AI_Security_Top

Une base de connaissances structurée couvrant les fondamentaux de la sécurité de l'IA, la modélisation des menaces, les techniques offensives de red team et les défenses de blue team, incluant la sécurité des LLM, le ML adversarial et les contre-mesures contre les deepfakes.

Comprendre en profondeur la logique mathématique derrière les modèles est un prérequis pour identifier les vulnérabilités algorithmiques.

• Introduction à l'IA - Histoire du développement de l'IA, ses branches et concepts clés.
• Architectures d'apprentissage profond - Déconstruction approfondie des architectures, des CNN/RNN aux Transformers.
• Algorithmes fondamentaux d'apprentissage automatique supervisé - Régression linéaire/logistique, SVM, arbres de décision, forêts aléatoires et Naïve Bayes.
• Exploration de l'apprentissage non supervisé - Analyse par clustering (K-Means, GMM) et règles d'association.
• Principes de l'apprentissage par renforcement - Logique de jeu des agents et fondements de la prise de décision automatisée.

🚨 Pilier 2 : Modélisation des menaces et cadres de risque

Analyse de la surface d'attaque des systèmes d'IA sur la base des cadres de sécurité internationaux dominants.

• Cadre des risques de sécurité de l'IA - Interprétation approfondie de l'OWASP ML/LLM Top 10, couvrant l'injection de prompts (Prompt Injection), l'empoisonnement des données et l'inversion de modèles.
• Sécurité spécifique MCP - Recherche de sécurité récente sur le Model Context Protocol, incluant l'empoisonnement d'outils et l'analyse des vulnérabilités de l'IDE Cursor.
• Sécurité des compétences (skills) - Analyse des configurations de sécurité des compétences et des pratiques défensives.

🏹 Pilier 3 : Exercices d'offensive Red Team

Exploration de l'exploitation pratique de l'IA comme « arme » dans les cyberattaques et les défenses.

• IA offensive en pratique -
  • Scan de vulnérabilités par IA : Utilisation de Shennina et Shannon pour une pénétration automatisée par inférence.
  • Antagonisme des logiciels malveillants : Utilisation de Pesidious et MalwareGAN pour des mutations anti-détection pilotées par apprentissage par renforcement.
  • Fraude par contrefaçon profonde : Principes et exploitation du clonage audio/vidéo en temps réel (Deep-Live-Cam, Voice-Pro).

🛡️ Pilier 4 : Renforcement de la défense Blue Team

Étude de la manière d'utiliser les algorithmes pour construire des systèmes de défense de sécurité plus prédictifs.

• Sécurité renforcée par les algorithmes - Détection de trafic anormal basée sur l'apprentissage automatique, audit automatisé et chasse aux menaces.

🚀 Axes d'intérêt principaux

🛠️ Méthodes de lecture suggérées

1. Débutants : Il est recommandé de commencer par AI.md, puis de lire les modules algorithmiques dans l'ordre afin d'établir une intuition mathématique de base.
2. Professionnels de la sécurité : Entrez directement dans AI安全.md pour comprendre le cadre de risque OWASP, et référez-vous à 进攻性AI.md pour des expérimentations locales.
3. Développeurs : Concentrez-vous sur MCP安全.md et 算法赋能安全.md pour construire des solutions d'intégration IA sécurisées.

Cours vidéo complet :

Un code plus puissant et plus exploitable, davantage de méthodes avancées pour les vulnérabilités, et plus de méthodologies !

⚠️ Avertissement

Remarque importante : Le contenu technique de ce dépôt est destiné exclusivement à l'enseignement de la sécurité, aux audits de conformité et à la recherche académique.

• Il est interdit d'utiliser toute technologie de ce projet à des fins illégales.
• Avant d'utiliser des outils offensifs, assurez-vous d'avoir obtenu une autorisation explicite du système cible.
• L'auteur décline toute responsabilité en cas de pertes résultant d'un usage abusif du contenu de ce dépôt.

🤝 Contribution et échanges

Les Issues et Pull Requests sont les bienvenus pour améliorer la documentation. Si vous trouvez ce projet utile, merci de lui accorder une Star 🌟.

Dernière mise à jour : 2026-03-06
Auteur : GhostWolfLab/Snowwolf