Machine Learning for Cybersecurity

2020/2021

Academic Year

RUS

Instruction in Russian

4

ECTS credits

Delivered at:

Department of Information Systems and Technologies (Faculty of Informatics, Mathematics, and Computer Science (HSE Nizhny Novgorod))

Course type:

Elective course

When:

4 year, 3 module

Instructor

Baevsky, Yuri

Программа дисциплины

Аннотация

Применение алгоритмов машинного обучения в информационной безопасности. Мы изучим наиболее распространенные проблемы, с которыми сталкиваются на практике при разработке систем машинного обучения в области информационной безопасности. Научимся применять методы машинного обучения для обеспечения информационной безопасности в различных областях экономической деятельности.

Цель освоения дисциплины

• сформировать у студентов системное представление о теории и сформировать практические навыки применения методов машинного обучения в информационной безопасности при решении задач бизнес - информатики. Программа предусматривает лекции, практические занятия и выполнение заданий, отражающих реальное применение материалов курса при решении практических задач.

Планируемые результаты обучения

• анализировать практические ситуации
• анализировать и управлять рисками
• анализировать риски защищенности частной жизни
• примененять модели Cyber Kill Chain
• Классифицировать уязвимости и угрозы
• анализировать трафик с помощью ML алгоритмов
• применять ML алгоритмы для защиты от спама
• применять методы статического анализа кода для поиска уязвимостей
• применять промышленные системы проактивной защиты, построенные на использовании алгоритмов машинного обучения
• анализировать поведения в сети с использованием алгоритмов МЛ
• управлять защитой во время таргетированной атаки
• управлять непрерывностью бизнес-процессов во время DDoS атаки.
• анализировать риски открытого и закрытого кода
• защищать критически важные данные от потери
• контролировать качества данных и эффективность моделей
• анализировать ML алгоритмы на уязвимость

Содержание учебной дисциплины

• Экономика кибератаки.
  Стратегии с применением теория игр. Человеческий фактор как один из базовых рисков. Организационные меры защиты информации. Политики информационной безопасности. Кейс-стади. Практическая игра с распределение ролей и функций.
• Понимание ландшафта угроз.
  Технологии защиты сетевой инфраструктуры.Жизненный цикл атаки. Стандартизация в области информационной безопасности. Виртуализация.
• Понятие privacy.
  Законодательные акты и стандарты в области защиты информации. Основные принципы и особенности применения на практике.
• Управление рисками информационной безопасности: методы и инструменты.
  Способы обнаружения и предотвращения информационных атак
• Как анализ данных и машинное обучение помогают в решении практических задач в области информационной безопасности.
  Классификация и кластеризация уязвимостей, угроз.
• Криптографические и стенографические методы защиты информации.
  Криптопротоколы и методы доказательства их корректности. Применение ML в криптоанализе
• Уязвимости информационных систем.
  Методы выявления и устранения с применением методов ML. Спам-рассылки: технологии, организация и методы защиты
• Культурные особенности применения ИБ.
  Пользовательский интерфейс как фактор безопасности. Принципы и методы анализа безопасности программного обеспечения методами ML
• Рынок ошибок в ПО.
  Эффективность алгоритмов ML в проактивном и реактивном подходах к обеспечению информационной безопасности
• Бот-сети.
  Бот-сети. Рекламные рассылки и боты. Мета-анализ поведения в сети с использованием ML.
• Фишинг, таргетированные атаки, социальная инженерия.
  Модели и методы ML для обнаружения, защиты и расследования инцидентов.
• DDoS атаки.
  Атаки и методы защиты от них.
• Методы ML в статической и динамической верификации.
  Фаззинг. Методология SDL.
• Атаки шифровальшиков-вымогателей.
  Виды вредоносных программ. Атаки на промышленные системы. Экономика и социальные последствия таких атак
• Промышленные системы, использующие модели и алгоритмы машинного обучения.
  Использование моделей и алгоритмов машинного обучения в промышленных системах.
• Даркнет.
  Принципы работы Даркнет. Анонимность в сети. Криптовалюты. Атаки на системы ML.

Элементы контроля

• Доклад
• Тест
• Экзамен
  Итоговый контроль в 2019/2020 учебном году состоялся в 3 модуле
• Доклад
• Тест
• Экзамен
  Итоговый контроль в 2019/2020 учебном году состоялся в 3 модуле

Промежуточная аттестация

• Промежуточная аттестация (3 модуль)
  0.15 * Доклад + 0.15 * Тест + 0.7 * Экзамен

Список литературы

Рекомендуемая основная литература

• Mirkin, B. Core concepts in data analysis: summarization, correlation and visualization. – Springer Science & Business Media, 2011. – 388 pp.

Рекомендуемая дополнительная литература

• Caravelli, J., & Jones, N. (2019). Cyber Security: Threats and Responses for Government and Business. Santa Barbara, CA: Praeger. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=2014189