🚨 Опасность зараженных AI-моделей: новый вызов в мире кибербезопасности
В опенсорс сообществе иногда происходят удивительные вещи. Недавно стало известно, что на популярной платформе Hugging Face обнаружили около сотни вредоносных ML моделей. Выяснилось, что некоторые из них содержат скрытые бэкдоры, представляя потенциальную угрозу для безопасности компьютеров пользователей и инфраструктуры компаний. 🤖
Этот случай еще раз напоминает о важности тщательной проверки кода, даже если он доступен в популярных репозиториях. 🕵️♂️
Подробности можно прочитать здесь. 🛑
Будьте на шаг впереди злоумышленников. Stay secure and read SecureTechTalks. 🛡
#SecureTechTalks #ML #backdoor
В опенсорс сообществе иногда происходят удивительные вещи. Недавно стало известно, что на популярной платформе Hugging Face обнаружили около сотни вредоносных ML моделей. Выяснилось, что некоторые из них содержат скрытые бэкдоры, представляя потенциальную угрозу для безопасности компьютеров пользователей и инфраструктуры компаний. 🤖
Этот случай еще раз напоминает о важности тщательной проверки кода, даже если он доступен в популярных репозиториях. 🕵️♂️
Подробности можно прочитать здесь. 🛑
Будьте на шаг впереди злоумышленников. Stay secure and read SecureTechTalks. 🛡
#SecureTechTalks #ML #backdoor
👍1
🔒🚀 Дорожная карта в области AISecurity
‼️ Внимание, специалисты по кибербезопасности! В России была разработана первая дорожная карта по искусственному интеллекту и сопутствующим технологиям для обогащения знаний в области AISecurity. Проект «AI/ML/LLM security study map» представлен исследователями ИБ, с целью помочь расширить экспертизу в сфере кибербезопасности.
🛡️🔍 В карте описаны различные угрозы, связанные с ИБ и искусственным интеллектом, а также инструменты для их реализации. Каждый специалист может ознакомиться с описанием угроз и посмотреть, какими инструментами они могут быть осуществлены.
📚 Карта также предоставляет множество дополнительных материалов, включая ссылки на профильные материалы с конференций и нормативные документы различных стран, включая Россию.
💡 Это важный шаг в области кибербезопасности, так как с каждым годом проблемы безопасности в области AI становятся все более актуальными.
🔍 Подробнее о карте и возможности участия можно узнать на Github-репозитории проекта «AI/ML/LLM security study map».
Stay secure and read SecureTechTalks 📚
#AI #ML #AISecurity💡
‼️ Внимание, специалисты по кибербезопасности! В России была разработана первая дорожная карта по искусственному интеллекту и сопутствующим технологиям для обогащения знаний в области AISecurity. Проект «AI/ML/LLM security study map» представлен исследователями ИБ, с целью помочь расширить экспертизу в сфере кибербезопасности.
🛡️🔍 В карте описаны различные угрозы, связанные с ИБ и искусственным интеллектом, а также инструменты для их реализации. Каждый специалист может ознакомиться с описанием угроз и посмотреть, какими инструментами они могут быть осуществлены.
📚 Карта также предоставляет множество дополнительных материалов, включая ссылки на профильные материалы с конференций и нормативные документы различных стран, включая Россию.
💡 Это важный шаг в области кибербезопасности, так как с каждым годом проблемы безопасности в области AI становятся все более актуальными.
🔍 Подробнее о карте и возможности участия можно узнать на Github-репозитории проекта «AI/ML/LLM security study map».
Stay secure and read SecureTechTalks 📚
#AI #ML #AISecurity💡
🔍 Доклады конференции по кибербезопасности Black Hat 2024: Уязвимости и риски AI
⚠️ Уязвимость AI-ассистента Microsoft Copilot
Исследователь по безопасности Майкл Баргури и его коллега Авишай Эфрат выявили серьёзные уязвимости в Copilot Studio от Microsoft. Дыры безопасности могут позволить злоумышленникам взломать корпоративные сети и получить доступ к чувствительной информации. Основные проблемы связаны неправильными настройками по умолчанию, плагинами с повышенными привилегиями, а также ошибками проектирования интеграционных взаимодействий. Кроме того Баргури также продемонстрировал инструмент Copilot Hunter, способный сканировать общедоступные инсталляции Copilot и извлекать ценную информацию. По итогу докладов были представлены рекомендации по защите Copilot.
🔒 Доклад NVIDIA: Критические уязвимости в LLM
Команда NVIDIA AI Red Team представила обзор критических язвимостей в больших языковых моделях. Среди них – инъекции команд, а также проблемы безопасности, связанные с плагинами. Уязвимости LLM могут привести к искажению данных или утечке информации. Важным выводом является то, что LLM создают статистические предсказания, что делает их подверженными «галлюцинациям» и инъекциям команд. Детальной информацией NVIDIA делится в своём блоге.
🛡️ Глубокие бэкдоры в AI-агентах
На конференции также обсуждались риски, связанные с Deep Reinforcement Learning (DRL), где были выявлены опасные бэкдоры, встроенные непосредственно в нейронные сети. Такие бэкдоры могут скрыто манипулировать поведением агента, выдавая вредоносную информацию в качестве ответа на запрос. Исследователи предложили новые методы для выявления бэкдоров, анализируя внутренние активации нейронной сети в процессе работы.
Stay secure and read SecureTechTalks 📚
#кибербезопасность #AI #ML #LLM #MicrosoftCopilot #NVIDIA #BlackHat2024 #технологии
⚠️ Уязвимость AI-ассистента Microsoft Copilot
Исследователь по безопасности Майкл Баргури и его коллега Авишай Эфрат выявили серьёзные уязвимости в Copilot Studio от Microsoft. Дыры безопасности могут позволить злоумышленникам взломать корпоративные сети и получить доступ к чувствительной информации. Основные проблемы связаны неправильными настройками по умолчанию, плагинами с повышенными привилегиями, а также ошибками проектирования интеграционных взаимодействий. Кроме того Баргури также продемонстрировал инструмент Copilot Hunter, способный сканировать общедоступные инсталляции Copilot и извлекать ценную информацию. По итогу докладов были представлены рекомендации по защите Copilot.
