Primena veštačke inteligencije u računarskoj bezbednosti

Cilj i ishod predmeta

Cilj predmeta je sticanje znanja o pojedinim algoritmima veštačke inteligencije koji su primenljivi u računarskoj bezbednosti, ovladavanje osnovnim principima rada, karakteristikama i uvid u dosadašnje njihovo korišćenje sa osmišljavanjem potencijalnih novih primena kroz diskusiju. Nakon završenog kursa, student će razumeti kako navedeni algoritmi rade i biće u stanju da u programskom jeziku Pajton sagleda osnovne koncepte primene pojedinih algoritama.

Teorijska nastava

Osnovni koncepti algoritama veštačke inteligencije koji se primenjuju u računarskoj bezbednosti. Istorijska perspektiva algoritama veštačke inteligencije. Osnovni principi rada. Primena velikih jezičkih modela u računarskoj bezbednosti. Osnovni principi rada. Prednosti i mane javno dostupnih u odnosu na lokalne jezičke modele. Odabrani algoritmi, osnovni principi rada i najčešće primene u računarskoj bezbednosti: K-menas Clustering, rekurentne neuronske mreže, ansambl stabala odlučivanja Naivni Bajes. Primena algoritama u fazi prikupljanja podataka, izviđanja, socijalnom inženjeringu i druge primene. Primena algoritama u fazi otkrivanja ranjivosti, za klasifikaciju objekata sa potencijalnim ranjivostima, pri identifikovanju potencijalnih napadača. Primena algoritama u fazi otkrivanja napada u mrežnom saobraćaju. Klasifikacija mrežnog saobraćaja. Primena algoritama kod antivirus rešenja. Primene algoritama kao poboljšanje sandox rešenja. Primena algoritama u fazi otkrivanja napada u logovima, na mrežne barijere i SIEM rešenja. Etičke dileme, drugi algoritmi i buduća primena.

Praktična nastava

Programski jezik Pajton primenjen na algoritme veštačke inteligencije. Realizacija algoritma K-menas Clustering za problem klasifikacije smeštanjem u klastere nad odabranim korpusom podataka. Realizacija algoritma RNN u procesu binarne klasifikacije malicioznog softvera. Realizacija algoritma Random forest za rešavanje problema klasifikacije malicioznog softvera i optimizacija hiper parametara. Prikaz rezultata grafičkim putem uz određivanje tačnosti klasifikacije u fazi testiranja za svaki ansabl stabala odlučivanja. Implementacija algoritma Naivni Bajes na otkrivanje anomalija u logovima operativnog sistema Windows. Implementacija LLM jezičkih modela i njihova upotreba u računarskoj bezbednosti.