کتاب صوتی مستر کلاس: کشف نیت‌های مخرب در قراردادهای هوشمند با مدل‌های زبان برنامه‌نویسی BERT

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب مستر کلاس: کشف نیت‌های مخرب در قراردادهای هوشمند با مدل‌های زبان برنامه‌نویسی BERT

موضوع کلی: امنیت سایبری پیشرفته با هوش مصنوعی

موضوع میانی: تحلیل هوشمند قراردادهای هوشمند برای کشف نیت‌های مخرب

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه‌ای بر هم‌گرایی امنیت سایبری و هوش مصنوعی
• 2. بلاکچین چیست؟ مبانی و مفاهیم کلیدی
• 3. قرارداد هوشمند (Smart Contract) چیست؟
• 4. پلتفرم اتریوم و ماشین مجازی اتریوم (EVM)
• 5. چرا امنیت قراردادهای هوشمند حیاتی است؟
• 6. مروری بر حملات تاریخی معروف: The DAO و Parity Wallet
• 7. محدودیت‌های تحلیل امنیتی سنتی (استاتیک و دینامیک)
• 8. معرفی هوش مصنوعی به عنوان راهکاری نوین برای امنیت
• 9. مدل‌های زبان برنامه‌نویسی (PLM) چیستند و چرا اهمیت دارند؟
• 10. معرفی دوره و اهداف آن: از تئوری تا پیاده‌سازی
• 11. تحلیل عنوان و چکیده مقاله الهام‌بخش دوره
• 12. ابزارها و پیش‌نیازهای دوره: Solidity, Python, PyTorch/TensorFlow
• 13. مبانی زبان برنامه‌نویسی Solidity
• 14. ساختار یک قرارداد هوشمند: State Variables, Functions, Events
• 15. انواع داده و متغیرها در Solidity
• 16. توابع، اصلاح‌کننده‌ها (Modifiers) و رویدادها (Events)
• 17. وراثت، اینترفیس‌ها و کتابخانه‌ها در Solidity
• 18. استانداردهای توکن: ERC-20 و ERC-721
• 19. آسیب‌پذیری کلاسیک اول: Reentrancy
• 20. آسیب‌پذیری کلاسیک دوم: Integer Overflow/Underflow
• 21. آسیب‌پذیری‌های مربوط به کنترل دسترسی (Access Control)
• 22. آسیب‌پذیری‌های مرتبط با منطق کسب‌وکار (Business Logic)
• 23. آسیب‌پذیری‌های زمانی: Timestamp Dependence و Block Number Dependence
• 24. استفاده از ابزارهای تحلیل استاتیک: Slither و Mythril
• 25. بررسی نمونه کدهای آسیب‌پذیر در دنیای واقعی
• 26. مقدمه‌ای بر یادگیری ماشین و یادگیری عمیق
• 27. پردازش زبان طبیعی (NLP) برای تحلیل کد منبع
• 28. توکن‌سازی (Tokenization): تبدیل کد به دنباله‌ای از توکن‌ها
• 29. مدل‌های Bag-of-Words و TF-IDF و محدودیت‌های آن‌ها
• 30. مفهوم جاسازی کلمات (Word Embeddings)
• 31. معرفی مدل‌های Word2Vec و GloVe
• 32. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های متوالی
• 33. مشکل محوشدگی گرادیان و راه‌حل آن: شبکه‌های LSTM و GRU
• 34. مدل‌های توالی-به-توالی (Sequence-to-Sequence)
• 35. مکانیسم توجه (Attention Mechanism): انقلابی در NLP
• 36. معماری ترنسفورمر (Transformer): رمزگذار (Encoder) و رمزگشا (Decoder)
• 37. توجه چندسر (Multi-Head Attention) چگونه کار می‌کند؟
• 38. جاسازی موقعیتی (Positional Encoding) در ترنسفورمرها
• 39. معرفی مدل BERT: یادگیری عمیق دوطرفه
• 40. وظیفه پیش‌آموزش اول BERT: مدل زبان نقاب‌دار (Masked Language Model)
• 41. وظیفه پیش‌آموزش دوم BERT: پیش‌بینی جمله بعدی (Next Sentence Prediction)
• 42. تفاوت BERT با مدل‌های قبلی مانند GPT و ELMo
• 43. چرا BERT برای تحلیل ساختار کد برنامه‌نویسی مناسب است؟