🔒 Доклад NVIDIA: Критические уязвимости в LLM
Команда NVIDIA AI Red Team представила обзор критических язвимостей в больших языковых моделях. Среди них – инъекции команд, а также проблемы безопасности, связанные с плагинами. Уязвимости LLM могут привести к искажению данных или утечке информации. Важным выводом является то, что LLM создают статистические предсказания, что делает их подверженными «галлюцинациям» и инъекциям команд. Детальной информацией NVIDIA делится в своём блоге.
🛡️ Глубокие бэкдоры в AI-агентах
На конференции также обсуждались риски, связанные с Deep Reinforcement Learning (DRL), где были выявлены опасные бэкдоры, встроенные непосредственно в нейронные сети. Такие бэкдоры могут скрыто манипулировать поведением агента, выдавая вредоносную информацию в качестве ответа на запрос. Исследователи предложили новые методы для выявления бэкдоров, анализируя внутренние активации нейронной сети в процессе работы.
Stay secure and read SecureTechTalks 📚
#кибербезопасность #AI #ML #LLM #MicrosoftCopilot #NVIDIA #BlackHat2024 #технологии
👍1
🚨 Новые навыки в кибербезопасности: спрос на специалистов в области LLM и ML растёт
В 2024 году всё больше организаций осознают важность защиты своих активов от угроз, связанных с искусственным интеллектом. Согласно отчёту ISACA, около 24% опрошенных назвали навыки в области LLM SecOps и ML SecOps одними из самых серьёзных пробелов в кибербезопасности.
🔑 Что такое LLM SecOps и ML SecOps? ML SecOps — это процесс интеграции безопасности на всех этапах разработки и развёртывания систем машинного обучения. Фреймворк включает в себя защиту данных, используемых для обучения моделей, предотвращение искажений, а также применение стандартных мер безопасности, таких как безопасное кодирование, моделирование угроз и реагирование на инциденты.
LLM SecOps охватывает весь жизненный цикл крупных языковых моделей, начиная с подготовки данных и заканчивая реагированием на инциденты. Этот процесс включает такие аспекты, как этическая оценка на этапе разработки, очистка обучающих данных, предотвращение создания вредоносного контента, мониторинг модели после её развертывания и цензоринг.
📚 Где можно обучиться этим навыкам? Для специалистов по безопасности появляются новые ресурсы и курсы. Например, Benjamin Kereopa-Yorke, старший специалист по безопасности и исследователь в области AI, поддерживает репозиторий на GitHub с ресурсами и тренингами по ML SecOps. Также OWASP подготовил проекты Machine Learning Security Top Ten и OWASP Top Ten для LLM, описывающие, как предотвращать атаки на ML-системы и защищать LLM от угроз, таких как утечка данных или кража моделей.
🌐 Прочие ключевые навыки кибербезопасности Помимо навыков в ML и LLM, компании всё чаще ищут специалистов с опытом в облачных технологиях (42%), а также в области реализации мер безопасности (35%) и разработки программного обеспечения (28%). С увеличением числа рабочих нагрузок, перемещаемых в облако, важность защиты облачных активов становится всё более очевидной.
Stay secure and read SecureTechTalks 📚
#кибербезопасность #SecureTechTalks #LLM #ML #информационнаябезопасность #SecOps #ISACA
В 2024 году всё больше организаций осознают важность защиты своих активов от угроз, связанных с искусственным интеллектом. Согласно отчёту ISACA, около 24% опрошенных назвали навыки в области LLM SecOps и ML SecOps одними из самых серьёзных пробелов в кибербезопасности.
🔑 Что такое LLM SecOps и ML SecOps? ML SecOps — это процесс интеграции безопасности на всех этапах разработки и развёртывания систем машинного обучения. Фреймворк включает в себя защиту данных, используемых для обучения моделей, предотвращение искажений, а также применение стандартных мер безопасности, таких как безопасное кодирование, моделирование угроз и реагирование на инциденты.
LLM SecOps охватывает весь жизненный цикл крупных языковых моделей, начиная с подготовки данных и заканчивая реагированием на инциденты. Этот процесс включает такие аспекты, как этическая оценка на этапе разработки, очистка обучающих данных, предотвращение создания вредоносного контента, мониторинг модели после её развертывания и цензоринг.
📚 Где можно обучиться этим навыкам? Для специалистов по безопасности появляются новые ресурсы и курсы. Например, Benjamin Kereopa-Yorke, старший специалист по безопасности и исследователь в области AI, поддерживает репозиторий на GitHub с ресурсами и тренингами по ML SecOps. Также OWASP подготовил проекты Machine Learning Security Top Ten и OWASP Top Ten для LLM, описывающие, как предотвращать атаки на ML-системы и защищать LLM от угроз, таких как утечка данных или кража моделей.
🌐 Прочие ключевые навыки кибербезопасности Помимо навыков в ML и LLM, компании всё чаще ищут специалистов с опытом в облачных технологиях (42%), а также в области реализации мер безопасности (35%) и разработки программного обеспечения (28%). С увеличением числа рабочих нагрузок, перемещаемых в облако, важность защиты облачных активов становится всё более очевидной.
Stay secure and read SecureTechTalks 📚
#кибербезопасность #SecureTechTalks #LLM #ML #информационнаябезопасность #SecOps #ISACA
🤖 Мультиагентные системы для автономной киберзащиты
С ростом количества кибератак, необходимость в автономных и адаптивных системах защиты становится всё более актуальной. Исследователи предложили новый подход для повышения эффективности таких систем — использование мультиагентного глубокого обучения с подкреплением (MADRL). Данный метод позволяет агентам работать совместно для обнаружения и нейтрализации киберугроз, создавая тем самым более устойчивые системы.
🔑 Что такое MADRL и как это работает? MADRL — это технология, основанная на алгоритмах Actor-Critic, которая комбинирует стратегическое планирование (actor) и оценку состояния системы (critic). В мультиагентных системах каждый агент отвечает за свою область защиты, при этом агенты могут обмениваться информацией, работая над общей целью — максимальной защитой сети. Система автоматически распознает аномалии, атакующие действия и применяет меры для их устранения.
🛡️ Преимущества мультиагентного подхода
- Совместное обучение: агенты могут одновременно защищать разные части сети, что делает защиту более гибкой и масштабируемой.
- Автономное принятие решений: каждый агент обучается реагировать на угрозы в реальном времени без необходимости вмешательства человека.
- Адаптивность: система MADRL может самостоятельно подстраиваться под новые сценарии атак, улучшая свою эффективность с каждым новым взаимодействием.
