资料列表
Preview Name 作者 Date File info
鲍磊@青松云安全 2019-05-15 13:50:48
  • 附件: 1 个
  • 大小: 3.42 M
  • 智能之源 安全之本
    • 通过感知外界信息并不断学习进化,人类产生了智能
    • 基于大量数据的学习与训练,机器产生了智能
    • 如果数据的获取出现了问题
    • 如果数据的处理出现了问题……
    • 数据 智能之源 安全之本
    • 数据安全保护,从原点开始
    • 在感知终端应用微边界保护架构
    • 安全启动 保护终端数据处理环境的安全
    • 程序保护 保护终端数据处理程序的安全
    • 敏感信息保护 关键数据不泄露、不被非法访问
    • 主动防御 终端数据风险实时监测与响应
    • 移动APP中的数据 全方位保护移动数据的安全
    • 态势感知 提供全面的数据运营安全管理
阚志刚@梆梆安全 2019-04-29 10:22:09
  • 附件: 1 个
  • 大小: 2.19 M
  • 威胁与安全AI战场上的决斗
    • 不断进化的网络犯罪组织
    • AI?机器学习?
    • AI?机器学习?深度学习?
    • AI在恶意软件制作中的案例
    • AI在防御系统中的案例
    • AI在威胁中的进化
    • AI和自动化显著降低了攻击时间
    • FortiGuard的数字...
    • AI的基础:大数据和机器学习
    • 自主进化的检测系统(SEDS)
    • FortiGuard自主进化的检测系统(SEDS)
    • 下一代Web应用防护
    • 传统的WAF应用学习防护
    • 多种机器学习来解决
张略 Fortinet中国技术总监 2018-12-20 10:52:35
  • 附件: 1 个
  • 大小: 1.1 M
  • 浅谈互联网安全建设
    • 电商金融面临的主要风险类型
    • 基础安全
    • 关于设备告警/日志
    • 安全体系
    • 业务安全
    • 风控
    • 关于机器学习的应用
    • DGA恶意域名判断
林鹏 2018-11-29 02:43:30
  • 附件: 1 个
  • 大小: 3.04 M
  • 机器学习对高度自动驾驶功能安全系统的挑战
  • Can Machine Learning in Highly Automated Driving Exist in a Functional Safety System?

    Mark A. Crawford, Jr. Great Wall Motor ABSTRACT Machine learning (ML) is increasingly becoming a key enabling technology for highly automated driving (HAD) vehicles. With all the significant advances that ML has contributed in HAD, there are significant challenges in assessing the risks associated with this artificial intelligence technology. ML presents unique hazards and software challenges that require new approaches to ensure functional safety. This presentation will review the difficulties in incorporating ML into HAD to reduce safety risks and will discuss recommendations for solving these problems in a functional safety context.

    机器学习(ML)技术正日益成为推动高度自动驾驶(HAD)汽车发展的关键因素。不过,ML 技术在推动 HAD 汽车实现重大发展的同时,也带来了一些新的安全风险。具体来说,ML 技术的应用给汽车功能安全 带来了新风险与新的软件挑战。本演讲将侧重介绍ML 技术应用于HAD 汽车所带来的安全风险,并就如 何提高HAD 汽车功能安全提出了几点建议。

Mark A. Crawford, Jr. @长城汽车 2018-11-27 09:05:37
  • 附件: 1 个
  • 大小: 5.25 M
  • 唯品会攻击检测实践
  • 议题简介:

    • (1)在海量流量中检测攻击,有如大海捞针。传统的攻击检测方案消耗大量机器性能。
    • (2)如何利用流量特点,制定适用于大流量业务的攻击测方案:更少的性能需求,更好的效果。
    • (3)唯品会的攻击检测 pipeline:异常检测 + 机器学习 + 专家反馈。
姜朋序 唯品会信息安全工程师 2018-11-24 11:06:42
  • 附件: 1 个
  • 大小: 0.78 M
携程 岳良 2018-09-19 04:57:43
  • 附件: 1 个
  • 大小: 3.45 M
  • TACTICAL APPROACHES VS. SELF ORGANIZED SWARMBOTS
    • 1986: Craig Reynolds Creates Boids AI Sim
    • Original 1986 BOID Life Simulation Model
    • 1989: Swarm Intelligence is Coined
    • Ant Colony Optimization
    • Software Examples: Swarm Robotics
    • Botnet Building Blocks
    • Blackhat Swarms –Removing the C2
    • Hide and Seek
    • Intent Based Solutions: Swarm Networks
    • Mar 2018: Canonical ES Exploits Q*Bert
Derek Manky Chief, Security Insights - Fortinet 2018-09-18 02:45:03
  • 附件: 1 个
  • 大小: 1.9 M
  • Security for Machine Learning
  • Security for Machine Learning

    • •Integrity
      • – Training
      • – Deployment/Prediction
    • •Confidentiality
      • – Users: private training and testing data
      • –Service providers: confidential algorithms, models, and hyperparameters
Neil Gong ECE Department Iowa State University 2018-09-17 13:52:50
  • 附件: 1 个
  • 大小: 1.33 M
于忠臣-安赛科技 2018-09-02 11:21:08
  • 附件: 1 个
  • 大小: 3.56 M