Eğitimin Amacı ve Kapsamı
Bilgisayarlı görü, ses/biyometri doğrulama ve çok modlu (vision-language) görevlerde çalışan derin sinir ağları; uç cihazlara (edge/mobil), şirket içi GPU sunucularına veya Triton/ONNX Runtime kümelerine dağıtıldığında hem model ağırlıklarının çalınması ve değiştirilmesi (fault/bit-flip) hem de ara katman temsillerinden ham görüntü/sesin geri çatılması (reconstruction) riskleriyle karşı karşıya kalır.
Eğitim; CNN ve Transformer mimarilerine özgü saldırı yüzeylerini, enerji/gecikme tüketen sponge örneklerini, derin ağ filigranlamayı (deep watermarking), şifreli ONNX/TensorRT dağıtımını ve NVIDIA Confidential Computing ile GPU belleğinde model korumayı uygulamalı olarak işler.
Kimler Katılmalı?
- Bilgisayarlı görü, ses, biyometri ve çok modlu derin öğrenme modelleri geliştiren mühendisler
- Edge AI, gömülü sistem ve yüksek performanslı GPU çıkarım (Triton/TensorRT) ekipleri
- Derin öğrenme fikri mülkiyetini ve model ağırlıklarını korumakla sorumlu güvenlik uzmanları
- Ön koşul: PyTorch ile derin sinir ağı mimarileri (CNN/Transformer) ve model dışa aktarma (ONNX) bilgisi
Kazanımlar
- CNN, Vision Transformer ve çok modlu ağlarda katman bazlı gizlilik ve bütünlük risklerini analiz etmek
- Embedding ve ara katman aktivasyonlarından ham görüntü/metin geri çatma (inversion) riskini ölçmek ve azaltmak
- Hesaplama ve enerji tüketimini patlatan sponge örneklerine karşı çıkarım sunucularını korumak
- Ağırlık uzayı veya tetikleyici tabanlı derin öğrenme filigranları (watermarks) gömmek ve doğrulamak
- ONNX/TensorRT model şifreleme, Triton güvenlik sıkılaştırması ve Confidential GPU ile model ağırlıklarını korumak
Konular
Derin Sinir Ağı Mimarilerinde Saldırı Yüzeyleri
- CNN, ResNet, Vision Transformer (ViT) ve çok modlu (CLIP/VLM) mimarilerin kırılganlık karşılaştırması
- Biyometrik doğrulama (yüz/ses) sistemlerinde sunum saldırıları (spoofing/deepfake) ve adversarial kesişim
Ara Katman ve Embedding Tersine Çevirme (Reconstruction)
- Split learning ve özellik çıkarıcı API'lerde aktivasyon/embedding vektöründen orijinal görüntüyü geri çatma
- Bilgi darboğazı (Information Bottleneck), gürültü enjeksiyonu ve boyut indirgeme savunmaları
Ağırlık Bütünlüğü, Bit-Flip ve Sponge Saldırıları
- Quantize edilmiş ağırlıklarda hedefli bit-flip / ağırlık enjeksiyonu ile model davranışını bozma
- Dinamik hesaplama ve attention katmanlarını hedef alan sponge / gecikme saldırıları ve çalışma zamanı sınırları
Derin Ağlarda Fikri Mülkiyet ve Watermarking
- Beyaz kutu (ağırlık dağılımı/pasaport katmanı) ve kara kutu (anahtar girdi seti) model filigranlama
- Fine-tuning, budama (pruning) ve quantization sonrası filigran dayanıklılığı testi
Güvenli Model Dağıtımı: ONNX, Triton ve Confidential GPU
- ONNX/TensorRT model paketlerinin şifrelenmesi, imzalanması ve NVIDIA Triton Inference Server sıkılaştırması
- Edge cihazlarda ve bulutta Confidential Computing (H100/Blackwell TEE) ile bellekte ağırlık koruması
Bu Kategorideki Diğer Eğitimler
-
Veri hazırlama, Jupyter çalışma alanları, MLflow, Kubeflow, model registry, CI/CD ve KServe/Kubernetes çıkarım kümelerini kapsayan MLOps yaşam döngüsünü Sigstore/Cosign, ModelScan ve sıfır güven kontrolleriyle güvenceye almayı öğreten eğitim.
- Canlı Kurs
- 5 modül
-
OWASP Top 10 for LLM Applications listesindeki tüm kritik riskleri, doğrudan ve dolaylı prompt injection saldırılarını, güvensiz çıktı işleme, model DoS ve aşırı maliyet risklerini güvenli yazılım geliştirme (SSDLC) perspektifiyle öğreten eğitim.
- Canlı Kurs
- 5 modül
-
Klasik makine öğrenmesi, derin öğrenme ve LLM API'lerine karşı MITRE ATLAS, Counterfit, ART, garak ve PyRIT araçlarıyla uçtan uca model sızma testi (pentest) yürütmeyi ve teknik bulgu raporu hazırlamayı öğreten eğitim.
- Canlı Kurs
- 5 modül
-
Oltalama (phishing) ve zararlı yazılım tespitinden güvenlik açığı önceliklendirme, siber tehdit istihbaratı (CTI) analizi ve SecOps asistanlarına kadar siber güvenlikte makine öğrenmesi ve LLM kullanımını uygulamalı öğreten eğitim.
- Canlı Kurs
- 5 modül
-
EDR, NDR ve bulut telemetrisi üzerinde davranışsal makine öğrenmesi, dizi (sequence) modelleri ve grafik analizleriyle zararlı yazılım, fidye yazılımı, C2 iletişimi ve çok adımlı saldırı zincirlerini tespit etmeyi öğreten eğitim.
- Canlı Kurs
- 5 modül
-
Etiketli saldırı verisinin bulunmadığı log, ağ trafiği ve kullanıcı davranışı (UEBA) akışlarında Isolation Forest, Autoencoder, zaman serisi ve grafik tabanlı denetimsiz anomali tespiti kurmayı ve yanlış alarmları azaltmayı öğreten eğitim.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