💡 Практическое применение Исследования показывают, что мультиагентные системы могут значительно улучшить уровень защиты сетей, особенно в крупных организациях с разветвлённой инфраструктурой. Например, в модели тестовой сети, разделённой на сегменты (включая зоны повышенной безопасности и публичный доступ), агенты MADRL эффективно защищали критические узлы и предотвращали атаки на ранних стадиях.
📊 Результаты исследований В ходе испытаний мультиагентные системы показали высокую способность к быстрому обучению и адаптации к меняющимся угрозам. Использование алгоритмов PPO и A2C в этих системах дало значительные результаты: автономные агенты не только защищали сеть, но и помогали снижать количество ложных срабатываний, что всегда было проблемой для традиционных систем кибербезопасности.
📈 Перспективы
Новый подход открывает дверь к созданию более интеллектуальных систем киберзащиты, способных не только обнаруживать и устранять угрозы, но и самостоятельно обучаться на основе полученного опыта. Это будущее кибербезопасности, где системы смогут защищать себя без необходимости постоянного контроля со стороны человека.
🔗 Более подробно про MADRL можно прочитать в научном исследовании.
Stay secure and read SecureTechTalks 📚
#кибербезопасность #SecureTechTalks #AI #ML #MADRL #информационнаябезопасность #автономныесистемы
С ростом количества кибератак, необходимость в автономных и адаптивных системах защиты становится всё более актуальной. Исследователи предложили новый подход для повышения эффективности таких систем — использование мультиагентного глубокого обучения с подкреплением (MADRL). Данный метод позволяет агентам работать совместно для обнаружения и нейтрализации киберугроз, создавая тем самым более устойчивые системы.
🔑 Что такое MADRL и как это работает? MADRL — это технология, основанная на алгоритмах Actor-Critic, которая комбинирует стратегическое планирование (actor) и оценку состояния системы (critic). В мультиагентных системах каждый агент отвечает за свою область защиты, при этом агенты могут обмениваться информацией, работая над общей целью — максимальной защитой сети. Система автоматически распознает аномалии, атакующие действия и применяет меры для их устранения.
🛡️ Преимущества мультиагентного подхода
- Совместное обучение: агенты могут одновременно защищать разные части сети, что делает защиту более гибкой и масштабируемой.
- Автономное принятие решений: каждый агент обучается реагировать на угрозы в реальном времени без необходимости вмешательства человека.
- Адаптивность: система MADRL может самостоятельно подстраиваться под новые сценарии атак, улучшая свою эффективность с каждым новым взаимодействием.
💡 Практическое применение Исследования показывают, что мультиагентные системы могут значительно улучшить уровень защиты сетей, особенно в крупных организациях с разветвлённой инфраструктурой. Например, в модели тестовой сети, разделённой на сегменты (включая зоны повышенной безопасности и публичный доступ), агенты MADRL эффективно защищали критические узлы и предотвращали атаки на ранних стадиях.
📊 Результаты исследований В ходе испытаний мультиагентные системы показали высокую способность к быстрому обучению и адаптации к меняющимся угрозам. Использование алгоритмов PPO и A2C в этих системах дало значительные результаты: автономные агенты не только защищали сеть, но и помогали снижать количество ложных срабатываний, что всегда было проблемой для традиционных систем кибербезопасности.
📈 Перспективы
Новый подход открывает дверь к созданию более интеллектуальных систем киберзащиты, способных не только обнаруживать и устранять угрозы, но и самостоятельно обучаться на основе полученного опыта. Это будущее кибербезопасности, где системы смогут защищать себя без необходимости постоянного контроля со стороны человека.
🔗 Более подробно про MADRL можно прочитать в научном исследовании.
Stay secure and read SecureTechTalks 📚
#кибербезопасность #SecureTechTalks #AI #ML #MADRL #информационнаябезопасность #автономныесистемы
👍1
🤖 Когда ИИ решает, кто "подозрительный": как сделать это честно?
Алгоритмы могут быть не хуже людей… но и не лучше, если дискриминируют.
🚨 А в чём вообще проблема?
Представьте, что ваша безопасность зависит от работы алгоритма. Этот алгоритм — система обнаружения "аномалий": он решает, кто ведёт себя подозрительно.
И вот незадача: он чаще ошибается, если вы, скажем, пожилой человек. Или женщина.
Несправедливо? Очень. Но вполне реально.
🧠 Что придумали учёные?
Исследователи из Гонконга создали систему под названием FairAD — это такая "честная нейросеть", которая выявляет подозрительное поведение без предвзятости.
То есть:
➖ Она не судит по полу, возрасту или цвету кожи
➖ Не путает “другого” с “опасным”
➖ И всё ещё хорошо ловит реальных нарушителей
🔍 Как это работает?
Допустим, у нас есть куча людей (или операций, или событий в сети). Алгоритм должен найти тех, кто выбивается из общего поведения. Для этого он:
1⃣ Приводит всех “нормальных” к одному шаблону
2⃣ Только потом сравнивает с этим “шаблоном” новых людей
3⃣ Если кто-то сильно отличается — возможно, это аномалия
4⃣ И при этом он не знает, кто мужчина, кто женщина, кто откуда.
5⃣ Чистая логика — без предвзятых ярлыков.
🧪 Проверили на практике?
Да!
➖ На реальных базах данных (судимости, финансы, медицина)
➖ Даже когда данные были специально "перекошены" (например, больше мужчин, чем женщин)
Результат:
➖ Находит угрозы почти так же хорошо, как лучшие ИИ
➖ Но делает это справедливо — не зависая на одних и тех же группах людей
➖ F1-скор на COMPAS (чувствительный к расовым предвзятостям): Im-FairAD: 47.49%, выше всех конкурентов.
🧠 Точно ли это нужно?
В мире, где всё больше решений принимается алгоритмами — важно, чтобы алгоритмы не были токсичными.
Особенно в кибербезопасности, где “ошибка” может означать блокировку, бан или угрозу.
Именно такие проекты, как FairAD, учат ИИ быть не просто умным, а ещё и этичным.
Stay secure and read SecureTechTalks 📚
#SecureTechTalks #ИИ #Безопасность #Аномалии #Этика #AI #FairAI #CyberSecurity #ML #Антидискриминация #AIForGood
Алгоритмы могут быть не хуже людей… но и не лучше, если дискриминируют.
🚨 А в чём вообще проблема?
Представьте, что ваша безопасность зависит от работы алгоритма. Этот алгоритм — система обнаружения "аномалий": он решает, кто ведёт себя подозрительно.
