Cyber AI Hunter

Analyse des menaces et des attaques cybernétiques

Bases de la Sécurité Informatique 4.7(57)4h 57min21 leçons2 sections

Ce que vous apprendrez

Comprendre les bases de l'intelligence artificielle en cybersécurité
Découvrir les données de cybersécurité et l'ingénierie des caractéristiques
Utiliser l'apprentissage automatique pour détecter les menaces
Analyser le comportement et détecter les anomalies
Comprendre la méthodologie de chasse aux menaces (Threat Hunting)
Appliquer les étapes de réponse aux incidents de sécurité
Réaliser des exercices pratiques sur chaque axe

À propos du cours

Ce cours vous montre comment utiliser l'intelligence artificielle en cybersécurité pour détecter les menaces, les traquer et s'en défendre. Il commence par une conférence d'introduction, puis les bases de l'intelligence artificielle en cybersécurité, Cyber AI Foundations, avec un exercice pratique. Vous apprenez ensuite les données de cybersécurité et l'ingénierie des caractéristiques (Security Data and Features), puis l'apprentissage automatique pour la détection des menaces (ML Threat Detection), ainsi que l'analyse comportementale et la détection d'anomalies (Behavioral and Anomaly Analysis). Vous passez ensuite à la méthodologie de chasse aux menaces (Threat Hunting) et, enfin, à la réponse aux incidents de sécurité (Incident Response), chaque partie étant suivie d'un exercice pratique. Le cours se termine par un examen final et un cahier d'exercices. Il est utile aux personnes intéressées par la cybersécurité, aux équipes SOC et aux défenseurs, et il est préférable d'avoir des connaissances de base en sécurité et en réseaux. À la fin, vous saurez comprendre comment l'intelligence artificielle aide à détecter les comportements anormaux, à analyser les données de sécurité et à suivre les étapes de réponse aux incidents, dans un objectif de protection.

Résultats attendus

Capacité à détecter les menaces cybernétiques en utilisant des techniques d'intelligence artificielle.
Compréhension pratique de l'analyse des données de sécurité dans les environnements SOC.
Préparation à travailler dans des équipes de chasse aux menaces et de défense cybernétique.
Mise en œuvre de réponses intelligentes aux incidents pour réduire le temps et l'impact des violations.

Avis des apprenants

Ces avis proviennent d'apprenants qui ont acheté le contenu et en ont complété au moins 50% — il n'y a aucun avis de personnes n'ayant pas suivi le contenu.

4.7

★★★★★

57 avis

5★

4★

3★

2★

1★

Contenu du cours

Cyber AI Hunter

17 leçons

Introduction au coursPrésente le cours Cyber AI qui associe IA et cybersécurité pour l'attaque, la défense et l'automatisation, avec les prérequis du labo comme VirtualBox et Kali Linux, des sources de données réelles et une approche de réflexion plutôt que de mémorisation d'outils.10:36
Fondations de l'IA Cyber (partie 1)Pose les bases de l'IA en cybersécurité, montre les limites de la sécurité traditionnelle basée sur des règles, l'évolution des menaces, le problème de l'explosion des données et des logs, et comment l'apprentissage détecte les comportements anormaux.20:08
Fondations de l'IA Cyber (partie 2)Poursuit les bases de Cyber AI en insistant sur la rapidité et la proactivité, ce que l'IA ne fait pas, la différence entre Automation et IA, le modèle Human in the Loop et son rôle pour réduire le bruit des alertes dans un SOC.22:09
Laboratoire IA CyberRéalise le premier labo pratique sous Kali Linux en créant les dossiers du labo, en téléchargeant un fichier de données et en le vérifiant avec des commandes comme wc et sha, puis en inspectant son contenu et en cherchant les messages les plus fréquents.30:37
Données de sécurité et caractéristiques (Partie 1)Explique le Feature Engineering qui transforme les données brutes et les logs en signaux exploitables par un modèle, les sources de données de sécurité comme le réseau, l'identité et les applications, les problèmes de qualité et des exemples comme la fréquence de connexion.17:33
Données de sécurité et caractéristiques (Partie 2)Poursuit le Feature Engineering avec des exemples comme les schémas temporels et la diversité des connexions, l'association du comportement aux signatures, le problème de déséquilibre des classes dû à la rareté des attaques et les erreurs courantes comme copier des features sans vérifier le contexte.20:15
Laboratoire de données de sécuritéRéalise le deuxième labo sur les logs de sécurité, en les transformant en features utiles avec des commandes comme grep, en comprenant la distribution des valeurs, des indicateurs comme le débit d'octets, et en distinguant bonnes et mauvaises features avant de construire un modèle.17:10
Détection des menaces par apprentissage automatique (Partie 1)Explique l'usage du machine learning pour détecter les menaces, comparé à la détection par signatures, l'équilibre entre Precision et Recall, l'apprentissage supervisé et semi-supervisé, et la comparaison de modèles comme Random Forest et les réseaux neuronaux.15:37
Détection des menaces par apprentissage automatique (Partie 2)Poursuit le machine learning pour la détection de menaces avec l'importance des features et l'explicabilité, les métriques ROC AUC et PR AUC, le coût des faux positifs, les boucles de rétroaction des analystes, et les risques opérationnels et la maintenance du modèle.17:23
Analyse comportementale et des anomaliesExplique l'analyse comportementale et la détection d'anomalies en établissant une référence du comportement normal des utilisateurs, terminaux et réseau, en repérant les écarts, les types d'anomalies comme des connexions valides à des heures ou lieux inhabituels, et qu'un changement peut être légitime.26:29
Laboratoire d'analyse comportementaleUn atelier pratique sous Kali Linux pour construire une baseline comportementale à partir de données réelles, détecter les anomalies sans signatures et distinguer vraies anomalies et comportements légitimes afin de réduire les faux positifs grâce au contexte.11:50
Chasse aux menaces (Partie 1)Explique comment la corrélation relie des événements dispersés en une vue d'ensemble, les limites de la corrélation manuelle et le rôle de l'IA, les niveaux de threat intelligence, et pourquoi le comportement est plus difficile à changer pour un attaquant que les IP ou les hashes.13:21
Chasse aux menaces (Partie 2)Poursuit l'approche de corrélation pilotée par l'IA pour détecter des campagnes en plusieurs phases plutôt que des alertes isolées, met en garde contre des données d'entraînement biaisées ou incomplètes et revoit les questions du quiz du module.16:47
Laboratoire de chasse aux menacesUn atelier pratique pour enrichir des événements de sécurité avec la threat intelligence, corréler des alertes de sources différentes en un seul incident et associer le comportement observé à MITRE ATT&CK, la décision finale restant à l'analyste humain.11:40
Réponse aux incidentsPrésente la réponse aux incidents comme une course contre la montre et la façon dont l'IA aide à classer les incidents par risque, enrichir le contexte, construire la chronologie et suggérer des actions, avec les risques de confiance excessive et la décision laissée à l'humain.23:48
Laboratoire de réponse aux incidentsUn atelier pratique sur l'usage des sorties de l'IA pour le triage, la priorisation et la planification de la réponse sous Kali Linux, avec les niveaux de confiance, le danger de la confiance excessive et la conclusion que l'humain valide avant toute automatisation.12:50
Examen finalPasse en revue les questions de l'examen final, dont la définition de la baseline comportementale, pourquoi toute anomalie n'est pas un incident de sécurité, l'intérêt de MITRE ATT&CK, la supériorité du comportement et du contexte sur les signatures, et la conclusion du cours.9:40