AI 安全：技術與實戰

●第1章AI安全發展概述●
1.1 AI與安全衍生
1.1.1 AI發展圖譜
1.1.2 各國AI發展戰略
1.1.3 AI行業標準
1.1.4 AI安全的衍生本質——科林格里奇困境
1.2 AI安全技術發展脈絡

●第2章對抗樣本攻擊●
2.1 對抗樣本攻擊的基本原理
2.1.1 形式化定義與理解
2.1.2 對抗樣本攻擊的分類
2.1.3 對抗樣本攻擊的常見衡量指標
2.2 對抗樣本攻擊技巧與攻擊思路
2.2.1 白盒攻擊算法
2.2.2 黑盒攻擊算法
2.3 實戰案例：語音、圖像、文本識別引擎繞過
2.3.1 語音識別引擎繞過
2.3.2 圖像識別引擎繞過
2.3.3 文本識別引擎繞過
2.4 實戰案例：物理世界中的對抗樣本攻擊
2.4.1 目標檢測原理
2.4.2 目標檢測攻擊原理
2.4.3 目標檢測攻擊實現
2.4.4 攻擊效果展示
2.5 案例總結

●第3章數據投毒攻擊●
3.1 數據投毒攻擊概念
3.2 數據投毒攻擊的基本原理
3.2.1 形式化定義與理解
3.2.2 數據投毒攻擊的範圍與思路
3.3 數據投毒攻擊技術發展
3.3.1 傳統數據投毒攻擊介紹
3.3.2 數據投毒攻擊約束
3.3.3 數據投毒攻擊效率優化
3.3.4 數據投毒攻擊遷移能力提升
3.4 實戰案例：利用數據投毒攻擊圖像分類模型
3.4.1 案例背景
3.4.2 深度圖像分類模型
3.4.3 數據投毒攻擊圖像分類模型
3.4.4 實驗結果
3.5 實戰案例：利用投毒日誌躲避異常檢測系統
3.5.1 案例背景
3.5.2 RNN異常檢測系統
3.5.3 投毒方法介紹
3.5.4 實驗結果
3.6 案例總結

●第4章模型後門攻擊●
4.1 模型後門概念
4.2 後門攻擊種類與原理
4.2.1 投毒式後門攻擊
4.2.2 非投毒式後門攻擊
4.2.3 其他數據類型的後門攻擊
4.3 實戰案例：基於數據投毒的模型後門攻擊
4.3.1 案例背景
4.3.2 後門攻擊案例
4.4 實戰案例：供應鏈攻擊
4.4.1 案例背景
4.4.2 解析APK
4.4.3 後門模型訓練
4.5 實戰案例：基於模型文件神經元修改的模型後門攻擊
4.5.1 案例背景
4.5.2 模型文件神經元修改
4.5.3 觸發器優化
4.6 案例總結

●第5章預訓練模型安全●
5.1 預訓練範式介紹
5.1.1 預訓練模型的發展歷程
5.1.2 預訓練模型的基本原理
5.2 典型風險分析和防禦措施
5.2.1 數據風險
5.2.2 敏感內容生成風險
5.2.3 供應鏈風險
5.2.4 防禦策略
5.3 實戰案例：隱私數據洩露
5.3.1 實驗概況
5.3.2 實驗細節
5.3.3 結果分析
5.4 實戰案例：敏感內容生成
5.4.1 實驗概況
5.4.2 實驗細節
5.4.3 結果分析
5.5 實戰案例：基於自診斷和自去偏的防禦
5.5.1 實驗概況
5.5.2 實驗細節
5.5.3 結果分析
5.6 案例總結

●第6 章AI數據隱私竊取●
6.1 數據隱私竊取的基本原理
6.1.1 模型訓練中數據隱私竊取
6.1.2 模型使用中數據隱私竊取
6.2 數據隱私竊取的種類與攻擊思路
6.2.1 數據竊取攻擊
6.2.2 成員推理攻擊
6.2.3 屬性推理攻擊
6.3 實戰案例：聯邦學習中的梯度數據竊取攻擊
6.3.1 案例背景
6.3.2 竊取原理介紹
6.3.3 竊取案例
6.3.4 結果分析
6.4 實戰案例：利用AI水印對抗隱私洩露
6.4.1 案例背景
6.4.2 AI保護數據隱私案例
6.4.3 AI水印介紹
6.4.4 結果分析
6.5 案例總結

●第7 章AI應用失控風險●
7.1 AI應用失控
7.1.1 深度偽造技術
7.1.2 深度偽造安全風險
7.2 AI應用失控防禦方法
7.2.1 數據集
7.2.2 技術防禦
7.2.3 內容溯源
7.2.4 行業實踐
7.2.5 面臨挑戰
7.2.6 未來工作
7.3 實戰案例：VoIP電話劫持+語音克隆攻擊
7.3.1 案例背景
7.3.2 實驗細節
7.4 實戰案例：深度偽造鑑別
7.4.1 案例背景
7.4.2 實驗細節
7.4.3 結果分析
7.5 案例總結

●後記AI安全發展展望●