И вот незадача: он чаще ошибается, если вы, скажем, пожилой человек. Или женщина.
Несправедливо? Очень. Но вполне реально.
🧠 Что придумали учёные?
Исследователи из Гонконга создали систему под названием FairAD — это такая "честная нейросеть", которая выявляет подозрительное поведение без предвзятости.
То есть:
🔍 Как это работает?
Допустим, у нас есть куча людей (или операций, или событий в сети). Алгоритм должен найти тех, кто выбивается из общего поведения. Для этого он:
1⃣ Приводит всех “нормальных” к одному шаблону
2⃣ Только потом сравнивает с этим “шаблоном” новых людей
3⃣ Если кто-то сильно отличается — возможно, это аномалия
4⃣ И при этом он не знает, кто мужчина, кто женщина, кто откуда.
5⃣ Чистая логика — без предвзятых ярлыков.
🧪 Проверили на практике?
Да!
Результат:
🧠 Точно ли это нужно?
В мире, где всё больше решений принимается алгоритмами — важно, чтобы алгоритмы не были токсичными.
Особенно в кибербезопасности, где “ошибка” может означать блокировку, бан или угрозу.
Именно такие проекты, как FairAD, учат ИИ быть не просто умным, а ещё и этичным.
Stay secure and read SecureTechTalks 📚
#SecureTechTalks #ИИ #Безопасность #Аномалии #Этика #AI #FairAI #CyberSecurity #ML #Антидискриминация #AIForGood
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥 Simulation в кибербезопасности: зачем запускать «виртуальные войны» 🚀
Симуляция - это не игра и не просто тест «в лаборатории». Это инструмент, который позволяет видеть уязвимости там, где реальная атака стоила бы миллионов.
💡 Реальные атаки непредсказуемы, а тесты в продакшене - опасны. Симуляция создаёт контролируемую копию инфраструктуры, в которой можно:
- Запустить DDoS 🌊 и отследить, на какой нагрузке сеть «падает».
- Смоделировать подмену данных в SCADA ⚡ и посмотреть, как автоматика начнёт давать ложные команды.
- Проверить реакцию блокчейн-узлов на атаку 51% 💰.
➖ Понять, как быстро вредонос распространится в корпоративной сети 🦠.
В симуляции можно крутить ручки параметров: от числа ботов в ботнете до задержек в канале, и фиксировать точные метрики: латентность, потерю пакетов, скорость восстановления, экономический ущерб.
📊 Глобальный анализ (135 исследований за 25 лет)
Учёные классифицировали симуляции по четырём осям:
➖ Где применяются: IT-сети, критическая инфраструктура, транспорт, блокчейн.
➖ Какие угрозы моделируют: от DoS до цепочек сложных атак.
➖ Как моделируют: агентные модели, вероятностные деревья атак, HIL.
➖ Для чего: оценка урона, тест защит, генерация ML-датасетов, расчёт ROI от безопасности.
🎯 Реальные кейсы
➖ Энергосети (SCADA) - симуляция подмены телеметрии выявила, что неправильная температура в датчике запускает аварийное отключение генератора.
➖ Транспорт (V2X) - подмена GPS-координат в симуляции автономного авто приводит к резкому торможению на трассе.
➖ Облачные платформы - моделирование DDoS показало, что при атаке в 10 Гбит/с автомитигатор успевает включиться через 7 секунд, но первые 5 секунд сервис недоступен.
➖ Блокчейн - симуляция атаки 51% показала, что при снижении хэшрейта на 25% вероятность успеха атакующего растёт в 2,3 раза.
🔥 Что симулируют чаще всего
1⃣ DDoS/DoS 🌊 - лидер по частоте, потому что легко настраивается и даёт чистые метрики.
2⃣ MitM и подмена данных 🎭 - критично для CPS/SCADA, где ошибка сенсора = катастрофа.
3⃣ Распространение вредоносов 🦠 - через SIR/SEIR-модели, чтобы найти точки отказа.
4⃣ Инъекции 💉 - моделируются реже, из-за привязки к конкретным приложениям.
🛠 Рабочие методы
➖ ABM (Agent-Based Modeling), когда важно смоделировать действия атакующего, администратора и пользователя в одном сценарии.
➖ Compartmental/SIR - быстрый макроанализ распространения угроз.
➖ Petri Nets - для многофазных атак с зависимыми шагами.
➖ HIL (Hardware-in-the-loop) - незаменимо, если нужно увидеть эффект атаки на реальном железе.
➖ Монте-Карло/байесовские деревья атак - для расчёта вероятностей успеха и экономического ущерба.
📌 Как использовать симуляцию на практике
1⃣ Начните с DDoS - минимальные затраты, максимум пользы для сетевой инфраструктуры.
2⃣ Делайте гибрид: симуляция + HIL для критичных систем.
3⃣ Генерируйте синтетические логи для ML - обучайте детекторы на реальных сценариях.
4⃣ Закладывайте поведение людей - иначе упустите сценарии социнженерии.
5⃣ Считайте деньги - симуляция даёт цифры, которыми можно убедить руководство инвестировать в защиту.
Stay secure and read SecureTechTalks 📚
#Simulation #CyberSecurity #SecureTechTalks #ИБ #DDoS #SCADA #Blockchain #HIL #ML #Инфобез
Симуляция - это не игра и не просто тест «в лаборатории». Это инструмент, который позволяет видеть уязвимости там, где реальная атака стоила бы миллионов.
💡 Реальные атаки непредсказуемы, а тесты в продакшене - опасны. Симуляция создаёт контролируемую копию инфраструктуры, в которой можно:
- Запустить DDoS 🌊 и отследить, на какой нагрузке сеть «падает».
- Смоделировать подмену данных в SCADA ⚡ и посмотреть, как автоматика начнёт давать ложные команды.
- Проверить реакцию блокчейн-узлов на атаку 51% 💰.
В симуляции можно крутить ручки параметров: от числа ботов в ботнете до задержек в канале, и фиксировать точные метрики: латентность, потерю пакетов, скорость восстановления, экономический ущерб.
📊 Глобальный анализ (135 исследований за 25 лет)
Учёные классифицировали симуляции по четырём осям:
🎯 Реальные кейсы
🔥 Что симулируют чаще всего
1⃣ DDoS/DoS 🌊 - лидер по частоте, потому что легко настраивается и даёт чистые метрики.
