AI 在網路安全的應用：威脅偵測、安全營運中心自動化

掌握網路安全領域 AI 基礎知識—無需任何 AI 先驗知識

從這 23.5 小時的課程，你會學到

學生將學習人工智慧 (Artificial Intelligence，AI)、機器學習 (Machine Learning，ML) 和深度學習 (Deep Learning，DL) 如何變革現代網路安全運作。
學生將獲得建置和應用 AI 驅動的威脅偵測、安全營運中心 (SOC) 自動化和事件回應系統的實用技能。
學生將學習如何使用 Darktrace、CrowdStrike 和 SOAR 平台等流行的基於 AI 的網路安全工具來實現自動化防禦工作流程。
學生將能夠使用真實資料集和自動化工具設計、模擬和實施 AI 增強的 SOC 工作流程。
理解人工智慧的核心原理及其在網路安全中的應用。
探索 AI 在威脅偵測、惡意軟體分析和事件回應方面的實際應用案例。
了解 AI 如何增強 SOC 營運、自動化任務並支援決策。
識別在網路安全環境中使用 AI 的關鍵風險、挑戰和限制。

要求

對網路安全或一般 IT 概念的基礎知識會有所幫助，但並非參加本課程的必要條件。
無需任何人工智慧、機器學習或程式設計的經驗——所有基本概念都將從零開始講解。
學生需要一台可連接網路的電腦，以便進行實踐操作、模擬和使用 AI 驅動的安全工具。
對人工智慧如何革新網路安全和自動化充滿熱情將有助於最大限度地提高學習效果。

課程說明

人工智慧正在重塑網路安全的未來——而本課程將為您提供掌握人工智慧的完整路線圖。

在「AI 在網路安全的應用：威脅偵測與安全營運中心自動化」課程中，您將學習人工智慧 (AI)、機器學習 (ML) 和深度學習 (DL) 如何變革企業偵測、預防和應對網路威脅的方式。

本課程融合了真實世界的實驗室、工具和自動化工作流程，旨在幫助您勝任下一代 AI 驅動的網路安全職位——從安全營運中心分析師到安全自動化工程師。

您將在各個模組中學習到：

模組 1：網路安全中的 AI 簡介
學習人工智慧、機器學習和深度學習的基礎知識，探索它們的演進、優勢和挑戰，並了解 AI 如何透過 Darktrace 和 CrowdStrike 等工具整合到現實世界的 SOC 環境中。
模組 2：AI 在威脅偵測的應用
了解機器學習在異常檢測中的應用、監督學習與非監督學習的區別，以及 AI 如何增強 Suricata 等入侵檢測系統，從而更快、更聰明地識別威脅。
模組 3：AI 在威脅情報的應用
了解如何使用自然語言處理 (Natural Language Processing，NLP) 分析網路釣魚數據，透過 VirusTotal 和 AbuseIPDB 等 API 自動豐富數據，並加強威脅情報管道。
模組 4：為 SOC 自動化的 AI
探索人工智慧驅動的 SOAR 平台、劇本自動化以及現代安全營運中人與 AI 決策之間的平衡。
模組 5：AI 在事件回應中的應用
了解 AI 如何輔助決策、預測違規影響、優化即時警報管理和取證重建。
模組 6：AI 在使用者行為分析 (UBA) 中的應用
將機器學習模型應用於基線使用者活動，偵測內部威脅，並使用基於圖表的分析進行行為風險評分。
模組 7：AI 在惡意軟體分析的應用
利用沙盒分析、嵌入和 EMBER 資料集執行 AI 驅動的惡意軟體分類，以偵測和預測惡意行為。
模組 8：雲端安全中的 AI
使用 AWS GuardDuty 或 Azure Defender 等人工智慧技術，透過錯誤配置偵測、異常分析和姿態管理，保護雲端環境安全。.
模組 9：網路安全中的人工智慧
分析網路流量，識別 DDoS 模式，並應用 ML 模型進行加密流量分析( encrypted traffic analysis )和零信任分段( zero-trust segmentation )
模組 10：端點安全中的 AI
實現 EDR 工作流程自動化，應用 federated learning，並使用基於行為的 AI 模型檢測勒索軟體。
第 11 單元：限制與倫理考量
研究 AI 系統中的偏見、誤報和隱私問題，以確保符合道德規範的網路安全實踐。
第 12 模組：AI 在網路安全領域的未來 + 畢業設計專案
設計 AI 增強型安全營運中心 (SOC) 工作流程，整合工具、自動化和分析功能，實現智慧網路防禦。