar cualquier tecnología de este proyecto con fines ilegales.
• Antes de utilizar herramientas ofensivas, asegúrate de contar con la autorización explícita del sistema objetivo.
• El autor no se hace responsable de las pérdidas derivadas del uso indebido del contenido de este repositorio.

🤝 Contribuciones y comunicación

Te invitamos a enviar Issues o Pull Requests para mejorar la documentación. Si crees que este proyecto te resulta útil, por favor dale una Star 🌟.

Última actualización: 2026-03-06
Autor: GhostWolfLab/Snowwolf