2⃣ MitM и подмена данных 🎭 - критично для CPS/SCADA, где ошибка сенсора = катастрофа.
3⃣ Распространение вредоносов 🦠 - через SIR/SEIR-модели, чтобы найти точки отказа.
4⃣ Инъекции 💉 - моделируются реже, из-за привязки к конкретным приложениям.
🛠 Рабочие методы
📌 Как использовать симуляцию на практике
1⃣ Начните с DDoS - минимальные затраты, максимум пользы для сетевой инфраструктуры.
2⃣ Делайте гибрид: симуляция + HIL для критичных систем.
3⃣ Генерируйте синтетические логи для ML - обучайте детекторы на реальных сценариях.
4⃣ Закладывайте поведение людей - иначе упустите сценарии социнженерии.
5⃣ Считайте деньги - симуляция даёт цифры, которыми можно убедить руководство инвестировать в защиту.
Stay secure and read SecureTechTalks 📚
#Simulation #CyberSecurity #SecureTechTalks #ИБ #DDoS #SCADA #Blockchain #HIL #ML #Инфобез
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥🛡 FRAME: фреймворк для оценки рисков атак на ML-модели!
👾 Adversarial Machine Learning (AML) - это реальная угроза. Вашу ML-модель можно атаковать так же, как сервер или веб-приложение. Но как понять, какие атаки действительно угрожают именно вашей системе?
До сих пор у нас не было универсального ответа.
Команда из Университета Бен-Гуриона представила FRAME - комплексный и автоматизированный инструмент для оценки рисков AML-атак. Это рабочий фреймворк, проверенный на реальных сценариях.
🤔 Где скрывалась проблема?
Классические системы анализа киберрисков (CVSS, MITRE ATT&CK) не учитывают уникальные уязвимости ML-моделей.
А существующие AML-инструменты (например, ART) оценивают лишь «устойчивость» модели к отдельным атакам, но игнорируют:
🌐 где развёрнута система,
🕵️ кто атакует (хакер, инсайдер, клиент),
⚖️ насколько реальна атака,
💥 какой бизнес-ущерб она нанесёт.
FRAME решает все эти вопросы системно.
⚙️ Как работает FRAME
Фреймворк построен из пяти взаимосвязанных компонентов:
📋 System Profiling - владелец системы заполняет анкету. LLM помогает адаптировать вопросы под конкретный use-case. Сразу оцениваются архитектура модели, данные, безопасность и критичность атак.
🗺 Attack Feasibility Mapping - карта из 86 атак AML (от Membership Inference до Evasion), связанная с факторами успешности и последствий.
📊 Performance Data Integration - база знаний из 1000+ научных статей, где описана успешность атак в реальных условиях.
🧮 Risk Modeling - расчёт итогового риска:
Риск = (Возможность атаки) × (Успешность) × (Воздействие)
Учитываются цифровые и физические атаки.
📈 Risk Ranking - ранжированный список TOP-угроз для вашей системы, плюс сгенерированные LLM сценарии атак.
🚨 Пример: E-commerce
ML-модель сортирует отзывы покупателей. Недобросовестный продавец решает обмануть систему:
🥇 Black-Box Interactive Evasion (риск ~6/10). Злоумышленник подбирает тексты до тех пор, пока модель не даёт нужный результат.
🥈 Black-Box Transferable Evasion (риск ~5.6/10). Тренирует surrogate-модель и создаёт «ядовитые» примеры.
🥉 Resource-Latency Attack (риск ~2.8/10). Создаёт отзывы, перегружающие систему, снижая доступность.
💡 Инсайты исследования
👑 Integrity-атаки доминируют (80%+ случаев). В NLP их доля доходит до 94%!
💻 Цифровые атаки эффективнее физических. Исключение — голосовые системы, где физические приёмы работают лучше.
⚖️ White-Box vs Black-Box почти 50/50, но домен решает:
NLP и Cyber - чаще Black-Box,
CV - White-Box.
⏳ Атаки на доступность редки (4%), но критически важны для real-time систем (например, спутниковая связь).
✅ Проверка боем
FRAME уже протестирован на 6 реальных кейсах (от антиспама до спутниковых сигналов).
Эксперты по AML оценили точность работы:
🎯 Overall Accuracy: 9/10
📌 Релевантность TOP-5 атак: ~9/10
Вывод: FRAME не просто генерирует список атак, а правильно расставляет приоритеты.
🔮 Планы на будущее
Авторы планируют добавить:
🛡️ автоматические рекомендации по защите (например, как adversarial training меняет оценку риска),
🤖 поддержку многомодельных систем,
📂 открытый доступ к коду и датасету.
🔗 Подробнее читайте в статье
Stay secure and read SecureTechTalks 📚
#FRAME #AdversarialML #MachineLearning #AIsecurity #RiskAssessment #Кибербезопасность #ML #ИБ
👾 Adversarial Machine Learning (AML) - это реальная угроза. Вашу ML-модель можно атаковать так же, как сервер или веб-приложение. Но как понять, какие атаки действительно угрожают именно вашей системе?
До сих пор у нас не было универсального ответа.
Команда из Университета Бен-Гуриона представила FRAME - комплексный и автоматизированный инструмент для оценки рисков AML-атак. Это рабочий фреймворк, проверенный на реальных сценариях.
🤔 Где скрывалась проблема?
Классические системы анализа киберрисков (CVSS, MITRE ATT&CK) не учитывают уникальные уязвимости ML-моделей.
А существующие AML-инструменты (например, ART) оценивают лишь «устойчивость» модели к отдельным атакам, но игнорируют:
🌐 где развёрнута система,
🕵️ кто атакует (хакер, инсайдер, клиент),
⚖️ насколько реальна атака,
💥 какой бизнес-ущерб она нанесёт.
FRAME решает все эти вопросы системно.
⚙️ Как работает FRAME
Фреймворк построен из пяти взаимосвязанных компонентов:
📋 System Profiling - владелец системы заполняет анкету. LLM помогает адаптировать вопросы под конкретный use-case. Сразу оцениваются архитектура модели, данные, безопасность и критичность атак.
🗺 Attack Feasibility Mapping - карта из 86 атак AML (от Membership Inference до Evasion), связанная с факторами успешности и последствий.
📊 Performance Data Integration - база знаний из 1000+ научных статей, где описана успешность атак в реальных условиях.