• 44. معرفی مدل‌های زبان از پیش آموزش‌دیده برای کد: CodeBERT
• 45. کاوش در معماری و وظایف پیش‌آموزش CodeBERT
• 46. سایر مدل‌های مبتنی بر ترنسفورمر برای کد: CuBERT, GraphCodeBERT
• 47. استفاده عملی از کتابخانه Hugging Face Transformers
• 48. چالش‌های بازنمایی قرارداد هوشمند برای مدل‌های زبان
• 49. تعریف «نیت» (Intent) در قرارداد هوشمند: فراتر از آسیب‌پذیری
• 50. طبقه‌بندی نیت‌ها: مخرب، خوش‌خیم، مشکوک، و غیره
• 51. جمع‌آوری و ساخت مجموعه داده (Dataset) از قراردادهای هوشمند
• 52. برچسب‌گذاری داده‌ها: روش‌های دستی و خودکار
• 53. پیش‌پردازش کد Solidity برای ورودی مدل
• 54. استراتژی‌های توکن‌سازی کد: BPE و WordPiece برای Solidity
• 55. مفهوم Fine-Tuning (تنظیم دقیق) مدل BERT برای وظیفه‌ای خاص
• 56. طراحی وظیفه طبقه‌بندی (Classification Task) برای کشف نیت
• 57. انتخاب لایه‌های خروجی مناسب برای طبقه‌بندی چندکلاسه
• 58. انتخاب تابع زیان (Loss Function): Cross-Entropy
• 59. انتخاب بهینه‌ساز (Optimizer): Adam و AdamW
• 60. تنظیم نرخ یادگیری (Learning Rate) و زمان‌بندی آن
• 61. آماده‌سازی داده‌ها برای آموزش: ساخت DataLoader
• 62. پیاده‌سازی گام به گام فرآیند آموزش با PyTorch/TensorFlow
• 63. مدیریت حافظه (GPU Memory) در آموزش مدل‌های بزرگ
• 64. تکنیک‌های جلوگیری از بیش‌برازش (Overfitting): Dropout و Regularization
• 65. ارزیابی مدل در حین آموزش: مجموعه داده اعتبارسنجی (Validation Set)
• 66. ذخیره و بارگذاری مدل آموزش‌دیده (Checkpointing)
• 67. معیارهای ارزیابی مدل‌های طبقه‌بندی: Accuracy, Precision, Recall, F1-Score
• 68. ماتریس درهم‌ریختگی (Confusion Matrix) و تحلیل انواع خطاها
• 69. منحنی ROC و سطح زیر نمودار (AUC)
• 70. آزمایش مدل بر روی مجموعه داده آزمون (Test Set)
• 71. تفسیرپذیری و توضیح‌پذیری (XAI) در مدل‌های ترنسفورمر
• 72. اهمیت درک تصمیمات مدل در حوزه امنیت سایبری
• 73. استفاده از مکانیسم توجه برای تفسیر پیش‌بینی‌های مدل
• 74. تکنیک‌های XAI: LIME و SHAP برای مدل‌های مبتنی بر کد
• 75. تحلیل موارد اشتباه طبقه‌بندی شده توسط مدل
• 76. مقایسه رویکرد مبتنی بر PLM با روش‌های تحلیل استاتیک سنتی
• 77. یکپارچه‌سازی مدل در یک پایپ‌لاین تحلیل امنیتی خودکار
• 78. استقرار (Deployment) مدل به عنوان یک سرویس API
• 79. چالش‌های استقرار مدل در محیط واقعی: سرعت، مقیاس‌پذیری
• 80. به‌روزرسانی مدل با داده‌های جدید و یادگیری مداوم
• 81. موضوع پیشرفته: تشخیص نیت در سطح تابع (Function-level Intent)
• 82. موضوع پیشرفته: استفاده از گراف‌ها برای بازنمایی کد (GraphCodeBERT)
• 83. موضوع پیشرفته: یادگیری چندوظیفه‌ای (Multi-task Learning) برای کشف نیت و آسیب‌پذیری
• 84. بررسی مدل‌های زبانی بزرگتر (LLMs) مانند GPT-4 برای امنیت کد
• 85. کشف آسیب‌پذیری‌های روز صفر (Zero-Day) با هوش مصنوعی
• 86. چالش داده‌های نامتوازن (Imbalanced Data) و راه‌حل‌های آن
• 87. ملاحظات اخلاقی در استفاده از هوش مصنوعی برای امنیت
• 88. پروژه نهایی: ساخت یک ابزار کشف نیت مخرب از ابتدا تا انتها
• 89. جمع‌بندی دوره و مرور مفاهیم کلیدی
• 90. مسیرهای یادگیری آینده در حوزه AI for Code Security