🧮 Risk Modeling - расчёт итогового риска:
Риск = (Возможность атаки) × (Успешность) × (Воздействие)
Учитываются цифровые и физические атаки.
📈 Risk Ranking - ранжированный список TOP-угроз для вашей системы, плюс сгенерированные LLM сценарии атак.
🚨 Пример: E-commerce
ML-модель сортирует отзывы покупателей. Недобросовестный продавец решает обмануть систему:
🥇 Black-Box Interactive Evasion (риск ~6/10). Злоумышленник подбирает тексты до тех пор, пока модель не даёт нужный результат.
🥈 Black-Box Transferable Evasion (риск ~5.6/10). Тренирует surrogate-модель и создаёт «ядовитые» примеры.
🥉 Resource-Latency Attack (риск ~2.8/10). Создаёт отзывы, перегружающие систему, снижая доступность.
💡 Инсайты исследования
👑 Integrity-атаки доминируют (80%+ случаев). В NLP их доля доходит до 94%!
💻 Цифровые атаки эффективнее физических. Исключение — голосовые системы, где физические приёмы работают лучше.
⚖️ White-Box vs Black-Box почти 50/50, но домен решает:
NLP и Cyber - чаще Black-Box,
CV - White-Box.
⏳ Атаки на доступность редки (4%), но критически важны для real-time систем (например, спутниковая связь).
✅ Проверка боем
FRAME уже протестирован на 6 реальных кейсах (от антиспама до спутниковых сигналов).
Эксперты по AML оценили точность работы:
🎯 Overall Accuracy: 9/10
📌 Релевантность TOP-5 атак: ~9/10
Вывод: FRAME не просто генерирует список атак, а правильно расставляет приоритеты.
🔮 Планы на будущее
Авторы планируют добавить:
🛡️ автоматические рекомендации по защите (например, как adversarial training меняет оценку риска),
🤖 поддержку многомодельных систем,
📂 открытый доступ к коду и датасету.
🔗 Подробнее читайте в статье
Stay secure and read SecureTechTalks 📚
#FRAME #AdversarialML #MachineLearning #AIsecurity #RiskAssessment #Кибербезопасность #ML #ИБ
🤖🔐 AIDEFEND: как защитить модели от атак
Сегодняшние AI/ML-системы всё чаще становятся мишенью атак. От prompt injection и model stealing до data poisoning и обхода фильтров - злоумышленники находят всё новые лазейки.
🧩 Так появился AIDEFEND - фреймворк, который собирает в одном месте тактики обороны для искусственного интеллекта, превращая академические знания и отдельные инструменты в целостную систему.
🔗 GitHub: AIDEFEND Framework
⚙️ Что по технике?
Фреймворк опирается на три «оси» анализа:
➖ Tactics ⚔️ - 7 способов защиты (например, Harden → добавление регуляризации или adversarial training, Deceive → генерация ложных ответов для атакующего).
➖ Pillars 🏛 - уровни защиты: Data, Model, Infrastructure, Application.
➖ Phases 📆 - защита на всем жизненном цикле модели: от сбора датасета до эксплуатации и восстановления.
Эти три измерения связаны с базами знаний: MITRE ATLAS, OWASP LLM Top-10, MAESTRO, что позволяет быстро находить, чем именно закрыть конкретную уязвимость.
🛠️ Примеры техник
Model Hardening 🧮
Используются методы вроде adversarial training: во время обучения модели специально подмешиваются «вредные» примеры (например, с добавленным шумом или переформулированными запросами), чтобы она научилась их распознавать.
Интеграция: через PyTorch/TensorFlow callbacks или готовые библиотеки (например, Adversarial Robustness Toolbox).
Data Poisoning Detection 🧬
Реализуется через статистический анализ датасета: поиск аномальных распределений, сравнение с эталонными выборками, автоматическое «отбраковывание» подозрительных данных.
Интеграция: встраивается в ETL-пайплайн через Python-скрипты и Spark.
Prompt Injection Mitigation 💬
Используются фильтры на уровне LLM API (Lakera Guard, Rebuff) + собственные регулярные выражения и эвристики.
Интеграция: middleware перед API-endpoint модели.
Deception Techniques 🎭
Если атака всё же идёт, система может намеренно «кормить» злоумышленника ложными данными (например, фальшивые API-эндпоинты или поддельные веса модели), создавая ловушки.
📊 Ещё про фишки
🔍 Визуализация защиты - переключаешься между тактиками, фазами и уровнями, видишь пробелы.
📂 70+ техник с кодом - от простых сниппетов на Python до Terraform-модулей для облачной инфраструктуры.
🛡 Прямая связка с реальными атаками - например, атака «Membership Inference» сразу указывает на защиту через дифференциальную приватность.
📈 Отчёты для менеджмента - можно выгрузить CSV с приоритетами защитных мер и сразу показать CISO, какие риски закрыты, а какие нет.
🚀 Практическая ценность
➖ Для MLOps-инженеров:
AIDEFEND работает как чек-лист + набор утилит, которые можно встроить прямо в CI/CD.
➖ Для Red Team / Blue Team: фреймворк помогает симулировать атаки и тестировать, насколько модель реально устойчива.
➖ Для CISO и риск-менеджеров: понятная визуализация, которая переводит сложные академические концепции в язык бизнес-рисков.
🔮 Планы
Создатели уже заявили о планах интеграции AIDEFEND с системами мониторинга уровня Splunk, Elastic и Sentinel. Это значит, что через пару лет мы можем получить SOC-модуль для AI, где инциденты атак на ML будут логироваться так же, как сейчас DDoS или SQLi.
📚 Stay secure and read SecureTechTalks
#AIDEFEND #AIsecurity #MLOps #ML #AdversarialML #CyberSecurity #OWASP #MITRE #BlueTeam #SecureTechTalks
Сегодняшние AI/ML-системы всё чаще становятся мишенью атак. От prompt injection и model stealing до data poisoning и обхода фильтров - злоумышленники находят всё новые лазейки.
🧩 Так появился AIDEFEND - фреймворк, который собирает в одном месте тактики обороны для искусственного интеллекта, превращая академические знания и отдельные инструменты в целостную систему.
🔗 GitHub: AIDEFEND Framework
⚙️ Что по технике?
Фреймворк опирается на три «оси» анализа:
Эти три измерения связаны с базами знаний: MITRE ATLAS, OWASP LLM Top-10, MAESTRO, что позволяет быстро находить, чем именно закрыть конкретную уязвимость.
🛠️ Примеры техник
Model Hardening 🧮
Используются методы вроде adversarial training: во время обучения модели специально подмешиваются «вредные» примеры (например, с добавленным шумом или переформулированными запросами), чтобы она научилась их распознавать.
Интеграция: через PyTorch/TensorFlow callbacks или готовые библиотеки (например, Adversarial Robustness Toolbox).
Data Poisoning Detection 🧬
Реализуется через статистический анализ датасета: поиск аномальных распределений, сравнение с эталонными выборками, автоматическое «отбраковывание» подозрительных данных.
Интеграция: встраивается в ETL-пайплайн через Python-скрипты и Spark.
Prompt Injection Mitigation 💬
Используются фильтры на уровне LLM API (Lakera Guard, Rebuff) + собственные регулярные выражения и эвристики.
Интеграция: middleware перед API-endpoint модели.
Deception Techniques 🎭
Если атака всё же идёт, система может намеренно «кормить» злоумышленника ложными данными (например, фальшивые API-эндпоинты или поддельные веса модели), создавая ловушки.
📊 Ещё про фишки
🔍 Визуализация защиты - переключаешься между тактиками, фазами и уровнями, видишь пробелы.
📂 70+ техник с кодом - от простых сниппетов на Python до Terraform-модулей для облачной инфраструктуры.
🛡 Прямая связка с реальными атаками - например, атака «Membership Inference» сразу указывает на защиту через дифференциальную приватность.
📈 Отчёты для менеджмента - можно выгрузить CSV с приоритетами защитных мер и сразу показать CISO, какие риски закрыты, а какие нет.
🚀 Практическая ценность
AIDEFEND работает как чек-лист + набор утилит, которые можно встроить прямо в CI/CD.
🔮 Планы
Создатели уже заявили о планах интеграции AIDEFEND с системами мониторинга уровня Splunk, Elastic и Sentinel. Это значит, что через пару лет мы можем получить SOC-модуль для AI, где инциденты атак на ML будут логироваться так же, как сейчас DDoS или SQLi.
📚 Stay secure and read SecureTechTalks
#AIDEFEND #AIsecurity #MLOps #ML #AdversarialML #CyberSecurity #OWASP #MITRE #BlueTeam #SecureTechTalks
Please open Telegram to view this post
VIEW IN TELEGRAM
❤1
🔥 DDoS больше не внезапный шторм: исследователи научились предсказывать атаки с помощью нейросетей ⚡
Distributed Denial-of-Service (DDoS) - одна из самых разрушительных киберугроз. 🌐 Когда ботнет из сотен тысяч устройств обрушивает лавину трафика на ваш сервер, у вас остаются секунды для реакции. Но что если атаки можно не только фиксировать, когда всё уже горит, а предсказывать заранее?
📑 Исследователи из Universiti Malaya и Universiti Teknikal Malaysia Melaka опубликовали работу, где применили методы глубокого обучения для прогнозирования DDoS. Суть: анализ исторических данных + модель LSTM (Long Short-Term Memory) = система, которая умеет заранее улавливать признаки готовящейся атаки.
📊 Что сделали учёные?
1⃣ Проанализировали 192 525 DDoS-атак за 2019-2021 годы.
2⃣ Отдельно рассмотрели период COVID-19, когда переход бизнеса в онлайн вызвал взрыв атак:
- количество нападений >1 Тбит/с выросло на 94% всего за год.
- В выборке - данные более чем от 330 интернет-провайдеров, Digital Attack Map и публичных отчётов ISP.
3⃣ Обучили LSTM-модель, способную ловить паттерны во временных рядах, чтобы предугадывать моменты, когда вероятность DDoS особенно высока.
🚨 Результаты
✔️ Модель научилась предсказывать временные пики атак - пусть и не всегда точно указывая объём и длительность.
✔️ Даёт защитникам фору по времени: можно заранее поднять ресурсы, включить фильтрацию или распределить нагрузку.
✔️ Подтвердила, что чем больше данных в истории, тем выше точность прогнозов.
❌ Но есть и слабые места:
➖ Ошибки в оценке масштаба атаки.
➖ Ложные тревоги: иногда система "перебдит".
➖ Новые мультивекторные атаки всё ещё сложно предсказать.
🌍 Кому это нужно?
➖ CDN и облачные провайдеры смогут заранее готовить мощности и маршруты.
➖ Хостинги - переключать трафик на фильтрующие узлы до пика атаки.
➖ SOC-команды - заранее активировать агрессивные правила, а не включать их в панике.
💡 Если классическая защита DDoS похожа на пожарную команду, то этот подход ближе к метеослужбе: прогноз погоды не всегда точен, но он позволяет подготовиться.
🔧 Куда двигаться дальше?
➖ Добавлять новые типы данных: IoT-ботнеты, арендуемые DDoS-for-hire сервисы.
➖ Использовать ансамбли моделей: LSTM + трансформеры для точности.
➖ Работать над снижением ложных тревог, чтобы SOC-аналитики не игнорировали предупреждения.
📌 Немного фактов
Чтобы понять масштаб угрозы, вспомним последние громкие атаки:
🌐 Google (2023): крупнейшая DDoS-атака зафиксирована на уровне 398 млн запросов в секунду (RPS).
☁️ Cloudflare (2023): волна атак достигала 71 млн RPS.
🛡️ AWS (2020): DDoS на 2,3 Тбит/с стал одной из крупнейших атак того времени.
➡️ DDoS всегда был атакой-внезапностью. Но исследование показывает: будущее киберзащиты - в прогнозах и проактивных мерах. Даже неполное предсказание способно спасти миллионы долларов и сохранить uptime критических сервисов.
🔗 Полный текст исследования: arXiv:2509.02076
Stay secure and read SecureTechTalks 📚
#DDoS #DeepLearning #CyberSecurity #LSTM #ThreatIntelligence #SecureTechTalks #ML #DataScience #ThreatIntelligence
Distributed Denial-of-Service (DDoS) - одна из самых разрушительных киберугроз. 🌐 Когда ботнет из сотен тысяч устройств обрушивает лавину трафика на ваш сервер, у вас остаются секунды для реакции. Но что если атаки можно не только фиксировать, когда всё уже горит, а предсказывать заранее?
📑 Исследователи из Universiti Malaya и Universiti Teknikal Malaysia Melaka опубликовали работу, где применили методы глубокого обучения для прогнозирования DDoS. Суть: анализ исторических данных + модель LSTM (Long Short-Term Memory) = система, которая умеет заранее улавливать признаки готовящейся атаки.
📊 Что сделали учёные?
1⃣ Проанализировали 192 525 DDoS-атак за 2019-2021 годы.
2⃣ Отдельно рассмотрели период COVID-19, когда переход бизнеса в онлайн вызвал взрыв атак:
- количество нападений >1 Тбит/с выросло на 94% всего за год.
- В выборке - данные более чем от 330 интернет-провайдеров, Digital Attack Map и публичных отчётов ISP.
3⃣ Обучили LSTM-модель, способную ловить паттерны во временных рядах, чтобы предугадывать моменты, когда вероятность DDoS особенно высока.
🚨 Результаты
✔️ Модель научилась предсказывать временные пики атак - пусть и не всегда точно указывая объём и длительность.
✔️ Даёт защитникам фору по времени: можно заранее поднять ресурсы, включить фильтрацию или распределить нагрузку.
✔️ Подтвердила, что чем больше данных в истории, тем выше точность прогнозов.
❌ Но есть и слабые места:
🌍 Кому это нужно?
💡 Если классическая защита DDoS похожа на пожарную команду, то этот подход ближе к метеослужбе: прогноз погоды не всегда точен, но он позволяет подготовиться.
🔧 Куда двигаться дальше?
📌 Немного фактов
Чтобы понять масштаб угрозы, вспомним последние громкие атаки:
🌐 Google (2023): крупнейшая DDoS-атака зафиксирована на уровне 398 млн запросов в секунду (RPS).
☁️ Cloudflare (2023): волна атак достигала 71 млн RPS.
🛡️ AWS (2020): DDoS на 2,3 Тбит/с стал одной из крупнейших атак того времени.
➡️ DDoS всегда был атакой-внезапностью. Но исследование показывает: будущее киберзащиты - в прогнозах и проактивных мерах. Даже неполное предсказание способно спасти миллионы долларов и сохранить uptime критических сервисов.
🔗 Полный текст исследования: arXiv:2509.02076
Stay secure and read SecureTechTalks 📚
#DDoS #DeepLearning #CyberSecurity #LSTM #ThreatIntelligence #SecureTechTalks #ML #DataScience #ThreatIntelligence
Please open Telegram to view this post
VIEW IN TELEGRAM
❤1
🔥 Современные фильтры контента
Ваш сервис принимает пользовательский текст? Поздравляю, вы находитесь в зоне риска.
Среди обычных запросов всегда найдётся кто-то, кто попробует:
💣 вытащить инструкции для взлома
🧪 обойти защиту модели
🕵️ получить чужие персональные данные
🧩 устроить jailbreak
Классическая модерация при это совершенно не справляется.
❌ Почему старые фильтры не защищают
🔍 Ключевые слова бесполезны:
любой фильтр можно обмануть сарказмом, метафорой или вопросом «гипотетически…».
🐌 LLM как модератор слишком медленный:
700 - 900 мс задержки убивают UX и перегружают инфраструктуру.
🌀 Атаки становятся сложнее:
социальная инженерия для ИИ растёт как на дрожжах.
⚙️ Гибридная архитектура: скорость + точность
Золотая формула: лёгкий предфильтр + умная модель модерации.
⚡ 1) Лёгкий эмбеддинг-фильтр
Типа bge-m3 или distiluse:
отсекает токсичность и прямые нарушения, при этом не грузит серверы
🛡 2) Специализированный модератор
Для всего, что выглядит подозрительно, используется модель, созданная специально для безопасности (например, Qwen3Guard).
🛡 Для чего большая языковая модель?
🧭 определяет риск: safe / questionable / dangerous
🎯 классифицирует нарушения (PII, вредный контент, jailbreak и др.)
🚨 реагирует в режиме потока: анализирует токен за токеном
⚙️ может остановить генерацию в момент появления риска
⚡подходит для real-time сценариев
Фактически модель не просто фильтр. Это полноценный контентный IPS для ИИ-систем.
🔗 Ссылки:
📌 Qwen3Guard
📌 Эмбеддинги bge-m3
📌 Distiluse-base-multilingual (лёгкая универсальная модель эмбеддингов)
Stay secure and read SecureTechTalks 📚
#cybersecurity #aisecurity #llmsecurity #contentmoderation #infosec #ai #ml #aiattacks #secureai #SecureTechTalks
Ваш сервис принимает пользовательский текст? Поздравляю, вы находитесь в зоне риска.
Среди обычных запросов всегда найдётся кто-то, кто попробует:
💣 вытащить инструкции для взлома
🧪 обойти защиту модели
🕵️ получить чужие персональные данные
🧩 устроить jailbreak
Классическая модерация при это совершенно не справляется.
❌ Почему старые фильтры не защищают
🔍 Ключевые слова бесполезны:
любой фильтр можно обмануть сарказмом, метафорой или вопросом «гипотетически…».
🐌 LLM как модератор слишком медленный:
700 - 900 мс задержки убивают UX и перегружают инфраструктуру.
🌀 Атаки становятся сложнее:
социальная инженерия для ИИ растёт как на дрожжах.
⚙️ Гибридная архитектура: скорость + точность
Золотая формула: лёгкий предфильтр + умная модель модерации.
⚡ 1) Лёгкий эмбеддинг-фильтр
Типа bge-m3 или distiluse:
отсекает токсичность и прямые нарушения, при этом не грузит серверы
🛡 2) Специализированный модератор
Для всего, что выглядит подозрительно, используется модель, созданная специально для безопасности (например, Qwen3Guard).
🛡 Для чего большая языковая модель?
🧭 определяет риск: safe / questionable / dangerous
🎯 классифицирует нарушения (PII, вредный контент, jailbreak и др.)
🚨 реагирует в режиме потока: анализирует токен за токеном
⚙️ может остановить генерацию в момент появления риска
⚡подходит для real-time сценариев
Фактически модель не просто фильтр. Это полноценный контентный IPS для ИИ-систем.
🔗 Ссылки:
📌 Qwen3Guard
📌 Эмбеддинги bge-m3
📌 Distiluse-base-multilingual (лёгкая универсальная модель эмбеддингов)
Stay secure and read SecureTechTalks 📚
#cybersecurity #aisecurity #llmsecurity #contentmoderation #infosec #ai #ml #aiattacks #secureai #SecureTechTalks
👍1